具有二元結果的因子設計的解釋你好！
我正在努力解釋具有 4 個元素的因子設計。 在我嘗試使用兩種元素進行實驗之前，結果很簡單。
在附件中，您可以看到我的 jmp 資料集檔案和實驗。
透過刪除不顯著的元素，我得出的結論是，只有 C 和 В 是顯著的，具有負面影響。
我的結論正確嗎？
Rsquare 值非常低，但元素的卡方值很重要。
也許實驗動力不足，需要更大的樣本數？
附言。
抱歉新手問題，我還在學習。 
一般來說，當我將因子設計的程度從完全降低到 2 程度或從模型中刪除一些變數時，嘗試解釋不同的 DoE 實驗時，相同變數的影響有時會顯著變化到相反的方向。
在這種情況下，我是否需要考慮誤讀率來選擇模型？
那麼是否有義務對獲勝變數進行後續實驗，或者您可以直接發送它？ 這裡的方法是什麼？
您能給我指點一篇文章或一本書，其中包含如何解釋二進位 DoE 結果的結構化方法嗎？
謝謝
實驗設計分享和交流成果回覆：二元結果的因子設計的解釋您的情況，將 C 從 0 更改為 1，同時將 D 保持為 1，這不是互動的範例。 這只是改變C的條件效應。
回覆：二元結果的因子設計的解釋除了 p 值和其他統計指標之外，您對相關流程的了解還能告訴您什麼？ 過程知識優先於統計數據……如果從對系統的物理理解中相互作用是有意義的……那麼除非有一些令人討厭或噪音的變量跳出來並影響實驗……用你的知識去吧。
也許您可以分享實際的實驗和反應數據以及您的分析？ 我們也許可以提供其他想法。
哦，沒關係...我剛剛看到你實際上與我們分享了實驗和分析。
回覆：二元結果的因子設計的解釋謝謝你！ 我會嘗試一下。
我知道，如果存在顯著的交互效應，那麼我們應該將其包含在模型中，即使其中一個主要效應可能並不顯著。 事實就是如此。 但我們如何解釋這樣一個事實：當 С 為 0 水平且 D 為 1 時，我們的成功率下降了 50%，而 В 並不顯著。
然而，當 С 和 D 都處於 1 級時，它們的成功率提高了 20%。
回覆：二元結果的因子設計的解釋我認為邏輯迴歸或二項式 GLM 都可用於確定顯著影響並解釋這些影響的性質。
下的功率分析平台DOE > 設計診斷 > 效能與樣本大小不是多因素實驗的最佳工具。當存在多個因素時，這些功效分析工具並不合適，因為結果過於樂觀，因為它們沒有考慮估計和測試其他影響所需的樣本量。
我一般建議使用設計評估 > 功耗分析每個設計平台中都提供了工具。 您可以閱讀有關此功能的更多信息這裡。 但請注意，該工具假設有連續響應。 用於二元響應的單獨功率分析工具只能適應一個因素。 您必須假設結果是最好的情況，並以某種方式建立保證金。
回覆：二元結果的因子設計的解釋感謝你的回覆！
抱歉，我錯誤地命名了 successes 列，它應該有一個名稱 count。 如果我正確理解你的問題。
那麼，使用名目 Logistic 迴歸來定義顯著變數並使用二項式 GLM 來解釋其效應大小是否更好？
關於功效分析，在這種情況下，如果我們只有 2 個水平，那麼我們可以像 OFAT（A/B 實驗）一樣計算樣本量，如果我們想要檢測 20% 的效果，總共將產生 80K 次試驗以目前的控製成功率。 這比我在資料集中的資料 (20K) 還要多。 所以也許需要更大的樣本數。
根據這些結果你會得到什麼結論？
回覆：二元結果的因子設計的解釋也許馬克的 Probit 分析是正確的。 我不知道。 我還看到馬克看到了一些需要解決的數據問題。
我注意到的是，成功的可能性極低。 任何實驗條件下成功的最高機率為 0.006。 這會導致一個問題，因為我甚至不需要考慮你的因素。 如果我總是預測失敗，那麼我至少在 99.4% 的情況下是正確的。 這是一個非常好的模型。 它的資訊不是很多，但是很好。 這會為任何建模方法帶來問題。
我認為你應該糾正數據問題並重新思考分析方法以及你要從分析中尋找什麼資訊。 祝你好運。
回覆：二元結果的因子設計的解釋第三次是魅力嗎？
機率分析有效，但結果實際上是相同的。
另外，你的數據沒有任何問題 - 我的錯。
R 方較低的部分原因是您的結果（成功比例）很少見，並且隨著條件的變化計數不會有很大差異。
回覆：二元結果的因子設計的解釋首先，即使存在顯著關係，二元反應通常也會導致 R 方非常低。 這只是意味著在給定條件下的預測結果存在很大的不確定性。 這可能是由於不合適，但同樣，這種反應很常見。
