<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />总之，我试图对 DOE 设计评估中相关图上的颜色图提出一个很好的定性解释。到目前为止，我最好的解释是，它是衡量两种效果的可区分性的指标。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% 的能量可能会渗入 x1*x1 效应，反之亦然，那么与现实有多接近？这增加了方差，当然也增加了所做预测的置信区间。
你会如何解释呢？
提前致谢，
正交
我咨询了美国能源部的一位专家，他的回复在下面。 我的解释：底线是相关矩阵中的数字无法定量解释。 它们仅建议您可能在“实际”度量（别名矩阵和方差膨胀因子）中发现问题的位置。 这是因为相关矩阵基于设计矩阵乘以转置矩阵，但估计是基于其逆矩阵。 只有当矩阵非常稀疏时，数字在估计中才会有直接对应关系，因为在这种情况下逆矩阵很简单。
相关性颜色图是由设计矩阵（如果您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程度非常有用。 要量化这种相关性如何体现，取决于如何处理效果 - 我们可以在设计评估中查看。
如果这两项都在模型中，则这些效应估计和预测方差的方差将会增加 - 要查看效应估计与完全正交设计（可能不存在）相比的差异，请查看“设计评估”并检查方差通货膨胀因素 (JMP 10) 或估算效率 (JMP 11)。
如果未估计效果，则会导致估计效果出现偏差。 通过设计评估下的别名矩阵可以看到效果如何存在偏差。
Goos 和 Jones (2011) 的第二章对此进行了非常好的讨论。
相关性颜色图非常适合直观地了解设计的正交性（甚至可以使用相关性作为度量），但混叠和估计效率都涉及 (转置(X) * X) 的倒数，这就是为什么如果试图以这种方式量化它，应该考虑其他诊断。
