DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素嘿 Jmp 用戶，
當能源部數據分析中涉及顯著交互作用時，是否可以刪除不顯著的主要因素？
謝謝 ！
我
高級統計建模實驗設計回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素之所以會產生混亂，是因為在兩種不同的上下文中使用同一個詞（“層次結構”）來描述不同的事物。 篩選設計假定了“層次原則”。 它表示，隨著階數的增加，因素的影響往往會減小。 因此，三階效應往往比二階效應小，可以忽略不計。 “模型層次結構”是關於線性預測器結構的陳述。 它表示當一個術語出現在另一個術語中時，就存在術語層次結構。 因此，諸如β0 + β1*X1 + β2*X2 等線性預測變量不表現出模型層次結構，但另一個線性預測變量（如β0 + β1*X1 + β2*X2 + β12*X1*X2 ）確實表現出模型層次結構。
（篩選設計也假定的“遺傳原理”表明，主動高階項往往涉及表現出主動主效應的因素。）
模型層次結構很重要。 我寫了一篇關於它的文章JMP 電纜幾年前的電子通訊。 在上述第二種情況下，刪除 β1*X1 項或 β2*X2 項並不違法，但不建議這樣做。 因此，JMP 允許此操作，但警告您不要這樣做。 為什麼要維護模型層次結構？ 因為如果你改變規模你的因素中，你必須改變結構模型的。 有些術語將會消失。 新的術語將會出現。 人們不喜歡驚喜。
但你永遠不會改變因子尺度！ 嗯，你可能會。 DOE 的回歸分析基於中心化和縮放的因子水平（稱為“編碼水平”）。 因此，參數估計基於從 -1 到 +1 的預測量表。 您可以對因子水平進行反向轉換或取消編碼，以便參數估計值符合實際規模。 並不是無理的願望。 那麼，您必須將模型的結構從您選擇的結構更改為其他結構。
回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素我認為原則是“層次結構”，但它在文檔中的描述似乎有所不同：似乎是說層次結構與高階術語相關，通常不考慮與低階術語一樣多的變化，而遺傳性“涉及在模型中包含高階效應的低階分量。”
效果層次： https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-hierarchy.shtml#
影響遺傳： https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-heredity.shtml#
可能是我混淆了原則或者誤解了文檔。
回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素其實原理就是Effect HIERARCHY。 也就是說，如果高階項很重要，則模型中應包含低階項。 （遺傳原則是，要使高階項處於活動狀態，至少有一個較低階項（父母）必須處於活動狀態）。
需要明確的是，您真正需要做的是了解交互。 由於交互作用是指一個因素的影響取決於另一個因素，因此您需要了解這種影響。 對於 2 水平設計，二階效應有 4 種可能的因子組合：-1,-1, -1,1, 1,-1, 1,1。 顯著交互作用意味著因素處於相同水平與相反水平時的效果存在差異。
回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素你好，
這一原理被稱為“效應遺傳”。《實驗設計原則與指南》中有簡單提及（ https://www.jmp.com/support/help/en/15.2/index.shtml#page/jmp/effect-heredity.shtml ）。基本上，如果主效應不顯著，那麼高階項可能也不顯著。
回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素你好，
感謝您的回答。 我還想從統計學的角度問，它會影響你的模型嗎？
回复：DoE 分析：當涉及顯著交互作用時，刪除不顯著的主要因素你好，
對的，這是可能的。 使用擬合模型分析 DOE 時，高階效應中包含的低階效應用抑揚符號表示（見下圖）。如果您嘗試刪除它，您將收到一條警告消息，並可以選擇“僅刪除未包含的效果”，但您可以選擇忽略此消息。
