返回JMP Fed Gov用戶資源頁面
12月22日網絡廣播-分析DOE的策略
在此網絡廣播中，我們將分析幾個DOE數據集。 對於視覺分析工具，我們將使用“分佈”和“圖形生成器”，包括對因子列進行數據過濾以及因子堆疊。 建模策略將包括保守的方法，例如在以“效應遺傳”和“效應稀疏性”原則為指導之前，先看一階效應。 積極的策略將包括使用幾種不同的停止標准進行逐步回歸，以防止過度擬合甚至擬合“所有可能的模型”。實際與 具有檢查點的預測圖可用於幫助選擇模型。 下面顯示了可以在會話中重新創建的各種示例圖形和逐步回歸輸出：
分發平台顯示因素水平的陰影，並選擇了響應數據的上半部分。
所有10個因子的圖形構建器產量與因子範圍。 均值匯總的數據，誤差線等於均值的置信區間。 曲線（藍色）和線擬合（紅色）對數據更平滑。 可以看到主要效果和曲率的相對大小。
圖形生成器通過“平滑”曲線顯示繪製的響應值與各個因子設置的關係
圖形生成器顯示了一個因子的響應與因子設置，第二個因子覆蓋在圖形上。
不平行的線表示因素之間的相互作用。
標準歷史記錄，用於逐步回歸24個觀察值，選擇“超參數化”的10因子，66項二次模型的4因子，9項模型子集。
排序的參數估計值圖表顯示了因子A和B的優勢
Prediction Profiler設置為在各種因素範圍內預測最大產量的條件。 三個檢查點得出的值分別為15.10、15.93和16.16-均在95％的置信區間內（14.4，20.1）。
最佳的1項到8項模型（忽略常數），可以針對8個因子擬合所有1000萬種可能的模型。
注意先由A＆B主導，再由C主導，然後暗示G可能很重要。
來自所有可能模型表的因子A，B，C，E和F的4個度量的疊加圖；
RSquare，RMSE，AICc和BIC與模型條款。
針對三因素模型的實際vs預測圖適合24個設計試驗。 還繪製了四個不適合使用的檢查點。
