大家好，
你能帮我解决这个问题吗：
“在全因子模型模型中删除项如何影响模型性能？ （例如，Rs 平方值、置信区间等会增加或减少？ )"
最好，
席琳
首先，欢迎来到社区。 一个有趣的第一篇文章......用于评估模型的典型枚举统计数据都取决于模型。
实验者应牢记两个观察结果：
1. 统计显着性是条件语句.在一组特定条件下（噪声在 DOE 期间保持不变，也称为推理空间），将变化源（设计因素）与其他变化源（噪声改变治疗）进行比较。如果来源或条件发生变化，那么可能具有统计意义。
2. 实验结果的外推是一项工程和管理决策，而不是统计决策。它在很大程度上受到研究对未来条件的代表性的影响。
如果您更改模型中的项，那么这些统计数据可能并且很可能会发生变化。 当您从模型中删除项时，它们会合并到错误项中。 这可能会扩大或缩小 MSE 量化的随机误差的估计。 例如，如果您从模型中删除无关紧要的项，则不仅与这些项相关的方差（平方和），而且相应的自由度也会集中到误差项中。 这将减少 MSE 并增加 F 比（减少 p 值）。 从本质上讲，您可以控制统计显着性，因为您是计划实验的人……模型中的内容以及实验对未来条件的代表性。
顺便说一句，小心 R 平方。 随着您向模型添加自由度，它总是会增加（无论您添加的自由度是否重要）。 优化模型时最好评估 R 方和调整后的 R 方之间的增量。
如果你想要比什么更深入的了解@statman给了，优秀和免费的在线工业问题解决课程的统计思维(STIPS) 对此有一个非常平易近人的解释，特别是在相关和回归模块中。
