参数估计中的重要值大家好，
我制作了一个定制的 DOE，并首先逐步分析我的数据以识别重要的影响，然后使用标准最小二乘法来找到显着的影响。 我可以看到以下显着效果：
然后我检查了Lack of fit，这也可以
然后，我进一步查看参数估计值，看到参数估计值有很多红色值。 这对我的模型意味着什么？ 即使效果总结和缺乏拟合表明它不再显着，它是否不再显着？
非常感谢您帮助回答这个问题。
亲切的问候，
汉娜
高级统计建模实验设计回复：参数估计中的重要值你好，
红色突出显示代表 p 值低于 0.05 且大于 0.01
橙色突出显示代表 p 值低于 0.01
上表中列出的所有参数都很重要。
最好的，
TS
回复：参数估计中的重要值它被称为 '条件格式.' 您可以通过选择文件 > 首选项 (Windows) 或 JMP > 设置 (Mac) 找到它。 选择左侧的报告组。
您可以打开或关闭此格式。 您可以修改规则和格式。 您可以添加自己的格式。
回复：参数估计中的重要值我的评论，不了解您的情况：
1. 之所以有如此多的重要因素，是因为用于估计误差的 DF 非常少。我的猜测是你的实验低估了真正的错误。 在解释测试之前，您确实需要知道测试的基础是什么。
2. 不确定为什么要使用逐步分析 DOE？您之前应该有一个预测模型。我真的很喜欢丹尼尔分析实验的方法。他使模型饱和，并使用正态图和半正态图来评估有趣的效果。我会添加帕累托图来评估实际意义，当然，Box 会添加贝叶斯图。所有这些图均可在 JMP 中使用（请参阅效应筛选）。
回复：参数估计中的重要值贝叶斯图@statman所提到的可在拟合最小二乘平台中找到。 它实现了George Box发布的第一个版本，该版本只考虑了主要效果。 Box 后来更新了该方法以包含高阶项。 我们在此处的 Samples/Scripts 文件夹中以 JMP 脚本形式提供更新后的绘图 (Windows)：
我还将脚本附加到我的回复中。
回复：参数估计中的重要值哦耶。感谢那个脚本！
回复：参数估计中的重要值你好@statman ,
感谢您的快速回复。 我们面临的问题是我们可以进行的实验数量有限。 在这种情况下，我们通常要做的仍然是通过逐步方法检查第二因素相互作用，并且除了一阶相互作用之外，只考虑逐步方法中出现的第二因素相互作用。 然后我们使用 jmp 中的标准最小二乘效应筛选进行建模。 如果只有有限数量的效果处于活动状态，则此方法非常有效。 然而，正如您所提到的，这会导致过度拟合。 您的建议是增强设计以添加更多实验以进行更多实验来估计误差吗？ 增强必须如何进行，只是增加实验或在增强之前添加二阶效应？
2. 您能否详细说明一下这一点以及如何在 jmp 中执行此操作？ 我不是统计学家，而是受过训练的化学家，所以我可能会缺少一些关于这个答案的背景知识。
回复：参数估计中的重要值我很高兴分享我的想法，但我对你的情况没有足够的了解，无法提供具体的建议（比如你应该增强、复制还是什么），所以我会泛泛而谈，这自然是过于简单化了：
您在实验中所做的就是尝试将预测模型中各项的影响（主效应、二阶线性等）与随机误差（噪声）以及相互之间进行比较。由于实验在设计上是狭窄的推理空间研究（您基本上已经删除了时间序列，因此随时间变化的噪声影响自然被排除），您必须夸大噪声的影响以代表未来的条件。
“不幸的是，未来的实验（未来的试验、明天的生产）将受到与影响本次实验的环境条件（温度、材料、人员）不同的影响……这只能通过对主题的了解，可能需要进一步的实验来帮助覆盖更广泛的条件，人们可以决定未来的环境条件是否与今天的环境条件足够接近，以允许使用手头的结果，尽管有犯错的风险。”
戴明博士
不幸的是，随着实验条件变得更能代表未来的条件，检测因素影响的精度可能会受到影响。提高精度的策略之一在于设计因素的水平设置（因此筛选设计的建议是大胆但合理地设置水平）。处理噪声的策略对于进行未来实际有用的实验至关重要。有多种处理噪声的策略（例如，RCBD、BIB、裂区（针对长期噪声）和重复（针对短期噪声）。当您的资源受到严重限制时，您的选择就会受到限制。
最重要的是，如果您仅使用统计显着性检验，则您对随机噪声的估计越不具代表性，统计检验的用处就越小（今天显得重要而明天显得无关紧要的东西就没那么有用）。逐步使用（现有数据的）统计测试，并且，如果该数据不具有代表性，那么这些测试可能比有用的更糟糕（同时犯 alpha 和 beta 错误）。有趣的是，在筛选情况下，当最危险的错误可能是 beta 时，如何仅关注 alpha 错误（例如 p 值）。
我不确定你的意思是“您能否详细说明一下这一点以及如何在 jmp 中执行此操作？”您的意思是设计适当的实验还是进行适当的分析？
所有分析都取决于数据的获取方式。 对于您的分析，由于您有未复制的设计，因此运行拟合模型，将所有 DF 分配给模型（使模型饱和）。运行标准最小二乘法个性。 获得输出后，选择每个响应旁边的红色三角形，然后选择效果筛选。在那里您将找到正态图、帕累托图和贝叶斯图的选项（请参阅上面的附加脚本）。
“通过简单的图形分析，精心策划的实验的结果通常是显而易见的。 然而，世界上最好的统计分析无法挽救计划不周的实验计划。”
杰拉尔德·哈恩
另外，你可能会喜欢阅读 Cuthbert Daniel，因为他从未上过统计学课程，但他是一位深刻的实验家。
