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 ！
我
可靠性分析回复：分析數據時的阻塞因素嘿斯塔特曼，
非常感謝您的反饋！ 現在更清楚了。 我已經更新了數據表（之前的數據表是錯誤的）。
我們考慮了每批次具有兩個因子（X1 和 X2）和兩個響應（Y1 和 Y2）的全因子設計。 對於每個批次，一式三份地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增強樹和神經增強樹。
回复：分析數據時的阻塞因素我知道您不會重複使用批次，但如果您想要一個適用於未來批次的模型，則需要考慮模型中批次的變化。
如果可以測量傳入的材料，您可以將該測量結果添加為模型中的隨機變量（而不是隨機塊）。 然後，模型將包含該術語以用於未來的預測。
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
其中誤差是未分配給項的所有自由度（包括 ay 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 + 錯誤
由於分配了塊效應，因此誤差（均方誤差）將減少，從而增加由於 F 比較大而產生統計顯著效應的可能性。
我簡單地看了一眼你的桌子。 我看到您對感興趣的列進行了顏色編碼。 我認為橙色的是批次，X1 和 X2，我看到 2 個 Y。 其他列均未解釋。
抱歉，我真的沒有看到設計好的實驗？？？ 當然不是 X1 和 X2 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謝謝您的回答！
抱歉，沒有很好地解釋，我會盡力澄清聲明：
我們的目標是最大化蛋白質產量，我們知道每種起始材料都會有不同的蛋白質濃度，而且每個使用過的批次將來都不會再使用。 這就是為什麼我們不關心批次 A 使平均響應增加 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，批次之間的差異很大。 如果可能的話，解釋這種變化的數量將會很有趣，但所有實驗都已經完成，並且只使用了 2 批。
2. 我們知道批次之間存在差異，並且它對良率有影響。 我們對減少批次之間的差異不感興趣。 我們需要提取最大量的蛋白質，而與起始蛋白質量無關。
3. 是的，我們確實測量了起始材料中的蛋白質含量，它與產量有關。 但是，我不知道“將該指標視為協變量”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。
“對哪些噪聲與塊相混淆的理解程度。” 如果我理解得很好，對於我們的例子，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）的雜質含量不同造成的。 這意味著我們必須將其視為固定的？
另一件值得一提的是，R2 和調整後的 R2 約為 50%，這意味著我們仍然存在一定程度的變異性，而這些變異性是我們在模型中沒有考慮到的。
對於你的陳述，“現在，如果你還沒有盡職調查確定哪些噪聲因素與塊混淆，那麼你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。
您將在附件中找到數據表，因此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 ！
我
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嗎？ 如果您可以提供數據表，即使您想對因子和響應變量進行編碼以確保機密性，也會對我們有所幫助。 這樣我們就可以嘗試重現/理解您所得到的分析輸出。
我不明白這個說法：
我們已經知道批次起始材料存在差異，我們希望考慮這種額外變量，但不用於未來的調查（即使很重要，也無需在模型中將批次添加為 X3）。
我的想法：
1. 在我看來，您希望/需要考慮您知道可能很重要的批次間差異的傳入差異？
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良率？ 如果確實如此，您正在採取哪些措施來減少批次之間的差異？
3.你能測量進貨批次嗎？ 您認為是否有某種與產量相關的進貨批次衡量標準？ 如果是這樣，為什麼不將該度量視為協變量呢？
4.我將提供使用阻塞的不同觀點...正如您所指出的，有兩種方法可以處理阻塞效應，即隨機效應或固定效應。 對我來說，決定你使用哪個的是對哪些噪聲與塊混淆的理解程度。 如果您對哪些噪聲變量與該塊混淆有透徹的了解，那麼更有效地使用該塊就是作為固定效果。 當您分析模型時，您希望包括模塊以及所有逐因子的交互。 事實上，最重要的影響可能是逐個因素的相互作用。 為什麼，因為你希望你的因子效應在變化的噪聲中保持一致（這是穩健的定義），這本質上意味著不存在逐個因子的相互作用。
現在，如果您還沒有盡職調查確定哪些噪聲因素與塊混雜，那麼您只能將塊視為隨機效應和降低均方誤差的方法（這可能會提供更顯著的 F -測試）。
“阻止你能阻止的，隨機化你不能阻止的”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你好，
感謝您的解釋，並很抱歉沒有提供那麼多信息。
因此，我們運行了包含 2 個因子（X1 和 X2）和 2 個響應的完整因子設計。 主要目標是最大化 Y1 的產量，但保持可接受的雜質水平（Y2 低於 70）。
我們的批次間起始材料存在顯著差異。
根據我在JMP cmmunity中讀到的內容，這是隨機塊和固定塊之間的區別（如果我錯了，請糾正我）：
- A固定的默認情況下，軟件中會像其他因素一樣對待塊。 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，但我們排除了批次的交互效應和二次效應。
- A隨機的如果我們的目標是考慮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 A 批將平均響應增加 1.5，B 批增加 -0.6，因為我將來不會使用這些批。 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
正如您所描述的，我們決定採用隨機阻塞，但是， JMP 有兩個奇怪的事情：
- 沒有顯示隨機分組的方差分析表
- 另外，當我做模擬器時，隨機阻塞沒有缺陷率
您能幫我理解為什麼缺少這些信息嗎？
謝謝 ！
我
回复：分析數據時的阻塞因素你的說法沒有道理。 你完成了一個實驗嗎？ 您設計的實驗是分批運行的嗎？
我可能過度簡化了你的情況，但面對複雜的技術（阻塞），你給我們的信息非常少。 您可以向數據表添加新數據列並填充其值以指示給定塊中的成員資格。 例如，如果數據表包含 16 個遊程，並且塊是連續 4 個遊程，則新列可能包含 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4 、4、4。 選擇分析 > 擬合模型。 將答案分配給 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。 如果要將塊視為隨機效果，請在“效果”列表中選擇該塊，單擊“屬性”旁邊的紅色三角形，然後選擇“隨機效果”。
