DoE 模型問題增強親愛的 JMP 社區，
目前我們正在基於兩個實驗區塊建立 DoE 模型。
第一個模組是自訂 DoE 設計，運行 22 次，包含 7 個因素的主效果和二次效應。 第二個模組是增強設計，包含主效應、二次效應和所有可能的雙因素交互作用，共 16 次運行（總共 38 次運行，分為 2 個模組）。
在第二個區塊中，對於其中兩個因子，因子水準比第一個區塊中的更寬。
此外，7 個被評為不太可能發生的兩因素交互作用在模型對話方塊中設定為「如果可能」。 所有其他因素都保持在“必要”。
通常，我們使用擬合模型平台建立模型，僅考慮設計中的模型效果，透過點擊「運行」（個性：標準最小二乘法，重點：效果篩選），然後手動從模型中刪除不顯著的模型效果。楷模。
我們遇到了以下情況：在某些情況下，我們收到一條錯誤訊息，指出「模型缺少效果」。
透過 AICc 或 BIC 的前向逐步評估（個性：逐步）都是產生具有顯著效果的模型。
我們向您提出的問題是
- 逐步模型的“如果可能”評級以哪種形式考慮？ 如果我們看到之前被評為「如果可能」的顯著效果，則意味著設計的力量足以闡明它。 但如果我們沒有看到「如果可能」的效果，我們從哪裡知道它被考慮過呢？
- 手動方式報告問題而逐步方式有效的原因是什麼？
- BIC 標準產生的模型比 AICc 標準大得多，那麼信任小得多的 AICc 模型的理由是什麼？
先非常感謝大家，最誠摯的問候，
C.和A.
進階統計建模基礎資料分析與建模回覆：DoE 模型問題增強快速澄清一下，錯誤是由於不遵循等級制度（而不是遺傳）原則造成的。
回覆：DoE 模型問題增強不幸的是，我不了解你的具體情況，但我對你的方法感到困惑。分塊是一種用於處理與設計空間相關的雜訊的技術。噪音是你在這個過程中不願意管理或控制的因素。雜訊與區塊混淆，而不是保持雜訊恆定並對推理空間產生負面影響。這增加了推理空間，同時不會對設計的精確度產生負面影響。您可以執行完整模組 (RCBD)（即設計的完整複製品），也可以執行不完整模組 (BIB)（將模組進行細分）。
當然，設計和分析實驗的方法有很多種。沒有一種方法在所有情況下都是最好的。有許多因素會影響設計選擇（例如，雜訊策略、限制、因素數量、所需的解析度（線性和非線性）、要估計的所需效果、隨機化的限制等），這些應該在選擇設計之前要考慮。在選擇設計時，您應該考慮哪些效果可以估計，哪些效果會被混淆，哪些效果會受到限制。這是可以獲得的潛在知識。這些知識應該與所需的資源相平衡。
我的偏見是用減法模型建構方法來分析實驗。即從飽和模型開始並刪除無關緊要的項。這是因為在設計實驗時我心裡已經有模型了。當使用歷史/觀察數據時，我從附加方法（例如逐步）開始，因為我正在尋找線索來提出最終將在實驗中進行測試的假設。
最後，始終從數據的實際評估開始。研究中的反應變數變化是否足夠（有實際意義）以確保進一步調查？接下來，圖形分析（資料的多個繪圖，尋找反應變數中的模式和 x 中的匹配模式。最後是定量分析，這裡使用了維克多建議的許多統計數據。
回覆：DoE 模型問題增強你好@statman ,
感謝您的澄清和更正。
關於阻塞，如@我愛jmp提到他增強了設計，我認為這意味著他使用“將新運行分組到單獨的塊中”選項增強了設計，因此在設計中添加了一個塊因子，其中一個塊用於原始設計，一個塊用於增強運行。 實際上，當一組實驗在時間上分開並且測量系統中可能存在校準誤差和/或偏移/漂移時，這可能是一種良好且「安全」的做法。
完全同意您關於 DoE 資料（和先驗模型）與觀察資料（以及資料探勘/模型不可知方法）之間的建模思維方式。
回覆：DoE 模型問題增強你好@我愛jmp ,
歡迎來到社區！
當您違反遺傳原理時，例如引入二次效應或雙因素交互作用但未引入相關的主效應，您可能會遇到您所看到的錯誤訊息。 DoE 基於三個原則：效應稀疏性、效應遺傳性和效應層次結構，有關此答案的更多資訊和詳細資訊：美國能源部原則 - JMP 社區
通常，確保所有主要效應都存在應該有助於避免此訊息。
為了確保此訊息與此問題相關，最好有更多上下文，也許是重現此問題的資料表（使用匿名資料）？
「如果可能」設定用於設計創建，可能會影響分析。 它基本上告訴 JMP（以及背後的坐標交換演算法）您想要研究的術語的優先級/排名、必須計算的估計的相對精度，以及如何分配資源（設計點）以最大化學習您想要的（具有必要的效果，如果可能的話）。
有時可以分配點來估計這些影響，有時由於使用者要求的實驗空間和/或實驗預算（運行次數）的限制，這是不可能的。 「如果可能」效果項目不會增加所需的運行次數，因此預設情況下您最終會得到與未在「模型」面板中輸入這些效果相同的運行次數。這意味著在分析中，無論您採用何種分析方法，您都可能無法根據設計中點和別名的分配來估計這些影響。
更多技術細節在這裡：具有可能效果的設計 (jmp.com)
預設情況下，逐步建模並不假設效應遺傳和效應層次，它是一種「不可知」方法，嘗試根據標準（AICc、BIC、p 值等）找到最佳模型。 因此，您最終可能會得到與標準最小二乘法（尊重所有能源部原則）不同的模型。 我顯然會嘗試在美國能源部創建的資料集中尊重這些原則，如果包含該因素的高階效應仍然存在，則不會消除主要效應（即使統計上不顯著）。
因此，即使你打破了效應遺傳或層次原則，Stepwise 仍然有效，因為它只是評估許多可能的模型並使用最能改進模型的術語。
當您處理具有特定結構和資料生成的資料集時，我不建議使用資料探勘/「不可知」建模方法（例如逐步），除非您想將先前的建模與其他方法的新見解進行比較。
這是一種奇怪的情況，因為通常 BIC 會因為計算上的差異而對具有比 AICc 更多項的模型進行懲罰： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/likelihood-aicc-and-bic.shtml
然而，這並不罕見，因為我能夠非常輕鬆地重現您的情況：
最後，它「只是」指導您進行建模的資訊標準，有趣的是比較它們同意的條款以及它們不同的條款，用其他指標評估可能的不同模型（統計顯著性）模型、R² 和R² 調整、模型的RMSE ...），具體取決於您的目標，並根據所有這些資訊和您的領域專業知識做出決定！
希望這個回答對你有幫助
回覆：DoE 模型問題增強此回應不是爭論，而只是澄清一點。 許多人交替使用“等級制度”和“遺傳”這兩個術語。 以下是 JMP 使用這些術語的方式：
• 效應的層次結構－一階效應代表變化最大，二階效應代表
考慮較小的變化。
• 效應遺傳－高階項通常涉及具有顯著主效應的因素。
回覆：DoE 模型問題增強謝謝@馬克貝利！
我的腦海中和我在第一個回覆中提到的回覆中都有相同的定義。
這就是為什麼我認為錯誤訊息是直接後果遺傳原理被破壞了（因為它影響了分析之前的模型結構，這不符合資料生成過程/設計結構），而不是結果等級原則被破壞了（因為一旦模型啟動，它會影響更多的分析和變化重新分配）。
您能否確認和/或解釋一下？
回覆：DoE 模型問題增強此錯誤是由於違反了層次原則所造成的。當分析中指定了高階項但缺少低階項時，就會出現錯誤。您不會得到遺傳錯誤。遺傳用於幫助理解混淆的高階術語。例如，假設我們運行了 Res IV 分數階乘，在分析過程中我們發現了顯著的影響。這些效果是別名項的函數（例如，主效果與三階交互作用別名，2 因子交互作用與其他 2 因子交互作用別名）。
X4= X1*X2*X3（設計產生器）；我=X1*X2*X3*X4
X1*X2=X3*X4
我們可以使用層次原則作為理由來得出主效應可能是影響效應與三階效應的結論。層次結構無助於輔助包含多個二階效果的效果（它們是相同的層次結構）。為了幫助理解這兩個因素的相互作用中哪一個最有可能產生顯著的效果（記住它們是別名的，所以沒有數學可以幫助），我們可以應用遺傳原理。我們會查看是否有任何主效果顯著，如果是，我們有證據表明包含顯著主效果的 2 因素交互作用可能是促成因素。 例子：
X1 顯著（X1=X2*X3*X4）
X1*X2 很重要（X1*X2=X3*X4），我們懷疑它是 X1*X2，因為 X1 也處於活動狀態。
回覆：DoE 模型問題增強親愛的 Victor_G、statman 和 Mark_bailey，
首先非常感謝您針對我們的問題提供的建議、解釋和討論。 我們非常感謝您的意見！
抱歉未能及時回覆大家。 關於阻塞因素 Victor_G 解釋得很好。 引入此因素是為了考慮由於時間上的區塊分離可能（或很可能）引入的變異數（除了時間之外，還有其他最可能重要的因素會增加阻塞）。
關於模型生成期間的錯誤訊息：考慮到您對遺傳和層次結構的解釋，我們認為您在這裡指出了這一點，並且我們能夠規避錯誤訊息。
為了給您提供有關 DoE 和基礎實驗的更多背景信息，這裡是增強設計
請注意，對於包含因素“a”的兩個因素交互作用，模型中的可估計性設定為“如果可能”，因為根據主題專業知識，這些交互作用被評為不太可能顯著。
我們現在在採用標準最小平方法的擬合模型平台中看到的是這樣的（黃色=主效應、二次效應、被評為必要的兩因素交互作用；藍色=被評為可能的兩因素相互作用）。
通常，我們會繼續從下到上刪除項，直到模型中僅保留重要項。 現在的問題是，首先，只有非常大的 P 值（除了區塊之外）才會出現，其次，主要影響是底部的因素。 所以我們不能採用「從下到上刪除術語」的標準程序。 隱藏在藍色方塊下方的效果是「如果可能」的相互作用。
例如，如果我們刪除其中一個「如果可能」的交互，那麼在視覺上就什麼都沒有了。 但是當我們刪除其中 3 個（無論是哪一個）時，模型突然看起來像這樣。 因此，從這裡開始，我們基本上可以繼續採用「自下而上」的刪除方法。
現在的問題是如何繼續生成模型。 我們不能只刪除三個「如果可能」的交互作用，因為這些交互作用可能是重要的項，此處所示為其中一些（藍色方塊）保留在具有顯著 P 值的模型中。
此時我們很困惑，也許您可以給我們建議，為什麼會發生這種情況以及我們如何解決這個問題？
非常感謝您再次抽出時間，最誠摯的問候，
C和A
回覆：DoE 模型問題增強你好@我愛jmp ,
不直接回答您的問題，但您可能會嘗試將區塊因子設定為“隨機”，因為您對區塊（時間和其他不受控制的因素）引起的變異性變化更感興趣，而不是區塊引起的平均變化響應（即你將無法重現）。
建立模型時，按一下「區塊」並點擊「屬性」中的紅色三角形，以將此術語指定為隨機效應：
這將創建一個以區塊為隨機效應的混合模型，其顯著性將根據反應變異性的變化而不是反應平均值的變化來評估。 這也應該有助於其他因素「表達」自己，因為它們不會直接與區塊因素進行比較。
稍後我會回答其他問題（如果還需要的話），
