親愛なるJMP-コミュニティ、
プロセスを最適化したい。 5つの因子（X1〜X5）があり、そのうちの1つは変更が難しい因子（X3）と10の応答変数（Y1〜Y10）です。 応答は、訓練された感覚パネル（8〜11人の評価者）で測定されます。 各評価者は、プロット全体（=日）ごとに3つのサンプルを評価できます。 評価者は、構造化されていないラインスケール（0 =最低強度、100 =最高強度）を使用して、定義された属性（=応答）の強度を評価します。
27の処理を使用してカスタム分割プロットRSMデザインを作成しました。 各評価者は27の治療すべてを評価しています（したがって、より正確な結果を得るために、各治療は複数回評価されます）。 モデルをフィッティングするために、処理にサンプルという名前を付け、モデルの変量効果として使用しました（したがって、8〜10のデータポイントを持つ27のサンプルがあります（異なる評価者によるサンプルの評価）、合計224回の実行）。
モデルを次のように適合させました。
フィットモデル（
Y（：Y1）、
効果（：X1、：X2、：X3、：X4、：X5）、
変量効果（：プロット全体、：サンプル、：評価者）、
NoBounds（1）、
パーソナリティ（ "標準最小二乗"）、
Method（ "REML"）、
強調（「最小限のレポート」）
）;
初めてのデザインなので、自分のデザインやモデルが正しいかどうかわかりません。 モデルを正しく設定しましたか？ そして、正規分布は、前述のようにモデルに適合するのに十分に満たされていますか？
エラーはありますか、それとも改善のための提案がありますか？
設計と設計評価（pdfファイル）とデータ（jmpファイル）を添付しました。
ご協力いただきありがとうございます！
わお。 これは非常に複雑な例です。 データのモデル化方法に問題はありません。
回答は0と100で制限されているため、厳密に言えば、質問で提案したように、正規分布でモデル化するべきではありません。 正規分布では、値は負の無限大から正の無限大までの任意の値を取ることができると想定しています。 実際には、正規分布に実際には従わない多くの応答を有効にモデル化できます。正規分布は、多くの場合、十分な近似値です。 あなたの場合、応答がほとんどこれらの範囲内で十分に分布していることを考えると、正規分布は依然として有用なモデルです。 ただし、モデルからの予測が0未満または100を超える場合は、Fit Modelの応答変数にLogitPct変換を使用することでこれを回避できます。これは、％スケールの応答に一般的に使用されます（例：％yield）。 。 しかし、これがあなたの場合に大きな違いをもたらすとは思わない。
