我想設計一項實驗，針對一個反應篩選 18 個因素。 我現在明白有更現代、更好的設計可以解決這個問題，但當時我使用了 20 次運行的 Plackett-Burman 設計。 我重複完成了每次運行，總共運行了 40 次。 我附上了匿名結果的 .csv，其中我對因子水平進行了標準化（減去平均值並除以標準差）。
我明白，因為 Plackett-Burman 是飽和設計，所以我不能嘗試擬合線性模型，因為項數意味著它幾乎肯定會過度擬合，所以我應該使用「兩級篩選」（儘管也許這因為我有重複項而改變？） 。 我使用了此選項，將所有 18 個因子 AR 添加為 X，將響應添加為 Y。 結果截圖如下：
我預期 A、M 和 D 尤其會產生影響，但如果 F 和 K 產生顯著影響，我會感到非常驚訝。 因此，我想我應該在這裡檢查一下我是否正確解釋了這些結果。 我對 JMP 添加“空”項作為兩級篩選的一部分這一事實感到特別困惑。 這一頁在文件中描述了原理：
該過程一直持續到n獲得效果，其中n是資料表中的行數，從而使模型完全飽和。 如果因子不可能完全飽和，JMP 會產生隨機正交效應來吸收其餘的變化。 它們被貼上標籤空值在哪裡n是一個數字。 例如，如果設計中存在精確複製行，就會發生這種情況。
我在設計中確實有重複的行，但是當我查看上面的圖時，在我看來，因子A 和M 與其他因子是分開的，並且除A 和M 之外的因子看起來很重要，因為空項是添加。
除瞭如果某些因素產生影響會令人驚訝之外，我為什麼要質疑這些結果呢？ 來自 JMP 文件：「篩選設計的分析取決於以下原則：效應稀疏性，其中響應的大部分變化是由少數效應解釋的」。 我想知道這是否被打破了，這麼多因素是否變得如此重要？
非常感謝您的幫忙。
我使用的是 JMP Pro 17.0.0
