使用 JMP® Pro 和 R 进行明确筛选设计的模型选择策略<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Philip Ramsey 博士，North Haven Group 所有者
Maria Weese 博士，迈阿密大学法默商学院分析学助理教授
Douglas Montgomery 博士，亚利桑那州立大学工业工程和统计学董事教授
Jones 和 Nachtsheim (2011) 引入了一种新型高效实验设计，名为明确筛选设计 (DSD)。 该设计的高效率加上估计双向相互作用和二次效应的能力使该设计成为实验者有吸引力的选择。 尽管 DSD 在工业界（尤其是生物技术界）越来越流行，但迄今为止，在分析这些设计的最佳方法方面所做的工作却很少。 在本次演讲中，我们将讨论综合模拟研究的结果，以评估分析 DSD 实验结果的几种可能方法。 模拟场景会改变实验因素的数量和主动效应的数量：主相互作用、二次相互作用和双向相互作用。 模拟重点关注三种可能的模型选择策略（使用AIC或BIC作为选择标准）：1.前向选择； 2. Dantzig 选择器； 3.所有子集回归。 这些技术将在检测主动效应的能力（定义为正确识别真正主动因素的能力）以及非主动效应被识别为主动效应（I 类错误）和预测的次数方面进行对比和比较。能力。 此外，还将讨论使用 JMP Pro 进行分析化学（糖谱分析）的案例研究，其中 DSD 与 CCD 并行运行。 讨论将集中于两种设计在主动效果方面的一致程度，并为分析这些设计提供建议。 还将讨论使用 JMP Pro 和 DSD 进行优化。
实验设计预测建模
