具有多个响应的响应面分析亲爱的大家，
在运行具有响应面（服装设计师制作）设计的大型 DoE 之后，出现了几个问题，如果有人可以在这里帮助我，那就太好了？ 我是 JMP 和 DoE 的新用户，但愿意学习。
1) 我们测量了不同的响应（半径、分散度和熔点）具有相同的因素（盐、pH、糖）。 当我评估一组因素如何影响不同的响应时，这里的显着性如何计算？
这是如何相互结合的？
2）我还发现了不重要的主要因素，但是这些因素与另一个主要因素再次处于二阶。 我应该保留二阶项并丢弃不重要的主要因素吗？ 这对模型有何影响？
3）我如何才能看到我有合理的数据（除了缺乏拟合）并且可以问心无愧地评估它？ 我如何才能看出我可以信任欲望函数？
4) 我能否确定响应值是否相互关联（例如熔点与半径）？
5) 我已经使用定制设计器测量了响应曲面设计。 我可以预测超出测量范围的值吗？ 我如何看到数据中的此类趋势，这些趋势为我提供了应该再次增加或减少因素以获得最佳结果的信息。
6) 使用自定义设计器菜单完成设置后，如何重新定义响应值的限制？
7) 我在哪里可以学习如何同时评估多个响应值以及它与单独评估它们的区别。
非常感谢您的帮助！
分析美国能源部视窗回复：具有多个响应的响应面分析您所有问题的答案几乎可以填满一本关于 DOE 的基本书籍。 我的建议是暂停你的工作，并在免费的 SAS“解决工业问题的统计思维”课程中完成所有与 DOE 和建模相关的模块。 那里涵盖了您的所有问题（以及您没有特别询问的许多主题）。
回复：具有多个响应的响应面分析- 为每个响应分别选择最佳模型。 将最佳模型保存为列公式。 将它们与 Graph > Profilers > Profiler 结合起来。
- 是的，强烈建议您在对响应数据使用线性模型时保持“模型层次结构”。 因此，如果您决定包含 A*B 项，那么您应该同时包含 A 项和 B 项，而不管它们的重要性如何。
- 两个问题：
- 在每个响应的模型选择期间使用残差分析。 另外，您是否执行过模型验证运行？
- 您对合意性函数的信任取决于您对有关响应限制和响应目标的决定的信任。
- 当然。
- 两个问题：
- 您可以预测超出因子范围。 这种预测形式称为外推法。 这是有风险的。 JMP 将调整预测均值响应的置信区间，但 JMP 假定模型在因子范围外有效。 只有你知道假设是否合理。
- 当您有多个响应和因素时，预测刻画器是最好的工具。
- 有两种方法：
- 从数据表中，使用以下方法之一：
- 单击列面板中响应名称后面的星号图标，然后选择响应限。 更新信息并单击确定。
- 选择响应列，选择Cols > Column Info，在属性列表中选择Response Limits，更新信息，点击OK。
- 在预测刻画器中，在 Windows 上按住 Control 键，在 Mac 上按住 Command 键，单击意愿函数图，更新信息并单击确定。 然后单击“预测刻画器”旁边的红色三角形，如果要保持更新，请选择“意愿”>“保存意愿”。
- 使用 JMP 帮助查看探查器指导。
回复：具有多个响应的响应面分析根据您的提问，我同意皮特的观点，即您应该在浪费资源之前研究该主题。 我的意思是在您理解一阶模型之前从通常是优化类型设计的响应曲面开始，并且对与这种情况相关的噪声有透彻的了解是低效且通常无效的。
马克的回答当然是正确的。 我将添加一些想法以供考虑：
1.你描述的情况其实是常态。 我们生活在一个多元的世界。 跨多个响应变量的优化肯定存在平衡。 您应该运行分析>多变量方法>多变量（将所有 Y 放入）。 这将给出 Pearson 相关系数，更重要的是给出响应变量之间图形关系的散点图矩阵。 这也是问题4的答案。
2. 关于层次结构......这样想......如果有一个你想利用的积极互动，你肯定会想要管理那个互动中的两个因素。 当然，如果您设置其中一个（比如 A），那么您只需要根据 A 的设置来管理另一个（B）。 将不显着的主效应添加到模型中可能会导致您的 R-Square 和 R-Square 调整后的增量更大，并且可能会降低您的 p 值，但更重要的是模型是现实的。
3.啊，有道理……我分析所有数据的第一步是确定结果是否有任何实际价值。 响应变量在研究中的变化是否足以保证进行统计评估（我称之为实际意义）？ 实验空间是否代表未来条件（推理空间问题）？ 如果不是，外推法肯定是可疑的。 实验过程中如何处理噪音（未专门处理的因素）？
您可以使用 R-Square 统计量（强调 R-Square Adjusted 的增量）、RMSE、CV（跨多个 Y）、p 值和残差分析来指导模型构建。
