如何使用二次回归模型评估全因子设计？你好呀，我是社区新手，而且在 JMP 方面还是个新手。 我有以下问题：我做了一个完整的阶乘 3 ^ 3 计划。 我得到的结果不是线性的，而是呈指数增长的。 在评估“普通最小二乘法”时，我只得到一个线性模型。 有没有办法用更高次数的多项式进行回归？ 如果是这样，我该怎么办？ 提前致谢。
消费者和市场研究分享和交流结果回复：如何使用二次回归模型评估全因子设计？转变是很常见的。 它们通常有一些物理基础，但通常它们是合理的，因为它们在经验建模中非常有用。
如果 Box-Cox lambda 参数的值接近 0，那么您也可以直接对响应应用对数变换。 您还可以将 JMP Pro 中“拟合模型”启动对话框中的拟合特性更改为广义回归，并选择对数正态分布。
如果您有适用于这些因素的理论方程，则还可以定义自定义非线性模型，而无需转换响应。 请参阅 JMP 帮助了解以下内容这个平台。
回复：如何使用二次回归模型评估全因子设计？预测的反应将为负，但测量的目标是电阻。 限制为 0 并且在顶部开放。 我想生产一种导电材料，并在非导电材料中添加不同的填料。 从一定的填充水平开始，材料是导电的，在此之前它是绝缘体。 因此，测量值从非常低的值到非常高的值不等。 因此我假设回归模型必须近似指数。
通过Box-Cox对测量值进行变换后，测量值呈正态分布。 是否允许进行转换，或者我是否必须调整模型？
回复：如何使用二次回归模型评估全因子设计？哪些值为负值？ 参数估计？ 预测反应？ 为什么不可能做出否定回应？
响应的自然界限是什么？ 有些情况可以通过按照您的建议转换响应或使用不同的统计误差分布模型来解决。 普通最小二乘 (OLS) 线性回归假设这些误差呈正态分布，但广义线性模型 (GLM) 在选择线性预测变量、平均响应的链接函数和误差分布方面具有更大的灵活性。 你的回应的性质是什么？
回复：如何使用二次回归模型评估全因子设计？感谢您的快速答复。 我尝试了响应面法来分析这些因素，模型得到了轻微的改进。 然而，回归模型估计的值还包括一些负值，这在我的实际应用中是不可能的。是否有可能对估计目标值使用极限值？ 是否也可以选择记录测量值以获得更好的模型质量？ 或者这是不允许的并且会伪造结果吗？ 提前谢谢了。
回复：如何使用二次回归模型评估全因子设计？我假设您的因子是使用数值数据类型和连续建模类型在数据表中定义的。 它们还应包括与您的 DOE 定义一致的列属性。
您可以通过运行模型表脚本或选择“分析”>“拟合模型”来打开“拟合模型”对话框。 您可以选择因子数据列，然后单击宏 > 响应面方法。 此操作将添加二次项来模拟非线性响应。
我认为您不能仅从数据中看出响应正在呈指数级变化。 不过，您可能已经知道指数模型是合适的。 如果是，那么您将需要定义一个自定义非线性模型并使用非线性平台而不是拟合最小二乘法来拟合它。
三个水平足以拟合二次线性回归模型或指数模型，每个因子或交互作用不超过两个参数。 其他成员可能会为您提供有关如何定义指数模型的进一步指导。 JMP 帮助将指导您完成将所选模型定义为列公式的步骤。
