分析数据时的阻塞因素你好，
我的问题是如何在分析数据时阻止一个因素。
谢谢 ！
一世
数据表美国能源部回复：分析数据时的阻塞因素你的说法没有意义。 你完成了一个实验？ 你设计的实验是用阻塞的运行吗？
我可能过度简化了您的情况，但是面对复杂的技术（阻塞），您向我们提供的信息很少。 您可以将新数据列添加到数据表并填充它的值以指示给定块中的成员资格。 例如，如果数据表包含 16 个运行并且块是连续的 4 个运行，那么新列可能包含 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4、4 和 4。 选择分析 > 拟合模型。 将响应分配给 Y 角色。 选择因子列并为因子效应制定适当的术语。 确保将带有块的列添加到“效果”列表中。 默认情况下，与其他因素一样，块效应被视为固定效应。 如果要将方块视为随机效果，请在效果列表中选择方块，单击属性旁边的红色三角形，然后选择随机效果。
回复：分析数据时的阻塞因素你好，
谢谢你的解释，很抱歉没有提供那么多信息。
因此，我们运行了具有 2 个因子（X1 和 X2）和 2 个响应的全因子设计。 主要目标是最大化产量 Y1，但保持可接受的杂质水平（Y2 低于 X）。
我们在批次起始材料中有一个我们已经知道的变化，我们想考虑这种额外的变化，但不是为了将来的调查（即使它很重要，也不需要在模型中添加批次为 X3）。
根据我在 JMP cmmunity 中读到的内容，这是随机块或狐狸块之间的区别（如果我错了，请纠正我）：
- 一种固定的块被视为其他因素，默认情况下在软件中。 它显示在模型中。这意味着，我们在进行分析时考虑了 3 个因素而不是 2 个因素，但我们排除了批次的交互作用和二次效应。
- 一种随机的块，如果我们的目标是考虑由块引起的变化并且不需要对效果进行任何推断（这就是我们这里的情况），则特别使用它。这意味着，如果我在设计中包含多批原材料，我不在乎批次 A 将平均响应增加 1.5，批次 B 增加 -0.6，因为我将来不会使用这些批次。 我只希望我在设计中使用的批次能够代表我将来会遇到的原材料批次的典型变化
我们决定按照您的描述进行随机阻塞，但是， JMP 有两件奇怪的事情：
- 没有显示随机分组的方差分析表
- 同样，当我做模拟器时，随机阻塞没有缺陷率
你能帮我理解为什么缺少这些信息吗？
谢谢 ！
一世
回复：分析数据时的阻塞因素抱歉，讨论有点晚了。 我不确定我明白你在做什么？ 如果您能提供数据表对我们也有帮助，即使您想对因子和响应变量进行编码以确保机密性。 通过这种方式，我们可以尝试重现/理解您作为分析输出得到的内容。
我不明白这个说法：
我们在批次起始材料中有一个我们已经知道的变化，我们想考虑这种额外的变化，但不是为了将来的调查（即使它很重要，也不需要在模型中添加批次为 X3）。
我的想法：
1. 在我看来，您想要/需要考虑您知道可能很重要的批次间变化的传入变化？
2. 如果您知道批次之间存在差异，您是否知道它是否会影响产量？ 如果是这样，您正在采取什么措施来减少传入的批次间差异？
3. 你能测量进货批次吗？ 您认为是否有某种措施来衡量与收益相关的进货批次？ 如果是这样，为什么不将该度量视为协变量？
4. 我将提供一个不同的使用阻塞的观点...正如你所指出的，有两种方法可以处理阻塞效应，作为随机效应或作为固定效应。 对我来说，决定你使用哪个的是对哪些噪音与块混淆的理解量。 如果您对块混淆了哪些噪声变量有透彻的了解，那么更有效地使用块是作为固定效果。 当您分析模型时，您希望包括模块和所有模块逐因子交互。 事实上，最重要的影响可能是逐个因子的相互作用。 为什么，因为您希望您的因子效应在不断变化的噪声中保持一致（这是稳健的定义），这本质上意味着没有逐个因子的相互作用。
现在，如果您没有尽职尽责地确定哪些噪声因素与块混淆，那么您只能将块视为随机效应和降低均方误差的手段（这可能会提供更显着的 F -测试）。
“阻止你能做的，随机化你不能做的” GEP 盒子
阻止您可以识别的内容，随机化您无法识别的内容。
回复：分析数据时的阻塞因素谢谢您的回答！
对不起，没有很好地解释，我会尽量澄清声明：
我们的目标是最大限度地提高蛋白质产量，我们知道每种起始材料都具有不同的蛋白质浓度，并且将来不会再使用所有使用过的批次。 这就是为什么我们不关心批次 A 将平均响应增加 1.5，批次 B 增加 -0.6，因为我将来不会使用这些批次。
对于其他问题：
1. 是的，批次间差异很大。 如果可能的话，考虑这种变化的数量会很有趣，但所有的实验都已经完成，只使用了 2 个批次。
2. 我们知道批次之间存在差异，这对产量有影响。 我们对减少传入的批次间差异不感兴趣。 我们需要独立于起始蛋白质量提取最大量的蛋白质。
3. 是的，我们确实测量了起始材料中蛋白质的含量，它与产量有关。 但是，我不知道“将该度量视为协变量”是什么意思
4. 非常感谢！是的，添加确实有意义逐个因素的相互作用。
“对什么噪音与块混淆的理解量。” 如果我理解得很好，对于我们的示例，批次之间的差异是由于影响产量 (Y1) 的不同蛋白质浓度以及当然也会影响残留杂质 (Y2) 的不同杂质量。 这意味着我们必须将其视为固定的？
另一件事要提到的是，调整后的 R2 和 R2 约为 50%，这意味着我们仍然有一定数量的可变性，我们没有在模型中考虑。
对于您的陈述，“现在，如果您没有尽职尽责地确定哪些噪声因素与块混淆，那么您只能将块视为随机效应以及降低均方误差的方法（可以提供更显着的 F 检验）。 ” 我没有完全理解你所说的“降低均方误差的方法”的意思
感谢所有这些解释。
随附您将找到数据表，所以也许您可以帮助我找到最大化 Y1 同时保持 Y2 低于 70 的最佳条件 
最好的 ！
一世
回复：分析数据时的阻塞因素我知道您不会重复使用批次，但是如果您想要一个适用于未来批次的模型，您需要考虑模型中批次的变化。
如果可以测量传入的材料，则可以将该测量添加为模型中的随机变量（而不是随机块）。 然后，该模型将包括该术语以供未来预测。
https://www.jmp.com/support/help/en/16.0/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/experiments-with-covariates.shtml
对于典型模型 Y = X1 + X2 + X1*X2 + 误差
其中错误是未分配给项的所有自由度（包括 y 块效应）
但是，如果您能够分配块效应，则您的模型是：
Y = X1 + X2 + X1*X2 + 块 + 误差
由于分配了块效应，误差（均方误差）将减少，从而增加由于较大的 F 比率而产生的统计显着效应的可能性。
我简要地看了看你的桌子。 我看到你对感兴趣的列进行了颜色编码。 我认为橙色的是很多，X1 和 X2，我看到了 2 个 Y。 没有解释其他列。
对不起，但我真的没有看到设计的实验？？？ 当然不是 X1 和 X2 上的阶乘。
您可以使用回归来查看是否存在任何关系？ 快速查看数据还表明您有一些不寻常的数据点。 尝试 Y1 的 Boosted Tree 和 Y2 的 Neural Boosted。
回复：分析数据时的阻塞因素嘿斯塔曼，
非常感谢您的反馈！ 现在更清楚了。 我已经更新了数据表（前一个是错误的）。
我们考虑了一个全因子设计，每个批次有两个因子（X1 和 X2）和两个响应（Y1 和 Y2）。 对于每个批次，一式三份进行一个额外的实验（实验“参考”）。
我的统计知识非常有限，我不明白为什么我们需要执行 Boosted 和 Neural Boosted 树。
