通过前向逐步回归选择模型构建中的因素你好！
我在硕士论文中使用 JMP 13 来构建统计模型。 我是构建模型的新手，所以如果我的问题看起来有点基本，我提前道歉，但任何形式的帮助对我来说都意义重大。
在我的硕士论文中，我做了一个明确的筛选设计（6个因素+2个假因素，7个响应，17次运行）来研究一些过程。 完成所有必要的实验和分析后，我使用 Jones 和 Nachtsheim 在 2016 年提出的两种分析方法（DSD（EMS）方法的有效模型选择或前向逐步回归（FSR））分析了收集的数据。 他们说 EMS 通常是首选，但如果主动效应的数量不超过运行次数的一半，并且最多有两个主动双向相互作用或最多有一个主动二次效应，FSR 就可以充分执行（DOE 指南第 17 页）。 257）。 这些条件适用于我们所有的回应。
我对使用 FSR 方法选择模型构建因素有一些疑问。 我在以下条件下进行了 FSR：
停止规则：最小 AICc
方向：前进
规则：合并
FSR 选择了一些因素，我用标准最小二乘法制作了一个模型。
这是我的第一个问题：
在效果摘要（参见下面的照片效果摘要 1）中，我注意到因子 Temp (5,25) 的 PValue 为 0,16260。 我知道由于组合规则而包含此因素（Temp. 包含在交互 Konc.lakt*Temp. 中，其 PValue 低于 0,05）。 Temp. 的型号是否有必要？包含在内，或者我可以在没有它的情况下构建模型，尽管 Temp.包含在交互中吗？ 如果温度。已删除，JMP 不断警告我，Temp.不见了。
我还注意到，如果删除 Temp，模型不会发生太大变化。作为一个因素，这是有道理的，因为 P 值很高，我将其理解为该因素微不足道的标志。 （或者我错了？）。 其他包含的因子的 PValue 也发生了变化，因此现在因子 Konc.lakt 的 PValue 也大于 0.05（我是否也应该排除它？）。
我比较了模型。 （参见下图：简化模型的预测图 1 的实际值和非简化模型的预测图 2 的实际值）。 我将模型与图片效果摘要 1 上的所有效果以及仅具有 PValue 低于 0.05 的因子的模型进行了比较（参见照片效果摘要 2）。 模型看起来非常相似，具有更多包含效果的模型具有更好的拟合度（这是有道理的），但不是非常好，残差分析也非常相似，并且来自其他实验的点未用于制作模型（蓝色、紫色和绿色星星）处于相似的位置。 我在模型中保留不太活跃的效果是正确的吗？ 我不这么认为，因为这些影响不会对模型产生太大影响，因此将它们包括在内可能会产生误导，并且我们可能会过度拟合模型。 或者我可能错了？
如果我看另一个响应，我只得到一个值低于 0.05 的因子，然后向模型中添加另一个因子会比前面的示例稍微改进模型（更好的拟合，更好的残差分析），但仍然不是很好（参见下图：未简化模型的预测图 3 的实际值和简化模型的预测图 4 的实际值）。 如果简化模型中只剩下一个因素，情况会发生变化吗？
感谢您提前做出的所有答复和努力。
丹尼尔
回复：通过前向逐步回归选择模型构建中的因素是的，我每次测量都是这样做的。 我还在适当的时候进行了转换（更好的数据拟合和更好的残差分析）。 您对我改进模型的其他建议有何看法？
回复：通过前向逐步回归选择模型构建中的因素很多时候，响应测试（测量）会运行多次 (3)，并对所得响应进行平均，以减少测量系统造成的误差。
您可能还想查看 JMP 帮助以获取有关模型转换的信息
拟合线性模型>标准最小二乘法报告和选项>因素分析> Box Cox Y 变换
回复：通过前向逐步回归选择模型构建中的因素这是一个好点。 我想是的，但我必须检查一下。 该模型在其他一些响应中看起来要好得多，实际上我选择了最差的两个模型，因为我想知道如何才能使这些模型更好。 响应可靠性是出于好奇而测量的，它应该作为一种好或坏的分析方法来衡量。 我觉得这个方法不太好...
我也在思考可以做些什么来改进模型。 我想，如果分析方法不好，除了重复测量之外，没有什么可做的。 我还可以尝试使用标准最小二乘以外的其他方法（例如对数线性方差）构建模型吗？ 我可以通过做更多的实验来改进我的模型吗？如果可以，我如何选择模型将改进最多的因子值（如果可能的话）？ 还有其他方法可以改进模型吗？
回复：通过前向逐步回归选择模型构建中的因素谢谢你的回答，对我帮助很大。回复：通过前向逐步回归选择模型构建中的因素丹尼尔，
您的响应测试方法（即圆度和坚固度）是否具有足够的能力？ 如果您在同一天和一段时间内多次分析样品，您是否可以获得可重复的结果。 我很好奇，因为一旦我们了解了测试方法的噪声，我们经常会发现许多信号都是从噪声中产生的。
回复：通过前向逐步回归选择模型构建中的因素对于你的第一个问题，这不是绝对必要的，但组合规则是为了尊重效应遗传原则。消除主效应并在模型中保留包含该效应的交互通常是不好的做法。话虽这么说，如果您确实删除了它，那么您实际上是在说温度对所有其他因素水平的平均影响为 0，但影响大小可以是非零，具体取决于其他因素的水平（通过互动）。
如果因素之间具有高度相关性，则 p 值可能会根据模型的输入和输出而发生巨大变化。既然你做了 DSD，你的主要效果应该都是完全正交的，所以我不认为这是发生的事情Konc.lakt。Alpha 级别并不神圣。如果 p 值很小，可以使用您的判断。
我给你的另一条建议是，对于这种类型的设计，要慷慨地使用 alpha。DSD 没有最大的统计能力，因为它们通常是非常经济的设计。删除一些真正重要的因素是很容易的。我宁愿过度适应也不愿过度适应。您的模型在实际与预测 4 中似乎不拟合。在设计空间内的几个不同点上进行确认运行也是一个好主意，以确保您的模型提供合理的预测。
