返回JMP Fed Gov用户资源页面
12月22日网络广播-分析DOE的策略
在此网络广播中，我们将分析几个DOE数据集。 对于视觉分析工具，我们将使用“分布”和“图形生成器”，包括对因子列进行数据过滤以及因子堆叠。 建模策略将包括保守的方法，例如在以“效应遗传”和“效应稀疏性”原则为指导之前，先看一阶效应。 积极的策略将包括使用几种不同的停止标准进行逐步回归，以防止过度拟合甚至拟合“所有可能的模型”。实际与 具有检查点的预测图可用于帮助选择模型。 下面显示了可以在会话中重新创建的各种示例图形和逐步回归输出：
分发平台显示因素水平的阴影，并选择了响应数据的上半部分。
所有10个因子的图形构建器产量与因子范围。 均值汇总的数据，误差线等于均值的置信区间。 曲线（蓝色）和线拟合（红色）对数据更平滑。 可以看到主要效果和曲率的相对大小。
图形生成器通过“平滑”曲线显示绘制的响应值与各个因子设置的关系
图形生成器显示了一个因子的响应与因子设置，第二个因子覆盖在图形上。
不平行的线表示因素之间的相互作用。
标准历史记录，用于逐步回归24个观察值，选择“超参数化”的10因子，66项二次模型的4因子，9项模型子集。
排序的参数估计值图表显示了因子A和B的优势
Prediction Profiler设置为在各种因素范围内预测最大产量的条件。 三个检查点得出的值分别为15.10、15.93和16.16-均在95％的置信区间内（14.4，20.1）。
最佳的1项到8项模型（忽略常数），可以针对8个因子拟合所有1000万种可能的模型。
注意先由A＆B主导，再由C主导，然后暗示G可能很重要。
来自所有可能模型表的因子A，B，C，E和F的4个度量的叠加图；
RSquare，RMSE，AICc和BIC与模型条款。
针对三因素模型的实际vs预测图适合24个设计试验。 还绘制了四个不适合使用的检查点。
