确定性筛选设计中因素的重要性亲爱的 JMP 社区，
我对 15 个因素进行了 37 轮最终筛选设计，以找到主导因素。 我已将 p 值设置为 0.05，并且在文档中表示，如果 p 值低于定义的阈值（即 0.05），则某个因子将显示为“活动”。 然而，在某些情况下，当我拟合最终筛选设计时，有些因素的 p 值高于 0.05，显示为“活跃或显着”。 下面，我附上了一个例子来说明我的意思。 有人可以帮我解决这个歧义吗？
实验设计视窗回复：确定性筛选设计中因素的重要性你好@艾哈迈德哈迪,
欢迎来到社区！
如果不查看您的设计并且不知道您是如何设计的，就很难为您提供帮助。
尽管如此，我认为您可以在这个帮助部分找到有关 DSD 分析的答案： Fit Definitive Screening 平台 (jmp.com) 的统计详细信息
您可能还对拟合 DSD 方法的原始出版物感兴趣：Bradley Jones & Christopher J. Nachtsheim (2016)：用于确定性筛选设计的有效的基于设计的模型选择，技术计量学，DOI：10.1080/00401706.2016.1234979
正如您在屏幕截图中看到的，考虑到 DSD 的具体结构，DSD 的分析分 2 个步骤完成：
- 第一阶段涉及通过响应值识别主效应
- 第二阶段涉及双因素相互作用和二次效应识别（基于效应遗传原理）以及第一阶段模型的响应残差。
从提供的信息量来看，如果您的 37 次试验 DSD 涉及 15 个连续因子，您的设计中可能有 4 次额外试验，因此在第 1 阶段，根据误差估计假设模型（具有所有主效应）的方差与 4 次额外运行的差异。 这使得能够识别低于某个 p 值阈值（由您或您拥有的自由度数定义）的主动效应。 由于不活跃的主效应变异性随后会合并到误差方差中，因此 p 值可能容易受到过程中变化的影响，最终会高于您指定的阈值，即使最初选择的阈值也是如此。
类似的情况可能会在第 2 阶段发生，其中测试二阶效应的子集，以查看添加这些效应时模型 RMSE 是否有所改进（即使它们可能不具有统计显着性）。
需要谨慎考虑的两件事：
- 统计显着性原则：0.05 p 值阈值不是截止值，因为在模型中考虑略高于该值的效应也可能是有趣的（由于领域专业知识，或使用不基于 p 的其他建模方法） - 值）。 此外，统计显着性不会为您提供有关效果重要性/大小的任何信息。
- 模型只是您记录的实验现实的表示。 如果您尝试不同的建模技术，使用具有不同估计方法（两阶段前向选择、剪枝前向选择等）和不同验证标准（如信息标准 AICc 和 BIC）的广义回归平台，您最终可能会得到不同的结果楷模。 比较几种方法以了解不同模型的相似或不同之处，并利用领域专业知识来选择最合理的方法总是很有趣的。
希望这个回答对你有帮助
回复：确定性筛选设计中因素的重要性亲爱的维克多，
非常感谢您详细而有用的回复，很抱歉没有提供所有信息。
当然，我有 15 个“连续”因子，并且按照建议包含了 4 个额外运行。 目前，我只对确定显着影响响应的主导因素感兴趣。 因此，我将认为软件在第一阶段列出的所有“活跃因素”都是重要的。
关于比较不同的模型，我发现对于某些模型来说这样做很棘手，因为没有 R 平方值来评估/比较模型。 有系统的方法来做到这一点吗？
回复：确定性筛选设计中因素的重要性你好@艾哈迈德哈迪,
如果您想比较并选择最“合理”的模型，我建议将它们与 R²（或调整后的 R²）以外的其他指标进行比较，因为 R² 仅考虑模型解释的方差比例，而不考虑其复杂性，因此如果添加越来越多的项，您最终可能会得到更高的 R²，但您将得到一个更复杂的模型，其中可能会包含一些噪声。
信息标准（例如 AICc 或 BIC）和/或最大似然（如果您需要与正常响应分布不同的响应分布）可以更有效地比较和选择模型，因为它们平衡了模型的准确性与其复杂性（模型的数量）。模型中包含的术语）。
您不必尝试所有可能的术语组合来比较和选择模型，因为具有不同估计方法和验证标准的广义回归 (JMP Pro) 是一个半自动化过程（每种方法在达到“最佳”模型）。 更多信息在这里：广义回归模型 (jmp.com)
您还可以查看“逐步”平台（在“拟合模型”平台中，将个性更改为“逐步”），您可以在其中“自动”筛选模型中可能的术语，并通过停止规则/标准（基于关于 BIC、AICc、p 值阈值等... 我建议使用 AICc 或 BIC 等信息标准。 好的部分是，您可以遵循不同模型创建过程中涉及的不同步骤，以及每个步骤如何影响模型的质量（就 R² 和 AICc / BIC 而言）：
它工作得很好，但毕竟您可能需要一些模型微调，因为它可能是一种贪婪的方法（它将输入可能对模型产生积极影响的每个项）。
更多信息在这里：逐步回归模型 (jmp.com)
还有一个选项可以尝试“所有可能的型号”，但考虑到您拥有的因素数量较多（考虑到二阶项时可能的项数量甚至更多），我不会推荐它，因为它太长且计算成本太高。
希望这个回答对你有帮助
回复：确定性筛选设计中因素的重要性另一点需要考虑的是，软件或算法并不声称找到了最佳模型。 它们有助于从进一步的选择中消除许多不良模型。 选择模型的不同方法可以产生不同的解决方案。 解决方案提供的信息应该有助于指导您进行改进。 选择包含哪些术语取决于您，而不是软件。
您可以尝试另一种选择方法，看看该解决方案是否更适合您的需求。 JMP 提供了许多此类方法。
