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 ！
我
可靠性分析回复：分析数据时的阻塞因素嘿斯塔特曼，
非常感谢您的反馈！ 现在更清楚了。 我已经更新了数据表（之前的数据表是错误的）。
我们考虑了每批次具有两个因子（X1 和 X2）和两个响应（Y1 和 Y2）的全因子设计。 对于每个批次，一式三份地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增强树和神经增强树。
回复：分析数据时的阻塞因素我知道您不会重复使用批次，但如果您想要一个适用于未来批次的模型，则需要考虑模型中批次的变化。
如果可以测量传入的材料，您可以将该测量结果添加为模型中的随机变量（而不是随机块）。 然后，模型将包含该术语以用于未来的预测。
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
其中误差是未分配给项的所有自由度（包括 ay 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 + 错误
由于分配了块效应，因此误差（均方误差）将减少，从而增加由于 F 比较大而产生统计显着效应的可能性。
我简单地看了一眼你的桌子。 我看到您对感兴趣的列进行了颜色编码。 我认为橙色的是批次，X1 和 X2，我看到 2 个 Y。 其他列均未解释。
抱歉，我真的没有看到设计好的实验？？？ 当然不是 X1 和 X2 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谢谢您的回答！
抱歉，没有很好地解释，我会尽力澄清声明：
我们的目标是最大化蛋白质产量，我们知道每种起始材料都会有不同的蛋白质浓度，而且每个使用过的批次将来都不会再使用。 这就是为什么我们不关心批次 A 使平均响应增加 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，批次之间的差异很大。 如果可能的话，解释这种变化的数量将会很有趣，但所有实验都已经完成，并且只使用了 2 批。
2. 我们知道批次之间存在差异，并且它对良率有影响。 我们对减少批次之间的差异不感兴趣。 我们需要提取最大量的蛋白质，而与起始蛋白质量无关。
3. 是的，我们确实测量了起始材料中的蛋白质含量，它与产量有关。 但是，我不知道“将该指标视为协变量”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。
“对哪些噪声与块相混淆的理解程度。” 如果我理解得很好，对于我们的例子，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）的杂质含量不同造成的。 这意味着我们必须将其视为固定的？
另一件值得一提的是，R2 和调整后的 R2 约为 50%，这意味着我们仍然存在一定程度的变异性，而这些变异性是我们在模型中没有考虑到的。
对于你的陈述，“现在，如果你还没有尽职调查确定哪些噪声因素与块混淆，那么你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。
您将在附件中找到数据表，因此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 ！
我
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吗？ 如果您可以提供数据表，即使您想对因子和响应变量进行编码以确保机密性，也会对我们有所帮助。 这样我们就可以尝试重现/理解您所得到的分析输出。
我不明白这个说法：
我们已经知道批次起始材料存在差异，我们希望考虑这种额外变量，但不用于未来的调查（即使很重要，也无需在模型中将批次添加为 X3）。
我的想法：
1. 在我看来，您希望/需要考虑您知道可能很重要的批次间差异的传入差异？
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良率？ 如果确实如此，您正在采取哪些措施来减少批次之间的差异？
3.你能测量进货批次吗？ 您认为是否有某种与产量相关的进货批次衡量标准？ 如果是这样，为什么不将该度量视为协变量呢？
4.我将提供使用阻塞的不同观点...正如您所指出的，有两种方法可以处理阻塞效应，即随机效应或固定效应。 对我来说，决定你使用哪个的是对哪些噪声与块混淆的理解程度。 如果您对哪些噪声变量与该块混淆有透彻的了解，那么更有效地使用该块就是作为固定效果。 当您分析模型时，您希望包括模块以及所有逐因子的交互。 事实上，最重要的影响可能是逐个因素的相互作用。 为什么，因为你希望你的因子效应在变化的噪声中保持一致（这是稳健的定义），这本质上意味着不存在逐个因子的相互作用。
现在，如果您还没有尽职调查确定哪些噪声因素与块混杂，那么您只能将块视为随机效应和降低均方误差的方法（这可能会提供更显着的 F -测试）。
“阻止你能阻止的，随机化你不能阻止的”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你好，
感谢您的解释，并很抱歉没有提供那么多信息。
因此，我们运行了包含 2 个因子（X1 和 X2）和 2 个响应的完整因子设计。 主要目标是最大化 Y1 的产量，但保持可接受的杂质水平（Y2 低于 70）。
我们的批次间起始材料存在显着差异。
根据我在JMP cmmunity中读到的内容，这是随机块和固定块之间的区别（如果我错了，请纠正我）：
- A固定的默认情况下，软件中会像其他因素一样对待块。 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，但我们排除了批次的交互效应和二次效应。
- A随机的如果我们的目标是考虑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 A 批将平均响应增加 1.5，B 批增加 -0.6，因为我将来不会使用这些批。 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
正如您所描述的，我们决定采用随机阻塞，但是， JMP 有两个奇怪的事情：
- 没有显示随机分组的方差分析表
- 另外，当我做模拟器时，随机阻塞没有缺陷率
您能帮我理解为什么缺少这些信息吗？
谢谢 ！
我
回复：分析数据时的阻塞因素你的说法没有道理。 你完成了一个实验吗？ 您设计的实验是分批运行的吗？
我可能过度简化了你的情况，但面对复杂的技术（阻塞），你给我们的信息非常少。 您可以向数据表添加新数据列并填充其值以指示给定块中的成员资格。 例如，如果数据表包含 16 个游程，并且块是连续 4 个游程，则新列可能包含 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4、4、4。 选择分析 > 拟合模型。 将答案分配给 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。 如果要将块视为随机效果，请在“效果”列表中选择该块，单击“属性”旁边的红色三角形，然后选择“随机效果”。
