理論變數參數估計的解釋我的模型只有一些主動效果。即表中的三個主效果。 epsilon_r^n 和 Rt^n 是連續變量，但 E^n 是可以具有值 -1 和 +1 的分類變數。
從預測刻畫器可以清楚地看出，在所有三種情況下，自變數的值較高會導致預測的 N25 較低（從物理角度來看，這也是預期的）。
那為什麼 epsilon_r^n 和 Rt^n 的估計係數為負，而 E^n 的係數卻為正呢？我應該如何解釋參數表中的表達式“[-1 -1]”？
將模型儲存到資料表中可以存取以下模型公式：
因此，E^n 的較高值（即 1）會導致公式中的值較低（即 0）。我不確定應該如何從參數估計表中獲取此資訊。請有人跟我解釋一下嗎？
數據探索和視覺化大規模客製化回复：解釋變量的參數估計我忘了提及要密切關注參數估計的標準誤差列。 如果該值的大小大於參數估計的大小，則表明您的參數估計可能接近於零，實際上對模型的貢獻不大。回复：解釋變量的參數估計你好@matthias_bruchh ,
我希望它有所幫助。 在開發經驗模型時，試圖確定一個人應該真正考慮什麼有時會讓人不知所措。
由於數據全部來自 DOE，如果你採用自動驗證方法，你可以在許多不同的平台上執行此操作，以查看主導因素的穩定性。 例如，您可以執行標準最小二乘法、GenReg、Gen Lin 模型、PLS 等。如果您選擇 GenReg，請注意在選擇估計方法時，前五個選項實際上是對 DOE 唯一有效的選項。 其他選項（Lasso、EN 等）實際上更適用於無監督機器學習，我認為這不是您所追求的。 在執行提升樹或引導森林模型時，您還可以對列貢獻 SS（或部分）進行模擬和引導。 同樣，如果決策樹決定更頻繁地根據空因子進行拆分，那麼您就會知道下面的因子在模型中毫無意義，因為空因子不僅是完全隨機的，而且與您的數據正交。
祝你分析順利！
DS
回复：解釋變量的參數估計謝謝，
我會看看這個。 是的，數據來自 DOI。 （實際上來自 3 個 DOI。 該項目分為三個連續的階段。 我為它們製作了三個獨立的 DOI，因為那裡有很多限制，而且（當時）無法使用 JMP 的“擴充設計”功能來實現它們。）回复：解釋變量的參數估計你好@matthias_bruchh ,
很高興對序號的更改奏效並有所幫助。
就理論模型而言，如果您有函數，則可以使用列屬性中的“公式”功能根據預測變量對列進行“編程”。 但是，聽起來您沒有理論模型。
要引導估計，您將右鍵單擊 JMP 報告中的列估計，然後選擇引導。 如果速度快，可能輸入 5000，但如果速度慢，則保持在 2500。 請務必選中“分數權重”框。 它將多次重新運行擬合，然後為您提供預測變量的每個係數的值分佈（只需在輸出數據表中運行“分佈”腳本。 然後，隨著顯示出來的分佈和統計，你可以右擊匯總統計，選擇“製作成組合數據表”。 一定要自定義匯總統計數據以顯示非零比例。
組合數據表將包含您的估計值的均值和非零比例。 在那裡，您可以看到平均值（典型值）是多少，以及估計值非零的頻率（百分比）——如果該數字很小，則估計值通常為零。 如果它很大，那麼大多數時候它是非零的。 這是確定模型中需要或不需要的項和混合項的好方法。
您也可以選擇“模擬”，但這需要數據表中的另一個公式列與您在模型中使用的公式列交換。 這有點複雜——見自動驗證來自 Gotwalt 和 Ramsey。 有PPT和視頻可以看解釋。 它略有不同，會給引導方法帶來略微不同的結果，但基本上是一樣的。 我一直使用這些方法來消除模型中的因素。
自動驗證方法的一個非常好的區別是它會生成一個完全隨機且與您的數據正交的空因子。 每當它在模擬中比任何其他因素更頻繁地出現時，您就絕對可以消除那些出現頻率較低的因素。 在這裡要小心，確保您對因素及其組合施加了層次結構和遺傳規則。 事實上，如果您沒有理論模型，也沒有理由包含混合術語，我會完全忽略它們，就像我認識的一位數據科學家喜歡說的那樣，這只是“巫術”。
順便問一下，您分析的數據是來自 DOE 還是只是常規的實驗室研究？
祝你好運！，
DS
回复：解釋變量的參數估計親愛的DS，
將 E^n 從名義上更改為序號確實可以解決問題。 參數的絕對值與之前相同，但符號變為負數，更直觀。 多謝！
我確實有 JMP PRO（但最近才拿到）。
我沒有可以在這種情況下使用的經驗公式，但很想知道這是如何完成的。 如果您能指出我的教程，我將不勝感激。 您提到的自舉也是如此。
問候，
馬蒂亞斯
回复：解釋變量的參數估計你好@matthias_bruchh ,
首先，您有 JMP Pro 嗎？ 如果是這樣，我強烈建議對參數估計值運行引導程序計算，以更好地了解哪些參數實際上為 0（或接近 0），哪些參數實際上非 0 以及它們的典型值（數千次引導程序的平均值） .
也就是說，由於您已將 E^na 設為標稱值，因此當 JMP 報告參數估計值時，它會報告可能的值，在本例中為 [-1 -1]，即 -1 到 1。 為了更好地理解 E^n 預測變量如何適合您的模型，您可能希望將其更改為序數。
E^n 獲得正係數（或 0）的原因與您為預測返回的函數有關。 您的公式基本上如下：
y = exp( a + b*x_1 + c*x_2 + d*x_3 + f )
要獲得更大的 y 響應，指數的自變量應盡可能大，因此如果 x_1 和 x_2 的係數為負而“a”和“f”為正，則獲得更大值的唯一方法參數是使 x_3 的係數（即 E^n）為正。
你提到 N25 的行為在觀察它如何響應預測變量時具有物理意義。 如果您正在研究物理（或化學）過程，您是否有理論方程式作為起點？ 如果是這樣，您應該使用它作為您的預測公式，而不是讓 jump 為您生成經驗公式。 例如，如果您要測量球落下 x 米所需的時間，則有一個物理公式可以預測這一點，即：y = y_0 + v_0*t + 1/2*g*t^2，引力場中的運動公式。 在JMP中分析這些數據時，我會將公式固定到理論模型上，看看是否與理論有任何偏差。
但同樣，我認為如果將 E^n 更改為序數，它可能對您更有意義。 此外，如果您確實需要讓 JMP 生成一個經驗公式，那麼您需要引導或模擬估計值以查看哪些是真正的 0 或接近於零，以確保您沒有遺漏模型中的任何內容。
希望這可以幫助。
祝你好運！，
DS
