我想设计一项实验，针对一个响应筛选 18 个因素。 我现在明白有更现代、更好的设计可以解决这个问题，但当时我使用了 20 次运行的 Plackett-Burman 设计。 我重复完成了每次运行，总共 40 次。 我附上了匿名结果的 .csv，其中我对因子水平进行了标准化（减去平均值并除以标准差）。
我明白，因为 Plackett-Burman 是饱和设计，所以我不能尝试拟合线性模型，因为项数意味着它几乎肯定会过度拟合，所以我应该使用“两级筛选”（尽管也许这因为我有重复项而改变？） 。 我使用了此选项，将所有 18 个因子 AR 添加为 X，将响应添加为 Y。 结果截图如下：
我预计 A、M 和 D 尤其会产生影响，但如果 F 和 K 产生显着影响，我会感到非常惊讶。 因此，我想我应该在这里检查一下我是否正确解释了这些结果。 我对 JMP 添加“空”项作为两级筛选的一部分这一事实感到特别困惑。 这一页在文档中描述了原理：
该过程一直持续到n获得效果，其中n是数据表中的行数，从而使模型完全饱和。 如果因子不可能完全饱和，JMP 会生成随机正交效应来吸收其余的变化。 它们被贴上标签空值在哪里n是一个数字。 例如，如果设计中存在精确复制行，就会出现这种情况。
我在设计中确实有重复的行，但是当我查看上面的图时，在我看来，因子 A 和 M 与其他因子是分开的，并且除 A 和 M 之外的因子看起来很重要，因为空项是添加。
除了如果某些因素产生影响会令人惊讶之外，我为什么要质疑这些结果呢？ 来自 JMP 文档：“筛选设计的分析取决于以下原则：效应稀疏性，其中响应的大部分变化是由少数效应解释的”。 我想知道这是否被打破了，这么多因素是否变得如此重要？
非常感谢您的帮助。
我使用的是 JMP Pro 17.0.0
