預測刻畫器你好，
我寫信給你是因為我發現兩個圖表之間存在一些差異。 第一個圖是在 JMP 上繪製的，它是一個預測剖面圖，第二個圖是在 Minitab 中繪製的。 我的問題是因為我在 JMP 圖中發現了一個奇怪的結果。 我發現了一個負類型的結果值，而實際上我沒有它，所以我發現 Minitab 上的結果更加連貫。但是，我更喜歡 JPM 給出結果的方式。 因此，我想知道為什麼我會有這樣的差異。
JMP 14
Minitab 結果
回复：預測分析器你好@阿奇,
正如 Mark 提到的，您在此處顯示的 Minitab 的“主效應圖”顯示的內容與 JMP 中的預測刻畫器完全不同*當你的模型與交互相匹配時。 如果您擬合僅主效應模型，則 JMP 預測刻畫器和 Minitab 中的“主效應圖”顯示的內容基本相同（更新：假設數據平衡，設計的每個單元格中的觀察數量相同 - 感謝馬克的註釋）。
我將刻畫器排列為兩行，以便最接近地匹配 Minitab，預測刻畫器紅色三角形 > 外觀 > 按行排列：
也就是說，為什麼這些圖在這種特殊情況下匹配（具有平衡數據的僅主效應模型），但在您之前擬合的模型中不匹配，這就是問題的核心@馬克貝利正在解釋，並且對於理解我們在模型中所做的選擇至關重要。
JMP 中的預測刻畫器顯示有條件的在給定其他預測變量的選定水平的情況下，Y 和給定預測變量之間的關係，而 Minitab 的主效應圖本質上忽略其他因素並顯示 Y 和給定預測變量之間的平均關係。 那麼這意味著什麼？為什麼 JMP 和 Minitab 的輸出與上述情況相匹配（我在 JMP 中擬合了僅主效應模型）？ 讓我們採用您首先展示的初始模型（以及保存到數據表中的內容）。
暫時擱置馬克關於其中一些術語不可估計的觀點（這當然很重要，但與本文不同），該模型旨在理解（即統計估計）每個預測變量的主要影響作為每對預測變量之間的雙向相互作用。 這些相互作用是主效應圖和預測刻畫器之間差異的關鍵，因為這些相互作用使我們的模型能夠捕獲 Y 和每個預測變量之間的關係可以不同當另一個預測變量的水平發生變化時。讓我們看看這個模型的輪廓儀，我將更改每齒進給量的水平。 正如我所做的那樣，看看最左邊的刀具磨損和刀具類型之間的關係：
您會注意到最左邊的刀具磨損 (y) 和刀具類型之間的關係在每齒進給量不同的情況下是不同的。這些變量之間存在相互作用。工具類型和其他變量之間也存在相互作用。“僅主效應”圖只是對這些不同的關係進行平均，以得出平均的、無條件的關係。 這就是 minitab 在主效應圖中顯示的內容，也是 JMP 將在預測刻畫器中顯示的內容如果你擬合一個沒有交互的模型，就像這樣：
我將使用下面的輪廓儀進行相同的練習，改變每齒的進給量。 再次，看看刀具磨損與刀具類型之間的關係： 
這次您只會注意到截距變化- 也就是說，刀具磨損和刀具類型之間的關係是相同的模式，但刀具磨損的預測僅根據每齒進給量的貢獻量而更高或更低。 這些效果只是相加的……不可能發生交互，因為我們沒有為模型提供擬合/找到交互的可能性。
我希望這有助於澄清您在 Minitab 中的主效應圖與 JMP 中的預測刻畫器之間看到的差異。
@朱利安
回复：預測分析器我不知道你的意思。
但兩者的結果看起來還是有區別
哪個結果？ 有什麼區別？
R：Minitab 和 JMP 圖形之間的線條趨勢不同
這是刀具磨損而不是刀具溫度。
您的要求是關於工具磨損的。 那個分析就是你所展示的。
我想要像以前一樣的 x 軸，因為我使用這些值來開發我的實驗。
R=是的，但是您使用了工具溫度
x 軸值是多少？
我不想在軸上從 1 到 4.3，我想要 1 和 4.3
此致
回复：預測分析器我不知道你的意思。
但兩者的結果看起來還是有區別
哪個結果？ 有什麼區別？ 您是否正在將預測刻畫器與其他類型的繪圖進行比較？ 您是否正在比較 JMP 和 MINITAB？
這是刀具磨損而不是刀具溫度。
您的要求是關於工具磨損的。 那個分析就是你所展示的。 我也是這麼分析的。
我想要像以前一樣的 x 軸，因為我使用這些值來開發我的實驗。
我認為你所說的“之前”是指當你使用名義模型類型作為定量因素時。 除其他外，該選擇將生成一個預測刻畫器 x 軸，僅接受數據列中的級別。 它還不允許您在實驗中使用的因素之外的任何因素水平上進行優化。 （卡在“選出獲勝者”。） 模型中的這些因子項也需要兩倍的參數。
另一方面，我這樣做的方式（使用連續建模類型）顯示了連續響應配置文件（現實），並且仍然允許您輸入所需的任何因子水平，包括實驗中的那些水平。 它還允許您找到最佳水平，即使它不是實驗中使用的三個水平之一。 （插值）
回复：預測分析器非常感謝您，但是兩者的結果看起來仍然不同，這是刀具磨損而不是刀具溫度。 此外，我希望 X 軸與以前一樣，因為我使用這些值來開發我的實驗。 我能做些什麼？
此致
@馬克貝利寫道：
這是更新後的數據表。
回复：預測分析器這是更新後的數據表。
回复：預測分析器首先，我將所有定量因素的建模類型從名義型改為連續型。
其次，我分析了因子水平的分佈，發現工具類型 = O僅當切割寬度 = 1 ，因此這一設計缺陷消除了交互參數估計之一。 看：
第三，我選擇了一個在前向使用逐步回歸的模型。 （請注意，我用原始工具類型因子替換了 Stepwise 創建的對比以進行最終回歸分析。）我得到了這個預測刻畫器：
這些概況看起來很合理。 所以我認為你的模型有問題。
至於預測刻畫器和 MINITAB 中的主效應圖之間的差異，您正在比較兩個完全不同的圖。 預測刻畫器顯示響應中每個因素的輪廓以其他因素的當前水平為條件。 因此，它是一個預言分析器。 另一方面，MINITAB 中的主效應圖顯示每個因子水平的無條件平均響應。 它是數據的平均值（當設計不平衡時會有偏差，如本例所示）。 它不是模型的（無偏）最小二乘均值。
