使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？我正在进行 DOE 培训，其中将使用常规 JMP，因此对于 DOE 分析，不能使用广义回归。 这对 GenReg SVEM 来说是一个遗憾，混合物的结果非常好，很棒的工具！
使用常规 JMP，我逐步尝试了所有可能的混合物模型，并注意到相当不可重现的结果，因此 - 正如 JMP 网络研讨会所示 - 我切换到简单的标准最小二乘向后分析，这给出了相当可重现的结果。
然而，我不推荐将后向回归用于标准 DOE 分析（我更喜欢所有可能的模型），因此我如何向学员解释，通过常规 JMP 后向分析，这种方法对于混合物是首选的？ 还有其他更好的分析方法吗？
实验设计回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？你好@弗兰克德鲁伊克,
我认为部分答案是混合实验与其他实验确实有很大不同。 混合因素效应本质上是相关的。 效果的相关性意味着更多的模糊性，这意味着您更有可能找到同样适合数据的竞争模型。 因此，更保守的模型选择方法将更有用。
我希望这有帮助，
菲尔
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？嗨菲尔，这也是我所期望的答案，谢谢！
还有一个问题：由于 p 值并不表明混合效应的显着性，Logworth 帕累托图是否仍然是一种效果强度的良好指标？好的，仍然可以消除低 Logworth 效应吗？
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？你好@弗兰克德鲁伊克,
作为@菲尔_凯提到过，混合设计与其他设计（如因子设计）有很大不同，因为这些因素不是独立的：改变混合因素的水平会对其他因素产生影响，因此混合因素是相关的。
此外，此类设计的重点更多地是预测性和优化，而不是筛选/统计意义。
最后，您似乎选择了基于模型的混合设计（而不是空间填充方法），因此您已经假设了您想要研究的可能的完整模型。
由于这 3 个原因，在分析中更有意义的是，从完整模型开始，使用您在设计创建中假设的可能项，并根据模型的预测性能开始删除模型中的项（主效应除外）。模型（例如 RMSE），而不是每个项的单个 p 值/logworth（由于混合因子之间的多重共线性/相关性，此类模型中没有截距，p 值/logworth 不是模型选择的有效指标） 。
如果您想使用逐步方法“自动化”模型选择，您可以使用向后逐步回归，并以信息标准（AICc 或 BIC，以平衡模型的准确性与复杂性）作为停止规则。
我希望这个额外的答案能够帮助你，
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？维克多您好，再次感谢您的有用意见！ 我将尝试使用 AICc 标准的向后逐步选择工具。 在基本训练中使用标准分析工具是件好事，因此我也将使用简单的逐步进行常规 DOE，但使用前向回归。 我知道这并不完美，但使用明确的案例来培训和教授能源部的权力，这仍然很好。
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？至于混合物预测是主要目标，我假设 DOE 标准是 I-Optimal？
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？我必须承认我对你在这个帖子中的一些帖子有点困惑，但这是我的想法：
混合物设计的主要分析是混合物响应面。您应该已经了解该模型，您正在探索表面以确定在哪里可以获得最佳结果。将其视为响应的地形图。 可视化您想要在曲面上“采样”的位置可以帮助您思考因子设置的组合。 如果您正在运行混合设计（或任何优化设计），您应该已经了解影响一致性和可预测性的因素和噪声（这些应该在早期的筛选设计中进行过研究）。
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？由于混合物的 p 值并不表明显着性，因此很难筛选出显着的影响；此外，由于强共线性，精确的混合模型很难找到，但这不是问题；目标是指定一个良好的预测性和有用的模型，因此需要采取务实的方法。 我在网络研讨会中看到，对数帕累托用于向后选择有效模型参数，因此我将在训练中使用它。 这里的预测就是目标，那么建立一个 I 最优 DOE 不是更好吗？
回复：使用常规（非专业）JMP 进行混合 DOE 分析的向后回归？嗨弗兰克，
如果您选择“估计”>“Cox 混合”，p 值将更易于识别并且与刻画器一致。
