DoE 模型问题增强亲爱的 JMP 社区，
目前我们正在基于两个实验块建立 DoE 模型。
第一个块是自定义 DoE 设计，运行 22 次，包含 7 个因子的主效应和二次效应。 第二个模块是增强设计，包含主效应、二次效应和所有可能的双因素交互作用，共 16 次运行（总共 38 次运行，分为 2 个模块）。
在第二个块中，对于其中两个因子，因子水平比第一个块中的更宽。
此外，7 个被评为不太可能发生的两因素交互作用在模型对话框中设置为“如果可能”。 所有其他因素都保持在“必要”。
通常，我们使用拟合模型平台建立模型，仅考虑设计中的模型效果，通过单击“运行”（个性：标准最小二乘法，重点：效果筛选），然后手动从模型中删除不显着的模型效果。楷模。
我们遇到了以下情况：在某些情况下，我们收到一条错误消息，指出“模型缺少效果”。
通过 AICc 或 BIC 的前向逐步评估（个性：逐步）都是产生具有显着效果的模型。
我们向您提出的问题是
- 逐步模型的“如果可能”评级以哪种形式考虑？ 如果我们看到之前被评为“如果可能”的显着效果，则意味着设计的力量足以阐明它。 但如果我们没有看到“如果可能”的效果，我们从哪里知道它被考虑过呢？
- 手动方式报告问题而逐步方式有效的原因是什么？
- BIC 标准产生的模型比 AICc 标准大得多，那么信任小得多的 AICc 模型的理由是什么？
预先非常感谢大家，最诚挚的问候，
C.和A.
高级统计建模基础数据分析和建模回复：DoE 模型问题增强快速澄清一下，错误是由于不遵循等级制度（而不是遗传）原则造成的。
回复：DoE 模型问题增强不幸的是，我不了解你的具体情况，但我对你的方法感到困惑。分块是一种用于处理与设计空间相关的噪声的技术。噪音是你在这个过程中不愿意管理或控制的因素。噪声与块混淆，而不是保持噪声恒定并对推理空间产生负面影响。这增加了推理空间，同时不会对设计的精度产生负面影响。您可以运行完整模块 (RCBD)（即设计的完整复制品），也可以运行不完整模块 (BIB)（将模块进行细分）。
当然，设计和分析实验的方法有多种。没有一种方法在所有情况下都是最好的。有许多因素会影响设计选择（例如，噪声策略、约束、因素数量、所需的分辨率（线性和非线性）、要估计的所需效果、随机化的限制等），这些应该在选择设计之前要考虑。在选择设计时，您应该考虑哪些效果可以估计，哪些效果会被混淆，哪些效果会受到限制。这是可以获得的潜在知识。这些知识应该与所需的资源相平衡。
我的偏见是用减法模型构建方法来分析实验。即从饱和模型开始并删除无关紧要的项。这是因为在设计实验时我心里已经有了一个模型。当使用历史/观察数据时，我从附加方法（例如逐步）开始，因为我正在寻找线索来提出最终将在实验中进行测试的假设。
最后，始终从数据的实际评估开始。研究中的响应变量变化是否足够（有实际意义）以保证进一步调查？接下来，图形分析（数据的多个绘图，寻找响应变量中的模式和 x 中的匹配模式。最后是定量分析，这里使用了维克多建议的许多统计数据。
回复：DoE 模型问题增强你好@statman ,
感谢您的澄清和更正。
关于阻塞，如@我爱jmp提到他增强了设计，我认为这意味着他使用“将新运行分组到单独的块中”选项增强了设计，因此在设计中添加了一个块因子，其中一个块用于原始设计，一个块用于增强运行。 实际上，当一组实验在时间上分开并且测量系统中可能存在校准误差和/或偏移/漂移时，这可能是一种良好且“安全”的做法。
完全同意您关于 DoE 数据（和先验模型）与观察数据（以及数据挖掘/模型不可知方法）之间的建模思维方式。
回复：DoE 模型问题增强你好@我爱jmp ,
欢迎来到社区！
当您违反遗传原理时，例如引入二次效应或双因素交互作用但未引入相关的主效应，您可能会遇到您所看到的错误消息。 DoE 基于三个原则：效应稀疏性、效应遗传性和效应层次结构，有关此答案的更多信息和详细信息：美国能源部原则 - JMP 社区
通常，确保所有主要效应都存在应该有助于避免出现此消息。
为了确保此消息与此问题相关，最好有更多上下文，也许是重现此问题的数据表（使用匿名数据）？
“如果可能”设置用于设计创建，可能会影响分析。 它基本上告诉 JMP（以及背后的坐标交换算法）您想要研究的术语的优先级/排名、必须计算的估计的相对精度，以及如何分配资源（设计点）以最大化学习你想要的（具有必要的效果，如果可能的话）。
有时可以分配点来估计这些影响，有时由于用户要求的实验空间和/或实验预算（运行次数）的限制，这是不可能的。 “如果可能”效果项不会增加所需的运行次数，因此默认情况下您最终会得到与未在“模型”面板中输入这些效果相同的运行次数。这意味着在分析中，无论您采用何种分析方法，您都可能无法根据设计中点和别名的分配来估计这些影响。
更多技术细节在这里：具有可能效果的设计 (jmp.com)
默认情况下，逐步建模并不假设效应遗传和效应层次，它是一种“不可知”方法，尝试根据标准（AICc、BIC、p 值等）找到最佳模型。 因此，您最终可能会得到与标准最小二乘法（尊重所有能源部原则）不同的模型。 我显然会尝试在美国能源部创建的数据集中尊重这些原则，并且如果包含该因素的高阶效应仍然存在，则不会消除主要效应（即使统计上不显着）。
因此，即使你打破了效应遗传或层次原则，Stepwise 仍然有效，因为它只是评估许多可能的模型并使用最能改进模型的术语。
当您处理具有特定结构和数据生成的数据集时，我不建议使用数据挖掘/“不可知”建模方法（例如逐步），除非您想将以前的建模与其他方法的新见解进行比较。
这是一种奇怪的情况，因为通常 BIC 会因为计算上的差异而对具有比 AICc 更多项的模型进行惩罚： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/likelihood-aicc-and-bic.shtml
然而，这并不罕见，因为我能够非常轻松地重现您的情况：
最后，它“只是”指导您进行建模的信息标准，有趣的是比较它们同意的条款以及它们不同的条款，用其他指标评估可能的不同模型（统计显着性）模型、R² 和 R² 调整、模型的 RMSE ...），具体取决于您的目标，并根据所有这些信息和您的领域专业知识做出决定！
希望这个回答对你有帮助
回复：DoE 模型问题增强此回复不是争论，而只是澄清一点。 许多人交替使用“等级制度”和“遗传”这两个术语。 以下是 JMP 使用这些术语的方式：
• 效应的层次结构——一阶效应代表变化最大，二阶效应代表
考虑较小的变化。
• 效应遗传——高阶项通常涉及具有显着主效应的因素。
回复：DoE 模型问题增强谢谢@马克贝利！
我的脑海中和我在第一个回复中提到的回复中都有相同的定义。
这就是为什么我认为错误消息是直接后果遗传原理被破坏了（因为它影响了分析之前的模型结构，这不符合数据生成过程/设计结构），而不是结果等级原则被破坏了（因为一旦模型启动，它会影响更多的分析和变化重新分配）。
您能否确认和/或解释一下？
回复：DoE 模型问题增强该错误是由于违反了层次原则造成的。当分析中指定了高阶项但缺少低阶项时，就会出现错误。您不会得到遗传错误。遗传用于帮助理解混淆的高阶术语。例如，假设我们运行了 Res IV 分数阶乘，在分析过程中我们发现了显着的影响。这些效应是别名项的函数（例如，主效应与三阶交互作用别名，2 因子交互作用与其他 2 因子交互作用别名）。
X4= X1*X2*X3（设计生成器）；我=X1*X2*X3*X4
X1*X2=X3*X4
我们可以使用层次原则作为理由来得出主效应可能是影响效应与三阶效应的结论。层次结构无助于辅助包含多个二阶效果的效果（它们是相同的层次结构）。为了帮助理解这两个因素的相互作用中哪一个最有可能产生显着的效果（记住它们是别名的，所以没有数学可以帮助），我们可以应用遗传原理。我们会查看是否有任何主效应显着，如果是，我们有证据表明包括显着主效应的 2 因素交互作用可能是促成因素。 例子：
X1 显着（X1=X2*X3*X4）
X1*X2 很重要（X1*X2=X3*X4），我们怀疑它是 X1*X2，因为 X1 也处于活动状态。
回复：DoE 模型问题增强亲爱的 Victor_G、statman 和 Mark_bailey，
首先非常感谢您针对我们的问题提供的建议、解释和讨论。 我们非常感谢您的意见！
抱歉未能及时回复大家。 关于阻塞因素 Victor_G 解释得很好。 引入该因素是为了考虑由于时间上的块分离可能（或很可能）引入的方差（除了时间之外，还有其他最可能重要的因素会增加阻塞）。
关于模型生成期间的错误消息：考虑到您对遗传和层次结构的解释，我们认为您在这里指出了这一点，并且我们能够规避错误消息。
为了给您提供有关 DoE 和基础实验的更多背景信息，这里是增强设计
请注意，对于包含因素“a”的两个因素交互作用，模型中的可估计性设置为“如果可能”，因为根据主题专业知识，这些交互作用被评为不太可能显着。
我们现在在采用标准最小二乘法的拟合模型平台中看到的是这样的（黄色=主效应、二次效应、被评为必要的两因素相互作用；蓝色=被评为可能的两因素相互作用）。
通常，我们会继续从下到上删除项，直到模型中仅保留重要项。 现在的问题是，首先，只有非常大的 P 值（除了区块之外）才会出现，其次，主要影响是底部的因素。 所以我们不能采用“从下到上删除术语”的标准程序。 隐藏在蓝色方块下方的效果是“如果可能”的相互作用。
例如，如果我们删除其中一个“如果可能”的交互，那么在视觉上就什么都没有了。 但是当我们删除其中 3 个（无论是哪一个）时，模型突然看起来像这样。 因此，从这里开始，我们基本上可以继续采用“自下而上”的删除方法。
现在的问题是如何继续生成模型。 我们不能只删除三个“如果可能”的交互作用，因为这些交互作用可能是重要的项，此处所示为其中一些（蓝色方块）保留在具有显着 P 值的模型中。
此时我们很困惑，也许您可以给我们建议，为什么会发生这种情况以及我们如何解决这个问题？
非常感谢您再次抽出时间，最诚挚的问候，
C和A
回复：DoE 模型问题增强你好@我爱jmp ,
不直接回答您的问题，但您可能会尝试将块因子设置为“随机”，因为您对块（时间和其他不受控制的因素）引起的变异性变化更感兴趣，而不是块引起的平均变化响应（即你将无法重现）。
创建模型时，单击“块”并单击“属性”中的红色三角形，以将该术语指定为随机效应：
这将创建一个以块为随机效应的混合模型，其显着性将根据响应变异性的变化而不是响应均值的变化来评估。 这也应该有助于其他因素“表达”自己，因为它们不会直接与块因素进行比较。
稍后我会回答其他问题（如果还需要的话），
