我創建了一個具有四個因素（溫度，速度，層高和等待時間）和四個響應（斷裂應力，斷裂應變，模量和結晶度）的IV分辨率篩分設計。 該設計有8個行程加上4個中心點，因此總共有12個行程。我實驗的目的是確定每個響應的最有影響力的因素。 在運行實驗之後，其中一個運行顯示出與其他運行非常不同的結果（斷裂應力和斷裂應變大得多），因為樣品打印得不好。 我想刪除該運行（運行3，溫度= 410，速度= 20，層高度= 0.3，等待時間= 11），因為我可以獲得更好的擬合度，並且在模型中檢測到了更多因素。 例如，如果不刪除Run3，則對於斷裂應力而言重要的因素是溫度和等待時間。刪除運行3後，仍檢測到溫度和等待時間，並且檢測層高是第三個重要因素。 同樣，對於斷裂應變，如果包含運行3，則溫度是唯一因素，但不包含運行3，則模型中包括溫度和速度。 但是，當我檢查設計評估時，刪除了運行3後，預測方差變得更高，尤其是在運行3的因子水平上，這個預測方差很大。 因此，我不太確定是否應該刪除該運行。 我提供了一些數字來顯示兩種設計之間的差異（使用和不使用運行3）。 謝謝！
這是我的一些想法。
沒有處理異常點的明確“規則”，但正如Daniel指出的那樣，DOE分析中5個最常見的缺陷之一是“未能研究不良值的數據”。 這可能是由於大多數實驗的數據集很小，而單個數據點可能會對定量方法（例如ANOVA和回歸）產生巨大影響。
現在，在開始刪除數據點之前，我可能會問您從這種治療中學到了什麼？為什麼結果與其他結果有很大不同。有多少不同？在實驗中沒有具體操作的其他變量有哪些（又名。噪音）。 我記得很多年前與Taguchi博士討論過異常數據點時，他會說“這可能是實驗中最重要的事情”。 測量系統是否足夠？對於破壞性測試（例如應力和應變測試）而言，實際上不可能將測量誤差與產品差異區分開來，要確定這一點可能會很困難。 我經常建議每次治療都要採集多個樣本，以便可以對治療進行一些評估。
對於您的情況，首先確認數據確實是異常值（因為有可能是由於高階處理效果造成的）。 由於您有多個Y，因此您可以使用馬氏距離來測試可能的離群值（“分析”>“多元”>“多元”，選擇“離群值分析”）。 大多數人使用殘差來幫助確定何時不滿足分析假設。排名分析也可能有用。
如果您確信治療確實受到損害，可以採取許多措施來查看該治療對結果的影響：
替代：
1。用剩餘數據點的平均值替換異常數據點
2。對其餘數據點進行回歸，並使用“保存預期結果”，JMP將“預測”缺少的數據點。
3。使用預測值（假設您在進行實驗之前做了預測）
重新運行：
1。重新運行該治療方法，儘管您可能需要考慮可能的阻滯作用
2。重新進行一小部分實驗
3。重新運行整個實驗，儘管如果是我，我會看到我學到的知識並在復制之前修改級別
