非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式亲爱的社区，
我正在使用三次 Scheffe 多项式来模拟我的系统，但在解释一个响应的分析时遇到困难。 我把我的分析结果贴出来给大家看看。 在此先感谢您的帮助。
这是参数和效果测试的估计
我的 r^2 非常高，这让我更加怀疑。 r^2= 0.999 当然还有非常小的残差
最后，所有的术语似乎都很重要。 思考这就是为什么我相信工作中可能存在一些过度拟合，但我不确定。
基础数据分析和建模实验设计回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式Scheffe 三次模型用于将模型拟合到混合物。 换句话说，所有观测值的总和必须恰好为 1。 不允许出现舍入错误。 检查这一点的快速方法是查看方差分析表（此处未包含）。 它的底部应该有一条消息，指出“针对简化模型进行测试：Y=平均值”。 如果您的消息显示 0 而不是平均值，则说明您没有拟合混合模型。 这是一个无拦截模型，可以解释一些不寻常的结果。 在做其他事情之前应该解决这个问题。
一旦您确定确实拟合了混合模型，为什么还要怀疑这些结果呢？ 如果结果确实好得令人难以置信，那么您的模型误差有多少自由度？ 您也可以从方差分析表中看到这一点。 自由度较低（我怀疑你有）也可能导致模型过度拟合。 您的模型可能接近饱和，这意味着误差项没有足够的自由度来捕获系统的可变性。 您的数据中有重复吗？ 向任何数据集添加重复数据将使您能够更好地估计系统的误差。
这些只是一些想法。 还有很多其他的可能性值得探索。
回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式亲爱的丹，
我的系统是混合系统，但我决定采用 D 最优设计。
我有 11 个自由度。 如果这个数字很小，我不会。 我将添加重复项。 谢谢。 我应该从增强设计中做到这一点吗？
您还有其他建议供我探索吗？
非常感谢您抽出时间。
回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式从输出中我可以看出该分析是真正的 Scheffe 模型，这很好。 虽然您有 11 个自由度（12 次游程），但只有 2 个误差自由度。 换句话说，您的模型有 10 个项。 没有太多额外的运行来估计系统的误差。 然而，在添加额外的运行之前（使用 Augment 将是一个很好的方法），您认为错误真的太低了吗？ 从拟合摘要中检查您的均方根误差。该数字应该接近系统在稳定状态下运行时的标准偏差。 看起来正确吗？ 如果确实如此，那么我会再次问这个问题：为什么你认为这种配合是可疑的？ 请记住，对 Scheffe 模型的主效应的检验不相关，应忽略。 您只会查看“交互”的测试。 也许它们真的都应该很重要？
回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式亲爱的丹，
再次感谢您抽出时间来回答。 冒着听起来无知的危险，我不得不问。 如何检查系统在稳态运行时的标准偏差？ 是否可以手动添加重复项（也许检查设计的角落），以免重复所有 12 个实验，因为它们需要很长时间？
真挚地
亚历克斯
回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式我对你们的系统了解不够，无法提供全面的答案。 但这里有一些可能的方法来确定系统在稳定状态下运行时的标准偏差：
您正在测量的响应是什么？ 您评估过该测量过程吗？ 如果是这样，测量系统的再现性（或可能的重复性）是估计系统标准偏差的良好指南。 这可能会提供尽可能低的标准偏差。
如果这是一个生产过程，在完全不进行任何更改的情况下运行该过程通常会产生系统的标准偏差。
您可以制定一个配方，将其分成多个测试样本并独立测量每个测试样本以确定系统的标准偏差。 请注意，这消除了实际配制配方所引起的可变性。 如果变异性可能很大，您可能需要创建多个相同的配方并测量每个配方。
在运行任何设计的实验之前要考虑的关键事项之一是对测量系统进行评估。 这将避免测量系统本身引起的潜在问题。 另外，评估该测量系统将使您对您期望从设计的实验中看到的错误有一个合理的了解。 因此，在执行实验之前，通过一定次数的运行，可以对设计的功效进行适当的评估。 简而言之，它可以帮助您避免实验完成后有关分析的一些潜在问题。
回复：非常高的 r 平方解释我的回归分析结果三次 scheffe 多项式亲爱的丹，
非常感谢您的回复。 我测量的响应是热导率和标准差。过程偏差确实很低。但它并不像分析的 RMSE 那么低。 这就是为什么我决定复制一些点（5）以尝试获得更好的拟合。
真挚地
亚历克斯
