很好的解釋@哈德利邁爾斯！ 實驗單元的嵌套是一個微妙的概念，但它對於正確的模型規範至關重要。
另一個微妙之處：如果 Part 列包含六個部分的唯一標識符（即 1 到 6 而不是 1 到 3），則不需要嵌套規範。 但它也不會傷害任何東西！
重複任何事情的次數足夠多，它就會變得毫無意義。 在第一行重複使用“明天”這個詞預示著著名獨白的結論，麥克白在得知他妻子的死訊後，搜索了整個時間宇宙（從“我們所有的昨天”一直到“記錄時間的最後一個音節”) 生命的意義，卻一無所獲。 多年後，安迪·沃霍爾通過證明任何圖像，無論多麼熟悉或具有標誌性，都可以通過無休止的重複而變得毫無意義，從而回應了這一主題。
許多人在他們的數據中遇到同樣的現象。 通過進行一組測量並使用單向 ANOVA 分析結果以評估組間效果的顯著性，可以輕鬆地測試治療效果。 當重複這些測量時，問題就出現了，使分析變得複雜（想想藥物試驗，在整個試驗期間每天都對受試者進行測試，或者在不同機器上生產的產品隨時間推移的性能）。
JMP 支持說明中有一篇關於此主題的精彩文章，標題為“在 JMP 軟件中分析重複測量數據”，其中討論了三種方法。 這篇文章的目的是揭開重複措施的神秘面紗單變量裂區方法。
下面的示例（圖 1）由三個部分組成，每個部分由四名操作員使用兩台機器中的一台進行測量，這些操作員將結果記錄在是. 在這種情況下，根本沒有時間變量；重複測量分量來自每個被測量的部分共四次。 在這裡，我們試圖回答是否操作員或者機器，或兩者都對價值有顯著影響是.
圖1：重複測量數據表；在兩台機器上製造三個零件（共 6 個零件），每個零件由四名操作員重複測量。
我們可以使用標準最小二乘來回答這些問題。 這樣做的方法是構建一個包含機器、操作員以及機器和操作員交互的模型。 我們還可以包括部分在模型中，以確保由於零件差異引起的任何變化都被考慮在內，而不包括在其他影響中。 將其設置為隨機變量可確保由於零件的變化不會被視為特定於這些零件，而是通常針對所有零件（參見圖 2）。 這樣，部分定義了批次裂區設計，與機器扮演難以改變的變量的角色。
圖 2：擬合模型對話框窗口。
然而，這忽略了故事的一個關鍵要素：使用機器 A 測量的三個部分與使用機器 B 測量的部分不同。它們只是在每台機器上測量的零件的順序（A 上的前三個零件，B 上的前三個零件）。 為了明確這一點，有必要巢零件在機器中，如圖 3 所示。 以這種方式設置效果可確保軟件知道“機器不同時零件不同”。
圖 3：擬合模型對話框窗口，隨機變量 Part 嵌套在 Machine 中。
效果總結（圖 4）的結果表明，不同操作員和機器的測量結果存在顯著差異。 然而，哪個操作員使用哪個機器似乎並不重要，因為兩者的交互效果高於顯著性標準（儘管我們可能會讓他們測試更多的部分以確保）。
圖 4：操作員和機器對 Y 的影響顯著（P 值低於 0.05），但兩者之間的交互作用不顯著。
通過分析您的重複測量數據JMP ，您避免了上述現象，並確保您的數據不是毫無意義的。
