如何使用二次回歸模型評估全因子設計？你好呀，我是社區的新手，我還是 JMP 的初學者。 我有以下問題：我做了一個完整的階乘 3 ^ 3 計劃。 我得到的結果不是線性的，而是呈指數增長。 在評估“普通最小二乘”時，我只得到一個線性模型。 有沒有辦法用更高次的多項式進行回歸？ 如果是這樣，我該怎麼做？ 提前致謝。
分析美國能源部回复：如何使用二次回歸模型評估全因子設計？轉型非常普遍。 它們通常有一些物理基礎，但通常它們是合理的，因為它們在經驗建模中只是有用的。
如果 Box-Cox lambda 參數的值接近 0，那麼您也可以直接對響應應用對數轉換。 您還可以在 JMP Pro 的擬合模型啟動對話框中將擬合特性更改為廣義回歸併選擇對數正態分佈。
如果您有適用於這些因素的理論方程，您還可以定義自定義非線性模型，而無需轉換響應。 請參閱 JMP 幫助關於這個平台.
回复：如何使用二次回歸模型評估全因子設計？預測的反應將是負面的，但測量的目標是電阻。 限制為 0 並在頂部打開。 我想生產一種導電材料並在非導電材料中添加不同的填料。 從一定的填充水平開始，材料是導電的，在此之前它是絕緣體。 因此，測量值從非常低到非常高不等。 因此，我假設回歸模型必須是近似指數的。
通過 Box-Cox 轉換測量值後，測量值呈正態分佈。 轉換是允許的還是我必須調整模型？
回复：如何使用二次回歸模型評估全因子設計？哪些值為負數？ 參數估計？ 預測反應？ 為什麼不可能做出否定的回應？
響應的自然界限是什麼？ 某些情況可以通過按照您的建議轉換響應或通過使用不同的統計誤差分佈模型來解決。 普通最小二乘 (OLS) 線性回歸假設這些誤差呈正態分佈，但廣義線性模型 (GLM) 在選擇線性預測變量、平均響應的鏈接函數和誤差分佈方面提供了更大的靈活性。 你的反應的性質是什麼？
回复：如何使用二次回歸模型評估全因子設計？感謝您的快速答复。 我嘗試了因子的響應面方法並在模型中得到了輕微的改進。 但是，回歸模型估計的值也包括一些負值，這在我的實際應用中是不可能的。是否有可能對估計的目標值使用限制值？ 是否也可以選擇記錄測量值以獲得更好的模型質量？ 或者這是不允許的，它會偽造結果嗎？ 提前謝謝了。
回复：如何使用二次回歸模型評估全因子設計？我假設您的因子是使用數值數據類型和連續建模類型在數據表中定義的。 它們還應該包括與您的 DOE 定義一致的列屬性。
您可以通過運行模型表腳本或選擇分析 > 擬合模型來打開擬合模型對話框。 您可以選擇因子數據列，然後單擊宏 > 響應曲面方法。 此操作將添加二次項來模擬非線性響應。
我認為您不能僅從數據中看出響應正在呈指數級變化。 但是，您可能事先知道指數模型是合適的。 如果是，那麼您將需要定義一個自定義非線性模型並使用“非線性”平台而不是“擬合最小二乘法”來擬合它。
三個水平足以擬合每個因素或交互作用不超過兩個參數的二次線性回歸模型或指數模型。 其他成員可能會為您提供有關如何定義指數模型的進一步指導。 JMP 幫助將指導您將所選模型定義為列公式。
