連續因子需要像混合因子一樣對待我想將一個因素視為連續因素，以便評估響應曲率，但我需要將“總計”限制為 100%，與混合設定類似。
據我所知，混合的線性限制不允許限制為等於，而只能小於或大於或等於。
關於如何解決這個問題的想法？
進階統計建模實驗設計大規模客製化回复：連續因子需要像混合因子一樣對待謝謝你！
回复：連續因子需要像混合因子一樣對待老實說，我不相信那些冪數，除了叉積項（如前所述，它們是相互作用和二次方程的組合）。 這有幾個原因。 首先，混合物是自然相關的，這總是會降低功率。 你對此無能為力。 其次，我認為功效計算不正確，因為混合主效應的參數估計值還包括數據的總體均值。 因此，將該參數估計值與零（執行的傳統測試）進行比較是沒有意義的。 第三，如果主效應不顯著怎麼辦？ 那個的真實意義是什麼？ 這並不意味著該因素沒有影響。 畢竟，改變所有其他因素將迫使您改變“不重要”的因素。 必須綜合考慮所有因素。
由於這些原因（可能還有更多原因），混合模型都是關於預測的。 您無法像傳統回歸模型那樣真正得出因果結論。 相關結構迫使您以不同的方式查看您的模型。
回复：連續因子需要像混合因子一樣對待實際上，我會再問一個問題。使用這種方法，雖然混合函數很適合我的參數。 即使將我的 RMSE 降低到 .2，預測的統計功效也不會超過 0.2（我預計 0.3 到 0.4 以供參考）
如實看到這個id寧願使用混合功能，但鑑於低功率我很緊張。你對此有什麼想法嗎？
回复：連續因子需要像混合因子一樣對待的確。謝謝你，我想我只是繼續混合，謝謝！
回复：連續因子需要像混合因子一樣對待混合物確實允許二次效應。 它們看起來不同，但它們就在那裡。
任何看起來像相互作用的二元混合項實際上都是二次效應。
這是一個簡單的例子：
請注意，X1*X2 和 X1*X3 是重要的“交互作用”。 正如預測刻畫器中的曲線所證明的那樣，這些實際上是二次項。
要理解為什麼您需要了解 Scheffe 混合模型是如何由於混合約束而重新參數化的。 對於 3 分量混合，X1*X1 重寫為 X1*(1-X2-X3)。 這導致 X1、X1*X2 和 X1*X3 的“附加項”。
那麼，為什麼不將混合物視為混合物呢？
回复：連續因子需要像混合因子一樣對待這是個好問題。
它不像預期的那樣是彎曲響應的混合，並且由於混合函數不允許二次冪交互，不幸的是它不適合我的需要。
碰巧的是，問題是確定用於生產重組蛋白產品的最佳質粒 DNA 比例。DNA總量設定好，質粒量需要添加到總量的100%。3 個有問題的質粒。
回复：連續因子需要像混合因子一樣對待我認為需要更多細節。 所有的因素是什麼？ 一定不止這一個。 你說這是混合物的“親屬”，但為什麼它不是混合物情況？
