回复：适合最终筛选与逐步（最小 AICC）模型选择你好@QW ,
“Fit Definitive Screening Design”是为 DSD 设计的分析，因为它强调并支持效应层次、效应遗传和效应稀疏性的 DOE 原则：实验设计原则和指南 (jmp.com)
- 在第一轮中，Fit DSD 平台尝试找出显着的主效应，并根据已识别的主效应创建模型。
- 在第二轮中，分析第一个模型的残差以查找和检测二阶项（依赖于之前确定的主要效应，遵循效应遗传原则），如交互项或幂项。
默认情况下，该平台使用“强遗传”原则（例如：如果主效应 A 和 B 在第一轮中都已识别且显着，则交互 A*B 可能仅在第二轮中被分析和识别），但您可以有更多“通过取消选中“二次项服从强遗传”和“交互作用服从强遗传”来在建模中“灵活”。 这将启用弱遗传，这意味着如果在第一轮中识别出主效应 A 或主效应 B 并且显着，则可以在第二轮中分析相互作用 A*B。 在您的情况下，弱遗传确实提供了相同的模型。 更多信息在这里： DSD 的有效模型选择 (jmp.com)
另请注意，DSD，即使强大且有趣地检测二阶效应，仍然是筛选设计，因此您将无法检测和估计所有可能的效应，与二次项或交互项相关的功效相当例如，与主效应相比较低，因此在检测二次效应时遇到更多困难似乎是“正常的”：
如果您认为在二阶效应中可能仍然存在未检测到的隐藏项，我强烈建议您通过更多运行来增强您的设计（使用平台“增强设计”），以便对您的模型更有信心（并且可能检测到新的二次效应和/或相互作用效应）。
“逐步”选择方法不同，更像是“模型不可知论”分析，其中术语的选择不一定遵循某些 DoE 原则（即使您可以“锁定”一些术语，如主要影响以尊重effect heredity/hierarchy），但专注于优化标准（AICc、BIC、...）。 这可能会导致更复杂的模型，因为来自其他平台（如“Fit DSD”）的“保护措施”可能不存在。 如果您想真正突破界限并使用 Stepwise 平台探索其他设计，您还可以单击红色三角形，然后尝试“所有可能的模型”。 您可以指定模型中的项数，JMP 将尝试所有可能的项组合以提供具有指定项数的所有可能模型。 它可以在建模中为您提供一些“灵感”，但应谨慎对待结果，因为某些项可能会在没有任何统计意义的情况下输入模型（因此之后可能需要进行一些微调）：
对于第一个模型（默认情况下添加了一些项，但它们的 p 值高于 0,05 阈值）：
尝试和比较不同的建模选项总是很有趣，当领域专业知识可以在此过程中为您提供指导时更是如此。 它可以帮助您了解重要术语，并可以帮助您定义如何根据假设的模型通过新运行来增强您的 DoE。
我认为这里没有正确或错误的答案，关键是比较和评估不同的模型以更好地理解案例。 有些方法比其他方法更保守，但将不同的建模与领域专业知识相结合可以帮助您更广泛地了解最重要的事情。 从那时起，计划你的下一个实验来改进你的模型，并准备一些验证点来评估你的模型。
我希望这个（长）答案能帮助你，
PS：您还可以比较使用不同平台完成的其他模型，例如具有不同估计方法的广义回归（最佳子集、修剪/2 阶段/前向选择，...）。
回复：适合最终筛选与逐步（最小 AICC）模型选择这些方法和其他方法是工具的基础，这些工具可以帮助您，但不会规定一种方式或答案。 Fit Definitive Screening 方法未能在您的案例中找到合适的模型。 JMP 提供了大量基于多种方法的工具，因此您不必将搜索限制为仅使用一种方法来选择最佳模型。
JMP 拥有所有这些工具，因为没有一种方法在所有情况下都表现出色。
此外，通过使用不同的方法分析您的数据，您可以在他们同意时建立信心。 当他们不同意时，您可以调查不同意的原因并了解为什么选择的模型是最好的。
最重要的是，您应该验证您的模型。 使用它来预测原始实验中未包含的设置的响应。 您应该考虑预测预期结果的设置和预测不良结果的设置。 您的模型应该在实验空间内准确预测所有响应。
拟合最终筛选与逐步（最小 AICC）模型选择我正在尝试将模型拟合到具有 4 个因子的 17 次运行 DSD。 我正在评估两种方法：JMP 文档推荐的“Fit Definitive Screening”平台，以及以最小 AICC 为标准的较旧的前向选择方法。
根据领域知识，我预计因子 B 会出现二次效应，看起来像是一个平台期，低水平明显比中/高水平差，这应该是相对相似的。 当我查看“Fit DSD”算法的结果时，因子 B 的主效应残差图实际上看起来像这样。 然而，拟合 DSD 算法不会输出任何二次效应。 我尝试将第 2 阶段比率从 1 更改为 0.1，但没有发现任何差异。
当我采用相同的数据集并使用具有最小 AICC 的正向模型选择时，我得到以下模型，其中包含 B^2 作为术语。
最后，当实际运行 Fit DSD 与逐步建立的模型时，我发现逐步导出模型的总体 p 值和调整后的 R^2 表明拟合效果良好（拟合的 p = 0.0144 和 r^2 = 0.438 DSD，p = 0.0030 且 r^2 = 0.615（逐步）
我对其他一些输出参数重复了这一点，发现一般来说，对于二阶项，拟合 DSD 比逐步选择保守得多。 这是真的？ 如果是这样，是否仍然建议使用拟合 DSD 中的模型，即使它会导致模型拟合较差？
我附上了匿名数据。
谢谢。
数据混合和清理实验设计
