具有二元结果的因子设计的解释你好！
我正在努力解释具有 4 个元素的因子设计。 在我尝试使用两种元素进行实验之前，结果很简单。
在附件中，您可以看到我的 jmp 数据集文件和实验。
通过删除不显着的元素，我得出的结论是，只有 C 和 В 是显着的，具有负面影响。
我的结论正确吗？
Rsquare 值非常低，但元素的卡方值很重要。
也许实验动力不足，需要更大的样本量？
附言。
抱歉新手问题，我还在学习。 
一般来说，当我将因子设计的程度从完全降低到 2 程度或从模型中删除一些变量时，尝试解释不同的 DoE 实验时，同一变量的影响有时会显着变化到相反的方向。
在这种情况下，我是否需要考虑误读率来选择模型？
那么是否有义务对获胜变量进行后续实验，或者您可以直接发送它？ 这里的方法是什么？
您能给我指点一篇文章或一本书，其中包含如何解释二进制 DoE 结果的结构化方法吗？
谢谢
实验设计分享和交流结果回复：二元结果的因子设计的解释您的情况，将 C 从 0 更改为 1，同时将 D 保持为 1，这不是交互的示例。 这只是改变C的条件效应。
回复：二元结果的因子设计的解释除了 p 值和其他统计指标之外，您对相关流程的了解还能告诉您什么？ 过程知识优先于统计数据……如果从对系统的物理理解中相互作用是有意义的……那么除非有一些令人讨厌或噪音的变量跳出来并影响实验……用你的知识去吧。
也许您可以分享实际的实验和响应数据以及您的分析？ 我们也许可以提供其他想法。
哦，没关系...我刚刚看到你实际上与我们分享了实验和分析。
回复：二元结果的因子设计的解释谢谢你！ 我会尝试一下。
我知道，如果存在显着的交互效应，那么我们应该将其包含在模型中，即使其中一个主要效应可能并不显着。 事实就是如此。 但是我们如何解释这样一个事实：当 С 为 0 水平且 D 为 1 时，我们的成功率下降了 50%，而 В 并不显着。
然而，当 С 和 D 都处于 1 级时，它们的成功率提高了 20%。
回复：二元结果的因子设计的解释我认为逻辑回归或二项式 GLM 都可用于确定显着影响并解释这些影响的性质。
下的功率分析平台DOE > 设计诊断 > 功效和样本大小不是多因素实验的最佳工具。当存在多个因素时，这些功效分析工具并不合适，因为结果过于乐观，因为它们没有考虑估计和测试其他影响所需的样本量。
我一般建议使用设计评估 > 功耗分析每个设计平台中都提供了工具。 您可以阅读有关此功能的更多信息这里。 但请注意，该工具假设有连续响应。 用于二元响应的单独功率分析工具只能适应一个因素。 您必须假设结果是最好的情况，并以某种方式建立保证金。
回复：二元结果的因子设计的解释感谢你的回复！
抱歉，我错误地命名了 successes 列，它应该有一个名称 count。 如果我正确理解你的问题。
那么，使用名义 Logistic 回归来定义显着变量并使用二项式 GLM 来解释其效应大小是否更好？
关于功效分析，在这种情况下，如果我们只有 2 个水平，那么我们可以像 OFAT（A/B 实验）一样计算样本量，如果我们想要检测 20% 的效果，总共将产生 80K 次试验以目前的控制成功率。 这比我在数据集中的数据 (20K) 还要多。 所以也许需要更大的样本量。
根据这些结果你会得出什么结论？
回复：二元结果的因子设计的解释也许马克的 Probit 分析是正确的。 我不知道。 我还看到马克看到了一些需要解决的数据问题。
我注意到的是，成功的可能性极低。 任何实验条件下成功的最高概率为 0.006。 这会导致一个问题，因为我什至不需要考虑你的因素。 如果我总是预测失败，那么我至少在 99.4% 的情况下是正确的。 这是一个非常好的模型。 它的信息不是很多，但是很好。 这会给任何建模方法带来问题。
我认为你应该纠正数据问题并重新思考分析方法以及你要从分析中寻找什么信息。 祝你好运。
回复：二元结果的因子设计的解释第三次是魅力吗？
概率分析有效，但结果实际上是相同的。
另外，你的数据没有任何问题 - 我的错。
R 方较低的部分原因是您的结果（成功比例）很少见，并且随着条件的变化计数不会有太大差异。
回复：二元结果的因子设计的解释首先，即使存在显着关系，二元响应通常也会导致 R 方非常低。 这只是意味着在给定条件下的预测结果存在很大的不确定性。 这可能是由于不合适，但同样，这种反应很常见。
