關於預測表達式嗨會員們，
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。
- 我想知道為什麼變數使用此類模型的中心點居中。 （我認為它僅適用於考慮曲率的一階模型）
- 當以書面形式報告該模型時，我應該保留方程式不變嗎？
任何幫助將不勝感激。 先感謝您。
實驗設計品質和工藝工程回覆：關於預測表達式非常感謝您的詳細解釋@馬克貝利。 這個解釋將有助於我理解迴歸模型。
回覆：關於預測表達式變換變數的方法和理由有很多。 您遇到的轉換稱為“編碼”。 出於多種原因，在分析設計實驗的數據時，它被認為是最佳實踐。 當您按一下「製作表格」時，JMP 設計平台（例如，自訂設計）會將「編碼」列屬性新增至連續因子資料列。 擬合最小平方法平台可識別此列屬性並在內部套用轉換。
解釋：
如果沒有編碼，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。只需檢查估計即可。 另一方面，編碼因子水準導致尺度不變的估計。 它們仍然代表因子中一個單位變化的反應變化，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。 透過編碼，截距現在始終是設計空間原點的平均響應。
力量：
無論實驗的目的為何（例如，篩選與最佳化），我們始終希望估計值具有最小的標準誤差。 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。 相關性會誇大估計的變化，從而誇大其標準誤差。 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令人困惑的。 對因子水準進行編碼可以最大限度地減少估計值之間的相關性。
穩定：
模型層次結構與編碼相關。 我們強烈建議您在模型中新增或刪除項目時維護模型層次結構。 原因之一是，如果稍後更改（轉換）變量，例如反轉編碼轉換，模型將不穩定。 依照建議使用公式編輯器中的簡化功能@哈德利邁爾斯如果您在選擇模型時不維護層次結構，則會產生不同的模型（某些術語消失，新術語出現）。
回覆：關於預測表達式你好@基馬尼,
當 JMP 執行擬合時，它會預設將 X 因子置中（我認為），除非您指定不這樣做。 原因是該演算法可以更好地估計 beta（係數）。 這樣做有助於將擬合的許多未知誤差推至常數 epsilon，從而減少擬合估計的誤差 beta。
希望這是有道理的並且有幫助，
DS
回覆：關於預測表達式感謝您向我展示迴歸方程式簡化版本的方法。 我對迴歸模型還是新手。 我還想知道為什麼我們不按原樣使用參數估計值。 使用預測表達式中的中心點將預測變數居中的通常原因是什麼？
回覆：關於預測表達式你好，
知道您可以透過將預測公式儲存到表中、使用公式編輯器開啟它並從紅色三角形選單中選擇「簡化」來將第二個表達式轉換為第一個表達式可能會有所幫助：
