我创建了一个具有四个因素（温度，速度，层高和等待时间）和四个响应（断裂应力，断裂应变，模量和结晶度）的IV分辨率筛分设计。 该设计有8个行程加上4个中心点，因此总共有12个行程。我实验的目的是确定每个响应的最有影响力的因素。 在运行实验之后，其中一个运行显示出与其他运行非常不同的结果（断裂应力和断裂应变大得多），因为样品打印得不好。 我想删除该运行（运行3，温度= 410，速度= 20，层高度= 0.3，等待时间= 11），因为我可以获得更好的拟合度，并且在模型中检测到了更多因素。 例如，如果不删除Run3，则对于断裂应力而言重要的因素是温度和等待时间。删除运行3后，仍检测到温度和等待时间，并且检测层高是第三个重要因素。 同样，对于断裂应变，如果包含运行3，则温度是唯一因素，但不包含运行3，则模型中包括温度和速度。 但是，当我检查设计评估时，除去了运行3后，预测方差变得更高，尤其是在运行3的因子水平上，这个预测方差很大。 因此，我不太确定是否应该删除该运行。 我提供了一些数字来显示两种设计之间的区别（使用和不使用运行3）。 谢谢！
这是我的一些想法。
没有处理异常点的明确“规则”，但正如Daniel指出的那样，DOE分析中5个最常见的缺陷之一是“未能研究不良值的数据”。 这可能是由于大多数实验的数据集很小，而单个数据点可能会对定量方法（例如ANOVA和回归）产生巨大影响。
现在，在开始删除数据点之前，我可能会问您从这种治疗中学到了什么？为什么结果与其他结果有很大不同。有多少不同？在实验中没有具体操作的其他变量有哪些（又名。噪音）。 我记得很多年前与Taguchi博士讨论过异常数据点时，他会说“这可能是实验中最重要的事情”。 测量系统是否足够？对于破坏性测试（例如应力和应变测试）而言，实际上不可能将测量误差与产品差异区分开来，要确定这一点可能会很困难。 我经常建议每次治疗都要采集多个样本，以便可以对治疗进行一些评估。
对于您的情况，首先确认数据确实是异常值（因为有可能是由于高阶处理效果造成的）。 由于您有多个Y，因此您可以使用马氏距离来测试可能的离群值（“分析”>“多元”>“多元”，选择“离群值分析”）。 大多数人使用残差来帮助确定何时不满足分析假设。排名分析也可能有用。
如果您确信治疗确实受到损害，可以采取许多措施来查看该治疗对结果的影响：
替代：
1。用剩余数据点的平均值替换异常数据点
2。对其余数据点进行回归，并使用“保存预期结果”，JMP将“预测”缺少的数据点。
3。使用预测值（假设您在进行实验之前做了预测）
重新运行：
1。重新运行该治疗方法，尽管您可能需要考虑可能的阻滞作用
2。重新进行一小部分实验
3。重新运行整个实验，尽管如果是我，我会看到我学到的知识并在复制之前修改级别
