參數估計中的重要值大家好，
我製作了一個定制的 DOE，並首先逐步分析我的數據以識別重要的影響，然後使用標準最小二乘法來找到顯著的影響。 我可以看到以下顯著效果：
然後我檢查了Lack of fit，這也可以
然後，我進一步查看參數估計值，看到參數估計值有很多紅色值。 這對我的模型意味著什麼？ 即使效果總結和缺乏擬合表明它不再顯著，它是否不再顯著？
非常感謝您幫助回答這個問題。
親切的問候，
漢娜
高級統計建模實驗設計回复：參數估計中的重要值你好，
紅色突出顯示代表 p 值低於 0.05 且大於 0.01
橙色突出顯示代表 p 值低於 0.01
上表中列出的所有參數都很重要。
最好的，
TS
回复：參數估計中的重要值它被稱為 '條件格式.' 您可以通過選擇文件 > 首選項 (Windows) 或 JMP > 設置 (Mac) 找到它。 選擇左側的報告組。
您可以打開或關閉此格式。 您可以修改規則和格式。 您可以添加自己的格式。
回复：參數估計中的重要值我的評論，不了解您的情況：
1. 之所以有如此多的重要因素，是因為用於估計誤差的 DF 非常少。我的猜測是你的實驗低估了真正的錯誤。 在解釋測試之前，您確實需要知道測試的基礎是什麼。
2. 不確定為什麼要使用逐步分析 DOE？您之前應該有一個預測模型。我真的很喜歡丹尼爾分析實驗的方法。他使模型飽和，並使用正態圖和半正態圖來評估有趣的效果。我會添加帕累托圖來評估實際意義，當然，Box 會添加貝葉斯圖。所有這些圖均可在 JMP 中使用（請參閱效應篩選）。
回复：參數估計中的重要值貝葉斯圖@statman所提到的可在擬合最小二乘平台中找到。 它實現了George Box發布的第一個版本，該版本只考慮了主要效果。 Box 後來更新了該方法以包含高階項。 我們在此處的 Samples/Scripts 文件夾中以 JMP 腳本形式提供更新後的繪圖 (Windows)：
我還將腳本附加到我的回復中。
回复：參數估計中的重要值哦耶。感謝那個腳本！
回复：參數估計中的重要值你好@statman ,
感謝您的快速回复。 我們面臨的問題是我們可以進行的實驗數量有限。 在這種情況下，我們通常要做的仍然是通過逐步方法檢查第二因素相互作用，並且除了一階相互作用之外，只考慮逐步方法中出現的第二因素相互作用。 然後我們使用 jmp 中的標準最小二乘效應篩選進行建模。 如果只有有限數量的效果處於活動狀態，則此方法非常有效。 然而，正如您所提到的，這會導致過度擬合。 您的建議是增強設計以添加更多實驗以進行更多實驗來估計誤差嗎？ 增強必須如何進行，只是增加實驗或在增強之前添加二階效應？
2. 您能否詳細說明一下這一點以及如何在 jmp 中執行此操作？ 我不是統計學家，而是受過訓練的化學家，所以我可能會缺少一些關於這個答案的背景知識。
回复：參數估計中的重要值我很高興分享我的想法，但我對你的情況沒有足夠的了解，無法提供具體的建議（比如你應該增強、複製還是什麼），所以我會泛泛而談，這自然是過於簡單化了：
您在實驗中所做的就是嘗試將預測模型中各項的影響（主效應、二階線性等）與隨機誤差（噪聲）以及相互之間進行比較。由於實驗在設計上是狹窄的推理空間研究（您基本上已經刪除了時間序列，因此隨時間變化的噪聲的影響自然被排除在外），因此您必須誇大噪聲的影響以代表未來的條件。
“不幸的是，未來的實驗（未來的試驗、明天的生產）將受到與影響本次實驗的環境條件（溫度、材料、人員）不同的影響……這只能通過對主題的了解，可能需要進一步的實驗來幫助覆蓋更廣泛的條件，人們可以決定，未來的環境條件是否與今天的環境條件足夠接近，以允許使用手頭的結果，儘管有犯錯的風險。”
戴明博士
不幸的是，隨著實驗條件變得更能代表未來的條件，檢測因素影響的精度可能會受到影響。提高精度的策略之一在於設計因素的水平設置（因此篩選設計的建議是大膽但合理地設置水平）。處理噪聲的策略對於進行未來實際有用的實驗至關重要。有多種處理噪聲的策略（例如，RCBD、BIB、裂區（針對長期噪聲）和重複（針對短期噪聲）。當您的資源受到嚴重限制時，您的選擇就會受到限制。
最重要的是，如果您僅使用統計顯著性檢驗，則您對隨機噪聲的估計越不具代表性，統計檢驗的用處就越小（今天顯得重要而明天顯得無關緊要的東西就沒那麼有用）。逐步使用（現有數據的）統計測試，並且，如果該數據不具有代表性，那麼這些測試可能比有用的更糟糕（同時犯 alpha 和 beta 錯誤）。有趣的是，在篩選情況下，當最危險的錯誤可能是 beta 時，如何僅關注 alpha 錯誤（例如 p 值）。
我不確定你的意思是“您能否詳細說明一下這一點以及如何在 jmp 中執行此操作？”您的意思是設計適當的實驗還是進行適當的分析？
所有分析都取決於數據的獲取方式。 對於您的分析，由於您有未復制的設計，因此運行擬合模型，將所有 DF 分配給模型（使模型飽和）。運行標準最小二乘法個性。 獲得輸出後，選擇每個響應旁邊的紅色三角形，然後選擇效果篩選。在那裡您將找到正態圖、帕累托圖和貝葉斯圖的選項（請參閱上面的附加腳本）。
“通過簡單的圖形分析，精心策劃的實驗的結果通常是顯而易見的。 然而，世界上最好的統計分析無法挽救計劃不周的實驗計劃。”
杰拉爾德·哈恩
另外，你可能會喜歡閱讀 Cuthbert Daniel，因為他從未上過統計學課程，但他是一位深刻的實驗家。
