RSのソリューション（D最適）みなさん、こんにちは。
私は最初のRS設計を正常に実行しましたが、モデルを適合させた後に提供されるソリューションを理解するのに苦労しています。 私の設計には、4つの軸点と2つの中心点を持つ5つの連続因子が含まれています。 私は1つの複製を行い、モデルを適合させました。 適合性の重大な欠如はありません。
目標は応答を最小化することですが、解決策は私のすべての測定値よりも高くなっています。 私は自分の要因の範囲チェックを含めましたが、解決策では5つの要因のうち3つが負であり、これは実際には不可能です。 ポジティブな要素のみを考慮したソリューションを取得するにはどうすればよいですか？
ありがとう！
よろしくお願いします、
FactorAlligator
DOERe：RSのソリューション（D最適）あなたが何を見ているのか、何を求めているのかよくわかりません。 モデルがすべてのデータよりも高い値を常に予測することは不可能です。 ポジティブファクターとはどういう意味ですか？ あなたの因子は-1から+1の間にコード化されていますか、それとも自然単位のままにしましたか？ JMPデータテーブルを共有することは可能ですか？ 必要に応じて、データを匿名化できます。
Re：RSのソリューション（D最適）ダンに同意します。質問に答えるのに十分な情報を提供していません。 あなたの分析では、あなたは表面を見ましたか？
モデルは、合理的な条件を超えて簡単に推定できます（モデルは単にデータのモデルです）。 モデルを解釈しなければならないのはあなたです。
Re：RSのソリューション（D最適）ご返信ありがとうございます。 データテーブルが添付されています。 その間に、2つの外れ値を再分析しました。これにより、値が負になるという問題が解決しました。 つまり、私の因子は-1と+1の間にコード化されており、実際には-2.5まで下がることができます（この時点で因子の濃度は0です）が、私の解は-3でした。 それが再び起こった場合、私はまだこのケースをどのように処理するかに興味があります。
私のモデルからわかるように、設計空間内の最良の値は162の最小Y応答をもたらします。 213でパターン00A00で得た最低の応答。 しかし、計算された解はY=296にあります。 私の目標が応答を最小化することである場合、（望ましさを最大化するときのように）設計空間の限界解を期待します。
@statmanまた、ご回答ありがとうございます。 モデルビューでもサーフェスを確認しましたが、サーフェスによっては最大値と最小値が表示されるため、残念ながら何も得られません。
Re：RSのソリューション（D最適）データテーブルに保存したモデルを実行しました。 モデルには作業が必要です。 残差は一定でない分散を示唆しており、モデルに重要でない項があります。 統計的有意性は、中心点の複製と高次の2次相互作用に基づいているようです。 応答曲面についてのコメントが何を意味するのかわからない。 次のようなものが得られるはずです（これはモデルを使用していますが）：
Re：RSのソリューション（D最適）ご意見ありがとうございます。 私はあなたの提案を理解しようとしています。私の考えについてさらにフィードバックをいただければ幸いです。
残差は、一定でない分散を示唆していますモデルには重要でない用語があります。
Y残差の減少を示す「予測プロットによる残差」のために、Y予測が高いほど高いと言いますか？ 重要でない用語をすべて削除してモデルを減らす必要があることを正しく理解していますか？ はいの場合、2方向の交互作用X1 * X5が重要であるのに対し、因子X1のように重要でない主効果をどのように処理しますか？
統計的有意性は、中心点の複製と高次の2次相互作用に基づいているようです（エラーはランダム化された複製に基づいていません）。
これは、分散分析の大部分がモデルに由来し、少量がランダムエラーに由来する「分散分析」に見られますか？ 原因不明のエラーが少ないことが望ましいと思いました。
Re：RSのソリューション（D最適）あなたの最初の質問に関しては、はい。 これを確認する方法は他にもあるかもしれませんが、それは明らかです。 2番目の質問は階層の1つです。 実用的な観点から、主な効果が重要な相互作用に「関与」しているが、それ自体は重要ではない場合、アドバイスは主な効果を含めることです。 これは、調整されたR-squareとR-squareの間のデルタに結果として影響を及ぼします（モデルが過剰に指定されているように見えるため）が、重要でない主効果を操作して、インタラクション。 使用するモデルを減らすには：
- 主題知識、
- R-square-R-square調整済みデルタ（過剰仕様）、
- p値（有意性）、
- RMSE（モデルの有用性）、
- 残差プロット（テストの仮定）、
- その他（状況による）
ANOVAの観点からの統計的有意性について。 F検定は、モデル内の各項の効果のMSと、ランダムエラー（MSerror）の推定値との比較です。 MSerrorをどのように推定するかは重要な決定です。 プロセスの実際の分散と比較してランダムエラーの推定値が小さい場合、統計的に有意な効果は実際にはほとんどまたはまったく効果がない可能性があります。 分析的に言えば、実験でのランダムエラーの推定値がtrueシステムのバリエーション将来。 通常、実験では推論スペースが制限されているため、これを達成するのは難しい場合があります（比較的小規模で短期間に実行されます）。 将来の状態を適切に表すために、実験中のノイズの影響を誇張する必要がある場合があります。 システム内のノイズを特定して理解するために多くの計画を立てていない場合は、ランダム化された複製を実行して、その変動の偏りのない推定値を取得する必要があります。 複製されていない設計では、通常、高次の項を使用してMSerrorを推定します（ただし、MSerrorバイアスを防ぐために、複製されていない設計の分析についてダニエルのアドバイスを使用することをお勧めします）。 ノイズを特定した場合、推論スペースを設計精度を同時に高めるのに役立つ多くのオプションがあります（例：繰り返し、ブロック、分割プロット）
