在我们的免费在线课程中了解更多信息：
工业问题解决的统计思维
在本视频中，我们将向您展示如何使用文件 2x2x2 Unreplicated.jmp 在 JMP 中分析全因子实验。
顾名思义，这是一款不可复制的2 3全因子实验。 因子是温度、时间和催化剂，响应是产量。
因为这个实验是在 JMP 中设计的，所以我们可以运行模型脚本来启动分析。 相反，为了说明，我们选择分析然后拟合模型。
您可以看到“模型规范”对话框中已经填充了响应、产量和几个模型效应。 默认情况下，模型仅包括主效应和双向交互作用。
我们将选择这些效果并单击删除以重新开始并从头开始填充模型效果面板。
我们将添加主要效果和双向交互。
为此，我们在 Select Columns 面板中选择三个因子，然后单击 Macros 按钮并选择 Factorial to Degree。 您可以看到，默认情况下，Degree 为 2。 因此，模型效果面板填充了主效果和双向交互。
我们将单击运行以运行此分析。
默认情况下，您会看到“效应汇总”表和“预测刻画器”。
效应汇总表中的项根据 PValue 升序排列。 最重要的术语是温度，其次是温度*时间交互作用。
您可以看到其他双向交互并不重要。
我们将通过删除不显着的影响来简化模型，一次一个。 为此，我们在 Effect Summary 表中选择 Temperature*Catalyst 交互作用，然后单击 Remove。 我们还删除了 Time*Catalyst 交互。
模型中效应的系数列在“参数估计值”表中。
预测刻画器使您能够可视化您的模型。 温度是最重要的术语，具有最陡峭的剖面线。 当我们单击并将这条线拖动到温度的低值，然后是高值时，您可以看到预测的产量如何变化。
您还可以看到温度和时间之间的相互作用。 请注意，当您将温度从低水平更改为高水平时，时间线的斜率会发生什么变化。 时间线的斜率发生变化。
为了更好地查看这种交互，我们单击顶部的红色三角形并选择因子分析，然后选择交互图。
您可以看到轮廓线是不平行的。 这告诉您一个因素对响应的影响取决于另一个因素的设置。
让我们再看一下 Prediction Profiler。
本实验的目标是最大化产量。 因此，您会看到一些合意面板。 顶行的最后一个框是意愿函数，它显示了响应目标。 当我们双击此框时，我们会看到目标和愿望。 更高的产量值是更可取的。 当我们告诉 JMP 找到将最大化响应的因子设置时，我们优化了这个意愿函数。
现在让我们这样做。 我们从预测刻画器的红色三角形中选择优化和意愿，然后最大化意愿。
导致最高预测产量的因素设置是高水平的温度 (120)、低水平的时间 (4) 和高水平的催化剂 (5)。 在这些设置下，预测收益率为 89.32。 括号中的值形成了该预测产量平均值的置信区间。 在这些因子设置下，您可以有 95% 的把握平均产量将介于 88.2 和 90.5 之间（当然，假设过程没有改变）。
顶部红色三角形下方还有许多其他选项可用于探索和分析您的结果，我们不会在此短视频中讨论这些选项。
我们鼓励您自行探索这些选项。
