關於預測表達式各位會員，
我正在 jmp 16 上進行 RSM 設計，我想提取模型的預測表達式。 這是我得到的預測表達式。
x1 和 x2 的中心點分別為 25 和 10。
- 我想知道為什麼變量使用這種模型的中心點居中。 （我認為它只適用於一階模型來解釋曲率）
- 當以書面形式報告這個模型時，我應該保持原樣嗎？
任何幫助將不勝感激。 先感謝您。
美國能源部回复：關於預測表達式你好，
知道您可以將第二個表達式轉換為第一個表達式可能會有所幫助，方法是將預測公式保存到表中，使用公式編輯器打開它並從紅色三角形菜單中選擇“簡化”：
回复：關於預測表達式感謝您向我展示了回歸方程簡化版本的方法。 我還是回歸建模的新手。 我還想知道為什麼我們不按原樣使用參數估計。 使用預測表達式中的中心點使預測變量居中的原因通常是什麼？
回复：關於預測表達式你好@Kimani ,
當 JMP 執行擬合時，默認情況下它會將 X 因子居中（我認為），除非您指定不這樣做。 原因是該算法可以確定更好的 beta 估計值，即係數。 這樣做有助於將擬合的許多未知誤差推向常數 epsilon，從而減少擬合估計的誤差 betas。
希望這有意義並有所幫助，
DS
回复：關於預測表達式非常感謝您的詳盡解釋@markbailey . 該解釋將大大有助於我理解回歸模型。
回复：關於預測表達式轉換變量的方法和原因有很多。 您遇到的轉換稱為“編碼”。 出於多種原因，在分析來自設計實驗的數據時，它被認為是最佳實踐。 當您單擊製作表時，JMP 設計平台（例如，定制設計）將編碼列屬性添加到連續因子數據列。 “擬合最小二乘法”平台可識別此列屬性並在內部應用轉換。
解釋：
在沒有編碼的情況下，參數估計取決於尺度（即測量單位）。 很難回答諸如“哪個因素最重要？”之類的問題。只是通過檢查估計。 另一方面，編碼因子水平導致尺度不變估計。 它們仍然代表因子變化一個單位的響應變化，但現在這是所有因子的因子範圍的一半。 （因此，使用編碼因子水平的估計有時被稱為“半效應”。） 此外，截距通常是建模所必需的，但沒有意義。 通過編碼，截距現在始終是設計空間原點的平均響應。
力量：
無論實驗的目的如何（例如篩選與優化），我們總是希望具有最小標準誤差的估計值。 設計確定估計值之間的相關性。 不相關的估計將具有最小的標準誤差。 相關性會誇大估計值的變化，因此會誇大它們的標準誤差。 完全相關的誤差具有無限的方差，因此是不可分割的。 這些參數所代表的效果是混雜的。 對因子水平進行編碼可以最小化估計值之間的相關性。
穩定：
模型層次結構與編碼有關。 我們強烈建議您在模型中添加或刪除項時維護模型層次結構。 一個原因是，如果您稍後更改（轉換）變量，例如反轉編碼轉換，模型將不穩定。 按照建議在公式編輯器中使用簡化功能@HadleyMyers如果您在選擇模型時不維護層次結構，則會生成不同的模型（某些術語消失，出現新術語）。
