回复：適合最終篩選與逐步（最小 AICC）模型選擇你好@QW ,
“Fit Definitive Screening Design”是為 DSD 設計的分析，因為它強調並支持效應層次、效應遺傳和效應稀疏性的 DOE 原則：實驗設計原則和指南 (jmp.com)
- 在第一輪中，Fit DSD 平台嘗試找出顯著的主效應，並根據已識別的主效應創建模型。
- 在第二輪中，分析第一個模型的殘差以查找和檢測二階項（依賴於之前確定的主要效應，遵循效應遺傳原則），如交互項或冪項。
默認情況下，該平台使用“強遺傳”原則（例如：如果主效應 A 和 B 在第一輪中都已識別且顯著，則交互 A*B 可能僅在第二輪中被分析和識別），但您可以有更多“通過取消選中“二次項服從強遺傳”和“交互作用服從強遺傳”來在建模中“靈活”。 這將啟用弱遺傳，這意味著如果在第一輪中識別出主效應 A 或主效應 B 並且顯著，則可以在第二輪中分析相互作用 A*B。 在您的情況下，弱遺傳確實提供了相同的模型。 更多信息在這裡： DSD 的有效模型選擇 (jmp.com)
另請注意，DSD，即使強大且有趣地檢測二階效應，仍然是篩選設計，因此您將無法檢測和估計所有可能的效應，與二次項或交互項相關的功效相當例如，與主效應相比較低，因此在檢測二次效應時遇到更多困難似乎是“正常的”：
如果您認為在二階效應中可能仍然存在未檢測到的隱藏項，我強烈建議您通過更多運行來增強您的設計（使用平台“增強設計”），以便對您的模型更有信心（並且可能檢測到新的二次效應和/或相互作用效應）。
“逐步”選擇方法不同，更像是“模型不可知論”分析，其中術語的選擇不一定遵循某些 DoE 原則（即使您可以“鎖定”一些術語，如主要影響以尊重effect heredity/hierarchy），但專注於優化標準（AICc、BIC、...）。 這可能會導致更複雜的模型，因為來自其他平台（如“Fit DSD”）的“保護措施”可能不存在。 如果您想真正突破界限並使用 Stepwise 平台探索其他設計，您還可以單擊紅色三角形，然後嘗試“所有可能的模型”。 您可以指定模型中的項數，JMP 將嘗試所有可能的項組合以提供具有指定項數的所有可能模型。 它可以在建模中為您提供一些“靈感”，但應謹慎對待結果，因為某些項可能會在沒有任何統計意義的情況下輸入模型（因此之後可能需要進行一些微調）：
對於第一個模型（默認情況下添加了一些項，但它們的 p 值高於 0,05 閾值）：
嘗試和比較不同的建模選項總是很有趣，當領域專業知識可以在此過程中為您提供指導時更是如此。 它可以幫助您了解重要術語，並可以幫助您定義如何根據假設的模型通過新運行來增強您的 DoE。
我認為這裡沒有正確或錯誤的答案，關鍵是比較和評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，但將不同的建模與領域專業知識相結合可以幫助您更廣泛地了解最重要的事情。 從那時起，計劃你的下一個實驗來改進你的模型，並準備一些驗證點來評估你的模型。
我希望這個（長）答案能幫助你，
PS：您還可以比較使用不同平台完成的其他模型，例如具有不同估計方法的廣義回歸（最佳子集、修剪/2 階段/前向選擇，...）。
回复：適合最終篩選與逐步（最小 AICC）模型選擇這些方法和其他方法是工具的基礎，這些工具可以幫助您，但不會規定一種方式或答案。 Fit Definitive Screening 方法未能在您的案例中找到合適的模型。 JMP 提供了大量基於多種方法的工具，因此您不必將搜索限制為僅使用一種方法來選擇最佳模型。
JMP 擁有所有這些工具，因為沒有一種方法在所有情況下都表現出色。
此外，通過使用不同的方法分析您的數據，您可以在他們同意時建立信心。 當他們不同意時，您可以調查不同意的原因並了解為什麼選擇的模型是最好的。
最重要的是，您應該驗證您的模型。 使用它來預測原始實驗中未包含的設置的響應。 您應該考慮預測預期結果的設置和預測不良結果的設置。 您的模型應該在實驗空間內準確預測所有響應。
擬合最終篩選與逐步（最小 AICC）模型選擇我正在嘗試將模型擬合到具有 4 個因子的 17 次運行 DSD。 我正在評估兩種方法：JMP 文檔推薦的“Fit Definitive Screening”平台，以及以最小 AICC 為標準的較舊的前向選擇方法。
根據領域知識，我預計因子 B 會出現二次效應，看起來像是一個平台期，低水平明顯比中/高水平差，這應該是相對相似的。 當我查看“Fit DSD”算法的結果時，因子 B 的主效應殘差圖實際上看起來像這樣。 然而，擬合 DSD 算法不會輸出任何二次效應。 我嘗試將第 2 階段比率從 1 更改為 0.1，但沒有發現任何差異。
當我採用相同的數據集並使用具有最小 AICC 的正向模型選擇時，我得到以下模型，其中包含 B^2 作為術語。
最後，當實際運行 Fit DSD 與逐步建立的模型時，我發現逐步導出模型的總體 p 值和調整後的 R^2 表明擬合效果良好（擬合的 p = 0.0144 和 r^2 = 0.438 DSD，p = 0.0030 且 r^2 = 0.615（逐步）
我對其他一些輸出參數重複了這一點，發現一般來說，對於二階項，擬合 DSD 比逐步選擇保守得多。 這是真的？ 如果是這樣，是否仍然建議使用擬合 DSD 中的模型，即使它會導致模型擬合較差？
我附上了匿名數據。
謝謝。
數據混合和清理實驗設計
