使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？我正在進行 DOE 培訓，其中將使用常規 JMP，因此對於 DOE 分析，不能使用廣義回歸。 這對 GenReg SVEM 來說是一個遺憾，混合物的結果非常好，很棒的工具！
使用常規JMP，我逐步嘗試了所有可能的混合物模型，並註意到相當不可重現的結果，因此- 正如JMP 網絡研討會所示- 我切換到簡單的標準最小二乘向後分析，這給出了相當可重現的結果。
然而，我不推薦將後向回歸用於標準 DOE 分析（我更喜歡所有可能的模型），因此我如何向學員解釋，通過常規 JMP 後向分析，這種方法對於混合物是首選的？ 還有其他更好的分析方法嗎？
實驗設計回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？你好@弗蘭克德魯伊克,
我認為部分答案是混合實驗與其他實驗確實有很大不同。 混合因素效應本質上是相關的。 效應的相關性意味著更多的模糊性，這意味著您更有可能找到同樣適合數據的競爭模型。 因此，更保守的模型選擇方法將更有用。
我希望這有幫助，
菲爾
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？嗨菲爾，這也是我所期望的答案，謝謝！
還有一個問題：由於 p 值並不表明混合效應的顯著性，Logworth 帕累托圖是否仍然是一種效果強度的良好指標？好的，仍然可以消除低 Logworth 效應嗎？
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？你好@弗蘭克德魯伊克,
作為@菲爾_凱提到過，混合設計與其他設計（如因子設計）有很大不同，因為這些因素不是獨立的：改變混合因素的水平會對其他因素產生影響，因此混合因素是相關的。
此外，此類設計的重點更多地是預測性和優化，而不是篩選/統計意義。
最後，您似乎選擇了基於模型的混合設計（而不是空間填充方法），因此您已經假設了您想要研究的可能的完整模型。
由於這 3 個原因，在分析中更有意義的是，從完整模型開始，使用您在設計創建中假設的可能項，並根據模型的預測性能開始刪除模型中的項（主效應除外）。模型（例如RMSE），而不是每個項的單個p 值/logworth（由於混合因子之間的多重共線性/相關性，此類模型中沒有截距，p 值/logworth 不是模型選擇的有效指標） 。
如果您想使用逐步方法“自動化”模型選擇，您可以使用向後逐步回歸，並以信息標準（AICc 或 BIC，以平衡模型的準確性與復雜性）作為停止規則。
我希望這個額外的答案能夠幫助你，
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？維克多您好，再次感謝您的有用意見！ 我將嘗試使用 AICc 標準的向後逐步選擇工具。 在基本訓練中使用標準分析工具是件好事，因此我也將使用簡單的逐步進行常規 DOE，但使用前向回歸。 我知道這並不完美，但使用明確的案例來培訓和教授能源部的權力，這仍然很好。
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？至於混合物預測是主要目標，我假設 DOE 標準是 I-Optimal？
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？我必須承認我對你在這個帖子中的一些帖子有點困惑，但這是我的想法：
混合物設計的主要分析是混合物響應面。您應該已經了解該模型，您正在探索表面以確定在哪裡可以獲得最佳結果。將其視為響應的地形圖。 可視化您想要在曲面上“採樣”的位置可以幫助您思考因子設置的組合。 如果您正在運行混合設計（或任何優化設計），您應該已經了解影響一致性和可預測性的因素和噪聲（這些應該在早期的篩選設計中進行過研究）。
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？由於混合物的 p 值並不表明顯著性，因此很難篩選出顯著的影響；此外，由於強共線性，精確的混合模型很難找到，但這不是問題；目標是指定一個良好的預測性和有用的模型，因此需要採取務實的方法。 我在網絡研討會中看到，對數帕累托用於向後選擇有效模型參數，因此我將在訓練中使用它。 這裡的預測就是目標，那麼建立一個 I 最優 DOE 不是更好嗎？
回复：使用常規（非專業）JMP 進行混合 DOE 分析的向後回歸？嗨弗蘭克，
如果您選擇“估計”>“Cox 混合”，p 值將更易於識別並且與刻畫器一致。
