混合設計的功耗計算 - 為什麼功耗這麼低？一位客戶向我介紹了這個，我不知道如何解釋。使用附表中的因素和默認的 21 次試驗，功效計算如下所示。有沒有好的解釋為什麼功率這麼低？
回复：混合設計的功率計算 - 為什麼功率如此低？不，只是主要影響（即，混合成分不能從模型中刪除）。
回复：混合設計的功率計算 - 為什麼功率如此低？唐，您關於“不能從模型中刪除非重要因素”的陳述是否也涉及高階效應（非主效應/線性混合項）？
回复：混合設計的功率計算 - 為什麼功率如此低？並添加一件事以供將來參考...... 混合物通常受到單個組分的有限比例和比例組合的限制。 這些限制極大地增加了估計的相關性，從而進一步加劇了低功效。 它看起來真的很可怕！ 但作為@唐麥考馬克和@丹_奧伯米勒已經解釋過，無論如何我們真的不關心權力。
回复：混合設計的功率計算 - 為什麼功率如此低？為了給 Don 的出色答案補充一點，功效在混合實驗中實際上並不重要，因為您不是在測試主效應係數是否為 0。 您實際上會測試主效應係數是否與數據的總體平均值不同。 這就是為什麼您不會將係數設置為 0。 它實際上是在說明係數有影響。
我實際上希望 JMP 甚至不會報告混合設計主效應的功效。 它會引起不必要的擔憂，因為您無法“解決”問題，並且考慮它是沒有意義的。
回复：混合設計的功率計算 - 為什麼功率如此低？混合設計的功效較低，因為效果高度相關。 更多相關性==更低的功效。 最終，您對混合設計的興趣是響應估計，而不是因子顯著性。 不能從模型中刪除非重要因素，否則您就沒有混合設計（即，它會破壞數學）。 對於對響應沒有影響的因素，可能發生的情況是它被設置為 0。 雖然從實際角度來看這似乎是同一件事，但從數學角度來看卻並非如此。 當使用 LASSO（或彈性網或 Ridge）擬合非混合數據時，您可以使用類似的參數來保留非顯著性。 重點是響應估計，丟棄不重要的因素實際上可能會使估計變得更糟（即誇大預測方差）。
