大家好，
你能幫我解決這個問題嗎：
“在全因子模型模型中刪除項如何影響模型性能？ （例如，Rs 平方值、置信區間等會增加或減少？ )"
最好，
席琳
首先，歡迎來到社區。 一個有趣的第一篇文章......用於評估模型的典型枚舉統計都取決於模型。
實驗者應牢記兩個觀察結果：
1. 統計顯著性是條件語句.在一組特定條件下（噪聲在 DOE 期間保持不變，也稱為推理空間），將變化源（設計因素）與其他變化源（噪聲改變治療）進行比較。如果來源或條件發生變化，那麼可能具有統計意義。
2. 實驗結果的外推是一項工程和管理決策，而不是統計決策。它在很大程度上受到研究對未來條件的代表性的影響。
如果您更改模型中的項，那麼這些統計數據可能並且很可能會發生變化。 當您從模型中刪除項時，它們會合併到錯誤項中。 這可能會擴大或縮小 MSE 量化的隨機誤差的估計。 例如，如果您從模型中刪除無關緊要的項，則不僅與這些項相關的方差（平方和），而且相應的自由度也會集中到誤差項中。 這將減少 MSE 並增加 F 比（減少 p 值）。 從本質上講，您可以控制統計顯著性，因為您是計劃實驗的人……模型中的內容以及實驗對未來條件的代表性。
順便說一句，小心 R 平方。 它總是隨著您向模型添加自由度而增加（無論您添加的自由度是否重要）。 優化模型時最好評估 R 方和調整後的 R 方之間的增量。
如果你想比什麼更深入的了解@statman給了，優秀和免費的在線工業問題解決課程的統計思維(STIPS) 對此有一個非常平易近人的解釋，特別是在相關和回歸模塊中。
