<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />总而言之，我正试图为 DOE 设计评估中相关性图的颜色图提供一个很好的定性解释。到目前为止，我最好的解释是，它衡量了两种效应的可区分性。例如，对于下面的相关图，我们可以说主效应 x1 和 x2 不相关，但效应 x1*x1 和 x2*X2 的相关值接近 0.5。
如果我说这意味着 x2*x2 效应（或拟合系数）中 50% 的能量可能会流入 x1*x1 效应，反之亦然，这与现实有多接近？这增加了方差，当然还有任何预测的置信区间。
你会怎么解释？
提前致谢，
正交
我咨询了一位能源部专家，他的回复在下面。 我的解释：底线是相关矩阵中的数字不能定量解释。 他们只建议您在“真实”度量（别名矩阵和方差膨胀因子）中可能会发现问题的地方。 这是因为相关矩阵是基于设计矩阵乘以它的转置，但估计是基于它的倒数。 只有当矩阵非常稀疏时，数字才会在估计中直接对应，因为在这种情况下逆很简单。
相关性颜色图是由设计矩阵（如果在制作数据表之前选择保存 X 矩阵，则为表属性）产生的相关性，对于检查设计的非正交性非常有用。 要量化这种相关性如何表现，取决于如何处理效果 - 我们可以查看设计评估。
如果这些项都在模型中，则这些效应估计值和预测方差的方差将增加 - 要查看与完全正交设计（可能不存在）相比的效应估计值差异，请查看设计评估并检查方差通货膨胀因素 (JMP 10) 或估计效率 (JMP 11)。
如果未估计效果，则会对估计的效果产生偏差。 通过 Design Evaluation 下的 Alias Matrix 可以看到效果是如何产生偏差的。
Goos and Jones (2011) 的第 2 章对此进行了很好的讨论。
相关性颜色图对于设计正交性的视觉效果非常有用（甚至可以将相关性用作度量），但混叠和估计效率都涉及 (transpose(X) * X) 的倒数，这就是为什么如果尝试以这种方式对其进行量化，则应该查看其他诊断。
