创建仿真模型和实验模型并进行比较所以我有一些实验数据和一些模拟数据，我想比较这些因素的敏感性，看看它们是如何排列的。
这类似于：如何根据我的旧实验数据建立预测模型？
我是 JMP 的新手，所以希望我做得对。
附上模拟（2）和实验数据（3）。
1. 在两个数据集上使用“拟合模型”命令并比较参数估计值是否是正确的方法？
2. 如果是这样，当运行两组数据时，我得到 X1 X2 X3 的标准误差相同的值。 我的印象是标准误差与参数估计的拟合质量有关，但我不明白它们怎么可能对所有 3 个都相同。 我在这里缺少什么吗？
谢谢
高级统计建模数据探索和可视化回复：创建仿真模型和实验模型并进行比较我预计 Y 不会改变太多，也许是 0.1 左右。 您强调的 6 点可能是测试问题。
重复是不同设备的测量，但设计参数相同。
您如何将其作为随机重复进行分析？
通过减少模型，您的意思是删除额外的项吗？
老实说，当我最初看到这个问题时，我觉得 STD 错误都一样而且都这么低，这对我来说没有意义。 在阅读了更多有关统计数据的内容后，我们就明白了如何计算误差。 我想我希望表明参数估计值在测量值的“1 个标准偏差”内，因为测量结果的噪声非常大。 当我比较参数估计值时，我认为实验和模拟或多或少都得到了跟踪，所以我对结果非常满意。
回复：创建仿真模型和实验模型并进行比较抱歉，当我不了解你所做的情况、实验或分析时，我很难回答你的问题。 Y 的变化有多少具有科学或工程意义？ 810 行数据的 Y 总范围为 0.44。有实际意义吗？ 每个治疗组合都有多个数据点。 这些是重复还是随机重复？ 如果我将实际实验视为随机重复进行分析，我会发现至少 6 个不寻常的数据点（通过残差分析）。 R 方约为 0.49，这意味着用于分析的模型仅解释了数据中约 49% 的变异。 只有主效应和可能的二次效应具有统计意义。 模型缩小了吗？ 模型有意义吗？
来源 | 对数沃斯 | | P值 |
X1(0.85,1.15) | 101.912 |  | 0.00000 |
X3(0.85,1.15) | 20.133 |  | 0.00000 |
X2(0.85,1.15) | 13.329 |  | 0.00000 |
X2*X2 | 2.563 |  | 0.00274 |
X1*X1 | 1.030 |  | 0.09336 |
X1*X3 | 0.970 |  | 0.10727 |
X3*X3 | 0.925 |  | 0.11896 |
X1*X2 | 0.607 |  | 0.24733 |
X2*X3 | 0.294 |  | 0.50874 |
回复：创建仿真模型和实验模型并进行比较@hluo90对于我的问题#4，我要问的是模拟实验和实证实验之间的响应分布如何进行比较。 我可能会从每个分布的直方图开始，然后比较每个分布的分布、形状和集中趋势。 然后检查分布与这些特征的匹配程度。
对于我的问题#5，每个实验都会产生一个模型。 每个模型都可以用来进行预测。 观测值和预测值之间的算术差异就是残差。 残差分布如何比较？
对于我的问题#5，使用 JMP 的蒙特卡罗模拟功能之类的功能，您可以改变每个模型中的预测变量，并查看响应如何根据该变化而变化。
回复：创建仿真模型和实验模型并进行比较我的意思是参数估计的标准误差。 在进一步了解它们的计算方式之后
参数中误差/变化的总和，看来参数的标准误差应该是相同的。
回到目标，是的，我正在尝试比较每个数据集中的 2 个模型。 数据集是电路中参数的变化。 比较两个模型并表明改变模拟/硬件中的电路参数会产生相同/相似的结果的标准/最佳方法是什么？
回复：创建仿真模型和实验模型并进行比较1. 当然，所以本质上我对改变某些参数的电路性能进行了模拟。 我还测量了相同电路的不同参数的结果。 我想表明测量结果要么与模拟匹配，要么不匹配。
2. 这种情况下的参数估计将是变化的电路参数，因此我认为从实际角度来看这很重要。
3. 现在是一样的，但是模拟模型应该有更多的点。
4-6，不确定我是否理解。
最终，我只是想证明模拟可以准确地预测制造的设备。
回复：创建仿真模型和实验模型并进行比较我不明白你的问题。 “因素的敏感性”是什么意思？ 您是否想比较每个数据集中的 2 个模型？ 如果是这样的话，如@P_巴特尔表明，模型有许多特征可以进行比较（R 平方、RMSE、系数（估计值）、残差（事实上，DOE 数据中存在不寻常的残差）。简要查看这两个数据集后，我不确定您在做什么分析，但我没有得到相同的参数估计标准错误，也没有在模型中得到相同的统计显着参数。
模拟是如何创建的？ 使用什么模型进行模拟？
回复：创建仿真模型和实验模型并进行比较免责声明：我没有查看数据、模型或任何为您的问题创建的分析。
我将把我的大部分评论集中在你的第一个问题上......有很多问题和一些想法。
1. 您能分享一下目前的实际问题吗？ 我相信任何分析和结论都需要通过这个镜头来考虑和过滤，而不是仅仅查看图表、数据和统计数据。
2. 参数估计的盲数值比较是比较这两个系统的一种方法，也是唯一的一种方法。 我几乎可以保证它们会有所不同。 哎呀，再次重新运行经验实验，我几乎可以保证数字差异。 但从实际角度来看，这些差异重要吗？ 请参阅问题#1。多于。
3. 模拟数据和经验数据在因子空间内存在多少重叠？ 是否存在不一致的兴趣领域？
4. 每个响应空间内有多少重叠？ 是否存在不一致的兴趣领域？
5. 每个模型的残差空间的一致性程度是多少？ 毕竟...这是对每个模型无法解释的变化的估计...不一致的程度有问题吗？
6. 您是否尝试过对每个模型进行仿真以了解建模空间的敏感性？
我邀请其他人发表评论并添加他们的想法。 但归根结底，我认为仅查看参数估计对于“系统中发生了什么？”的看法非常非常狭隘。
