確定性篩選設計中因素的重要性親愛的 JMP 社區，
我對 15 個因素進行了 37 輪最終篩選設計，以找到主導因素。 我已將 p 值設為 0.05，並且在文件中表示，如果 p 值低於定義的閾值（即 0.05），則某個因子將顯示為「活動」。 然而，在某些情況下，當我擬合最終篩選設計時，有些因素的 p 值高於 0.05，顯示為「活躍或顯著」。 下面，我附上了一個例子來說明我的意思。 有人可以幫我解決這個歧義嗎？
實驗設計視窗回覆：確定性篩選設計中因素的重要性你好@艾哈邁德哈迪,
歡迎來到社區！
如果不查看您的設計並且不知道您是如何設計的，就很難為您提供幫助。
儘管如此，我認為您可以在這個幫助部分找到有關 DSD 分析的答案： Fit Definitive Screening 平台 (jmp.com) 的統計詳細信息
您可能也對擬合 DSD 方法的原始出版物感興趣：Bradley Jones & Christopher J. Nachtsheim (2016)：用於確定性篩選設計的有效的基於設計的模型選擇，技術計量學，DOI：10.1080/00401706.2016.1234979
正如您在螢幕截圖中看到的，考慮到 DSD 的具體結構，DSD 的分析分 2 個步驟完成：
- 第一階段涉及透過反應值識別主效應
- 第二階段涉及雙因素交互作用和二次效應辨識（基於效應遺傳原理）以及第一階段模型的反應殘差。
從提供的資訊量來看，如果您的37 次試驗DSD 涉及15 個連續因子，您的設計中可能有4 次額外試驗，因此在第1 階段，根據誤差估計假設模型（具有所有主效應）的方差與 4 次額外運行的差異。 這使得能夠識別低於某個 p 值閾值（由您或您擁有的自由度數定義）的主動效應。 由於不活躍的主效應變異性隨後會合併到誤差方差中，因此 p 值可能容易受到過程中變化的影響，最終會高於您指定的閾值，即使最初選擇的閾值也是如此。
類似的情況可能會在第 2 階段發生，其中測試二階效應的子集，以查看添加這些效應時模型 RMSE 是否有所改進（即使它們可能不具有統計顯著性）。
需要謹慎考慮的兩件事：
- 統計顯著性原則：0.05 p 值閾值不是截止值，因為在模型中考慮略高於該值的效應也可能是有趣的（由於領域專業知識，或使用不基於 p 的其他建模方法） - 值）。 此外，統計顯著性不會為您提供任何有關效果重要性/大小的資訊。
- 模型只是您記錄的實驗現實的表示。 如果您嘗試不同的建模技術，使用具有不同估計方法（兩階段前向選擇、剪枝前向選擇等）和不同驗證標準（如資訊標準AICc 和BIC）的廣義回歸平台，您最終可能會得到不同的結果楷模。 比較幾種方法以了解不同模型的相似或不同之處，並利用領域專業知識來選擇最合理的方法總是很有趣的。
希望這個回答對你有幫助
回覆：確定性篩選設計中因素的重要性親愛的維克多，
非常感謝您詳細而有用的回复，很抱歉沒有提供所有資訊。
當然，我有 15 個「連續」因子，並且按照建議包含了 4 個額外運行。 目前，我只對確定顯著影響反應的主導因素感興趣。 因此，我將認為軟體在第一階段列出的所有「活躍因素」都是重要的。
關於比較不同的模型，我發現對於某些模型來說這樣做很棘手，因為沒有 R 平方值來評估/比較模型。 有系統的方法來做到這一點嗎？
回覆：確定性篩選設計中因素的重要性你好@艾哈邁德哈迪,
如果您想比較並選擇最「合理」的模型，我建議將它們與R²（或調整後的R²）以外的其他指標進行比較，因為R² 僅考慮模型解釋的變異數比例，而不考慮其複雜性，因此如果添加越來越多的項，您最終可能會得到更高的 R²，但您將獲得一個更複雜的模型，其中可能會包含一些雜訊。
資訊標準（例如AICc 或BIC）和/或最大似然（如果您需要與正常反應分佈不同的反應分佈）可以更有效地比較和選擇模型，因為它們平衡了模型的準確性與其複雜性（模型的數量）。模型中包含的術語）。
您不必嘗試所有可能的術語組合來比較和選擇模型，因為具有不同估計方法和驗證標準的廣義回歸 (JMP Pro) 是一個半自動化過程（每種方法在達到「最佳」模型）。 更多資訊在這裡：廣義迴歸模型 (jmp.com)
您還可以查看“逐步”平台（在“擬合模型”平台中，將個性更改為“逐步”），您可以在其中“自動”篩選模型中可能的術語，並通過停止規則/標準（基於關於BIC、AICc、p 值閾值等... 我建議使用 AICc 或 BIC 等資訊標準。 好的部分是，您可以遵循不同模型創建過程中涉及的不同步驟，以及每個步驟如何影響模型的品質（就 R² 和 AICc / BIC 而言）：
它工作得很好，但畢竟您可能需要一些模型微調，因為它可能是一種貪婪的方法（它將輸入可能對模型產生積極影響的每個項目）。
更多資訊在這裡：逐步迴歸模型 (jmp.com)
還有一個選項可以嘗試“所有可能的型號”，但考慮到您擁有的因素數量較多（考慮到二階項時可能的項數量甚至更多），我不會推薦它，因為它太長且計算成本太高。
希望這個回答對你有幫助
回覆：確定性篩選設計中因素的重要性另一點需要考慮的是，軟體或演算法並不聲稱找到了最佳模型。 它們有助於從進一步的選擇中消除許多不良模型。 選擇模型的不同方法可以產生不同的解決方案。 解決方案提供的資訊應該有助於指導您進行改進。 選擇包含哪些術語取決於您，而不是軟體。
您可以嘗試另一種選擇方法，看看該解決方案是否更適合您的需求。 JMP 提供了許多此類方法。
