分析數據時的阻塞因素你好，
我的問題是如何在分析數據時阻止一個因素。
謝謝 ！
一世
數據表美國能源部回复：分析數據時的阻塞因素你的說法沒有意義。 你完成了一個實驗？ 你設計的實驗是用阻塞的運行嗎？
我可能過度簡化了您的情況，但是面對複雜的技術（阻塞），您向我們提供的信息很少。 您可以向數據表中添加一個新數據列並填充它的值以指示給定塊中的成員資格。 例如，如果數據表包含 16 個運行並且塊是連續的 4 個運行，那麼新列可能包含 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4、4 和 4。 選擇分析 > 擬合模型。 將響應分配給 Y 角色。 選擇因子列並為因子效應制定適當的術語。 確保將帶有塊的列添加到“效果”列表中。 默認情況下，與其他因素一樣，塊效應被視為固定效應。 如果要將方塊視為隨機效果，請在效果列表中選擇方塊，單擊屬性旁邊的紅色三角形，然後選擇隨機效果。
回复：分析數據時的阻塞因素你好，
謝謝你的解釋，很抱歉沒有提供那麼多信息。
因此，我們運行了具有 2 個因子（X1 和 X2）和 2 個響應的全因子設計。 主要目標是最大化產量 Y1，但保持可接受的雜質水平（Y2 低於 X）。
我們在批次起始材料中有一個我們已經知道的變化，我們想考慮這種額外的變化，但不是為了將來的調查（即使它很重要，也不需要在模型中添加批次為 X3）。
根據我在 JMP cmmunity 中讀到的內容，這是隨機塊或狐狸塊之間的區別（如果我錯了，請糾正我）：
- 一種固定的塊被視為其他因素，默認情況下在軟件中。 它顯示在模型中。這意味著，我們在進行分析時考慮了 3 個因素而不是 2 個因素，但我們排除了批次的交互作用和二次效應。
- 一種隨機的塊，如果我們的目標是考慮由塊引起的變化並且不需要對效果進行任何推斷（這就是我們的情況），則特別使用它。這意味著，如果我在設計中包含多批原材料，我不在乎批次 A 將平均響應增加 1.5，批次 B 增加 -0.6，因為我將來不會使用這些批次。 我只希望我在設計中使用的批次能夠代表我將來會遇到的原材料批次的典型變化
我們決定按照您的描述進行隨機阻塞，但是， JMP 有兩件奇怪的事情：
- 沒有顯示隨機分組的方差分析表
- 同樣，當我做模擬器時，隨機阻塞沒有缺陷率
你能幫我理解為什麼缺少這些信息嗎？
謝謝 ！
一世
回复：分析數據時的阻塞因素抱歉，討論有點晚了。 我不確定我明白你在做什麼？ 如果您能提供數據表對我們也有幫助，即使您想對因素和響應變量進行編碼以確保機密性。 通過這種方式，我們可以嘗試重現/理解您作為分析輸出得到的內容。
我不明白這個說法：
我們在批次起始材料中有一個我們已經知道的變化，我們想考慮這種額外的變化，但不是為了將來的調查（即使它很重要，也不需要在模型中添加批次為 X3）。
我的想法：
1. 在我看來，您想要/需要考慮您知道可能很重要的批次間變化的傳入變化？
2. 如果您知道批次之間存在差異，您是否知道它是否會影響產量？ 如果是這樣，您正在採取什麼措施來減少傳入的批次間差異？
3. 你能測量進貨批次嗎？ 您認為是否有某種措施來衡量與收益相關的進貨批次？ 如果是這樣，為什麼不將該度量視為協變量？
4. 我將提供一個不同的使用阻塞的觀點...正如你所指出的，有兩種方法可以處理阻塞效應，作為隨機效應或作為固定效應。 對我來說，決定你使用哪個的是對哪些噪音與塊混淆的理解量。 如果您對塊混淆了哪些噪聲變量有透徹的了解，那麼更有效地使用塊是作為固定效果。 當您分析模型時，您希望包括模塊和所有模塊逐因子交互。 事實上，最重要的影響可能是逐個因子的相互作用。 為什麼，因為您希望您的因子效應在不斷變化的噪聲中保持一致（這是穩健的定義），這本質上意味著沒有逐個因子的相互作用。
現在，如果您沒有盡職盡責地確定哪些噪聲因素與塊混淆，那麼您只能將塊視為隨機效應和降低均方誤差的手段（這可能會提供更顯著的 F -測試）。
“阻止你能做的，隨機化你不能做的” GEP 盒子
阻止您可以識別的內容，隨機化您無法識別的內容。
回复：分析數據時的阻塞因素謝謝您的回答！
對不起，沒有很好地解釋，我會盡量澄清聲明：
我們的目標是最大限度地提高蛋白質產量，我們知道每種起始材料都具有不同的蛋白質濃度，並且將來不會再使用所有使用過的批次。 這就是為什麼我們不關心批次 A 將平均響應增加 1.5，批次 B 增加 -0.6，因為我將來不會使用這些批次。
對於其他問題：
1. 是的，批次間差異很大。 如果可能的話，考慮這種變化的數量會很有趣，但所有的實驗都已經完成，只使用了 2 個批次。
2. 我們知道批次之間存在差異，這對產量有影響。 我們對減少傳入的批次間差異不感興趣。 我們需要獨立於起始蛋白質量提取最大量的蛋白質。
3. 是的，我們確實測量了起始材料中蛋白質的含量，它與產量有關。 但是，我不知道“將該度量視為協變量”是什麼意思
4. 非常感謝！是的，添加確實有意義逐個因素的相互作用。
“對什麼噪音與塊混淆的理解量。” 如果我理解得很好，對於我們的示例，批次之間的差異是由於影響產量 (Y1) 的不同蛋白質濃度以及當然也會影響殘留雜質 (Y2) 的不同數量的雜質。 這意味著我們必須將其視為固定的？
另一件事要提到的是，調整後的 R2 和 R2 約為 50%，這意味著我們仍然有一定數量的可變性，我們沒有在模型中考慮。
對於您的陳述，“現在，如果您沒有盡職盡責地確定哪些噪聲因素與塊混淆，那麼您只能將塊視為隨機效應以及降低均方誤差的方法（可以提供更顯著的 F 檢驗）。 ” 我沒有完全理解你所說的“降低均方誤差的方法”的意思
感謝所有這些解釋。
隨附您將找到數據表，所以也許您可以幫助我找到最大化 Y1 同時保持 Y2 低於 70 的最佳條件 
最好的 ！
一世
回复：分析數據時的阻塞因素我知道您不會重複使用批次，但是如果您想要一個適用於未來批次的模型，您需要考慮模型中批次的變化。
如果可以測量傳入的材料，則可以將該測量添加為模型中的隨機變量（而不是隨機塊）。 然後，該模型將包括該術語以供未來預測。
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
對於典型模型 Y = X1 + X2 + X1*X2 + 誤差
其中錯誤是未分配給項的所有自由度（包括 y 塊效應）
但是，如果您能夠分配塊效應，則您的模型是：
Y = X1 + X2 + X1*X2 + 塊 + 誤差
由於分配了塊效應，誤差（均方誤差）將減少，從而增加由於較大的 F 比率而產生的統計顯著效應的可能性。
我簡要地看了看你的桌子。 我看到你對感興趣的列進行了顏色編碼。 我認為橙色的是很多，X1 和 X2，我看到了 2 個 Y。 沒有解釋其他列。
對不起，但我真的沒有看到設計的實驗？？？ 當然不是 X1 和 X2 上的階乘。
您可以使用回歸來查看是否存在任何關係？ 快速查看數據還表明您有一些不尋常的數據點。 嘗試 Y1 的 Boosted Tree 和 Y2 的 Neural Boosted。
回复：分析數據時的阻塞因素嘿斯塔曼，
非常感謝您的反饋！ 現在更清楚了。 我已經更新了數據表（前一個是錯誤的）。
我們考慮了一個全因子設計，每個批次有兩個因子（X1 和 X2）和兩個響應（Y1 和 Y2）。 對於每個批次，一式三份進行一個額外的實驗（實驗“參考”）。
我的統計知識非常有限，我不明白為什麼我們需要執行 Boosted 和 Neural Boosted 樹。
