关于预测表达式各位会员，
我正在 jmp 16 上进行 RSM 设计，我想提取模型的预测表达式。 这是我得到的预测表达式。
x1 和 x2 的中心点分别为 25 和 10。
- 我想知道为什么变量使用这种模型的中心点居中。 （我认为它只适用于一阶模型来解释曲率）
- 当以书面形式报告这个模型时，我应该保持原样吗？
任何帮助将不胜感激。 先感谢您。
美国能源部回复：关于预测表达式你好，
知道您可以将第二个表达式转换为第一个表达式可能会有所帮助，方法是将预测公式保存到表中，使用公式编辑器打开它并从红色三角形菜单中选择“简化”：
回复：关于预测表达式感谢您向我展示了回归方程简化版本的方法。 我还是回归建模的新手。 我还想知道为什么我们不按原样使用参数估计。 使用预测表达式中的中心点使预测变量居中的原因通常是什么？
回复：关于预测表达式你好@Kimani ,
当 JMP 执行拟合时，默认情况下它会将 X 因子居中（我认为），除非您指定不这样做。 原因是该算法可以确定更好的 beta 估计值，即系数。 这样做有助于将拟合的许多未知误差推向常数 epsilon，从而减少拟合估计的误差 betas。
希望这有意义并有所帮助，
DS
回复：关于预测表达式非常感谢您的详尽解释@markbailey . 该解释将大大有助于我理解回归模型。
回复：关于预测表达式转换变量的方法和原因有很多。 您遇到的转换称为“编码”。 出于多种原因，在分析来自设计实验的数据时，它被认为是最佳实践。 当您单击制作表时，JMP 设计平台（例如，定制设计）将编码列属性添加到连续因子数据列。 “拟合最小二乘法”平台可识别此列属性并在内部应用转换。
解释：
在没有编码的情况下，参数估计取决于尺度（即测量单位）。 很难回答诸如“哪个因素最重要？”之类的问题。只是通过检查估计。 另一方面，编码因子水平导致尺度不变估计。 它们仍然代表因子变化一个单位的响应变化，但现在这是所有因子的因子范围的一半。 （因此，使用编码因子水平的估计有时被称为“半效应”。） 此外，截距通常是建模所必需的，但没有意义。 通过编码，截距现在始终是设计空间原点的平均响应。
力量：
无论实验的目的如何（例如筛选与优化），我们总是希望具有最小标准误差的估计值。 设计确定估计之间的相关性。 不相关的估计将具有最小的标准误差。 相关性会夸大估计值的变化，因此会夸大它们的标准误差。 完全相关的误差具有无限的方差，因此是不可分割的。 这些参数所代表的效果是混杂的。 对因子水平进行编码可以最小化估计值之间的相关性。
稳定：
模型层次结构与编码有关。 我们强烈建议您在模型中添加或删除项时维护模型层次结构。 一个原因是，如果您稍后更改（转换）变量，例如反转编码转换，模型将不稳定。 按照建议在公式编辑器中使用简化功能@HadleyMyers如果您在选择模型时不维护层次结构，则会生成不同的模型（某些术语消失，出现新术语）。
