分析筛选实验<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好，
我对如何分析我的筛选实验有一些疑问，我正在使用 JMP 10。
我有两个层面的 5 个因素。 我做了一个筛选设计，分辨率为 IV 的部分因子设计，并添加了两个中心点。 两个因素的相互作用令人困惑，因此我增强了设计来解决它们。 我的设计不是正交的，因为在实验过程中控制某些条件很困难（例如温度无法保持在20°C，结果是22°C）。 我想找出哪些参数似乎对响应有影响，这些影响有多大，如果可以的话，还有模型中是否有曲率符号。
如果我使用筛选平台，一些因素将突出显示：主效应、一些双因素相互作用以及两个二次项。
- 突出显示的因素有什么要求？
当我使用这些突出显示的因子点击“制作模型”时，两个二次项并不显着（Prob>t 为 0.08 和 0.17）。
- 为什么它们被筛选平台突出显示，但在该模型中并不重要？
- 我应该如何解释结果（他们的估计是 -1.02 和 0.78）？ 似乎存在曲率（即使它们并不显着）？ 但它们很令人困惑，所以我无法说出哪些二次项产生了效果。
- 我不应该将它们包含在模型中吗？
- 第一个模型的 R 方调整值为 0.88，排除二次项后为 0.57。
- 我是否需要添加轴向项才能获得显着的二次项？
我应该使用另一种方法，拟合模型还是逐步回归？
问题有点多，希望有人能帮我解答一下。 提前致谢！
回复：分析筛选实验DSD 插件
最终筛选设计插件
回复：分析筛选实验在马克的评论中添加两件事：
拟合模型后，转到拟合模型标题栏旁的红色热点，然后转到行诊断并选择“按预测绘制残差”。查看图表并寻找可以表明数据曲率或其他趋势的模式。
此外，根据您使用的 JMP 版本，您应该考虑为您的下一个 DOE 使用最终筛选设计。这将为您提供最少的运行次数，以找到模型的许多（如果不是全部）活跃（重要）因子（包括曲率项）。如果您有 5 个连续因子，您的设计可能会是 11 次试验。
最好的，
账单
回复：分析筛选实验Screening 平台使用 alpha = 0.1 来选择对比度。 该标准表示 I 类错误风险（误报）是常用的 alpha 标准 0.05 的两倍。 这种风险的增加是可以接受的，因为您将继续包含这些因素，并通过更多的经验证据来决定它们是否确认为真实效果，并且因为它降低了 II 类错误风险（假阴性）。 这种权衡是可取的，因为您不会继续检查确定没有影响的因素。 这种权衡很有用，因为筛选实验通常很小且固定大小，因此您无法通过更多运行来提高功效。 目前，我将包括所有六个因素，直到进一步的证据表明其中一个或多个因素无法证实。
我对你模型中的二次项感到困惑。 您不应在筛选设计中进行必要的处理来支持模型中二次项的估计。 你只有中心点。
我们通常不建议删除所有在模型与数据的初始拟合中发现不重要的项。 保守地删除不破坏模型层次结构的最不重要项并重新拟合模型是一个好主意。 这种迭代方式更安全，因为任何项的 p 值都取决于模型中的其他项，因此当您简化线性模型时，所有项都会发生变化。
在继续过程中增强设计是在扩展和确认模型时逐步增加经验证据的好方法。
回复：分析筛选实验感谢您提供有用的答案！
是的，我只有连续因子，而且我在之前的帖子中错了：我添加了 4 个中心点，而不是 2 个。
如何决定模型中包含哪些因素？
如果我开始使用筛选平台并突出显示 6 个因素。 我用它们做了一个模型，但在模型中只有四个是重要的。 我应该只用重要的模型来制作一个新模型吗？ 然后根据失拟、调整R平方等分析该模型。
我知道半正态图很有用。 不活跃项的估计将落在具有斜率的线上δ，因为它们代表服从正态分布的随机噪声。
以下程序是否合适？使用筛选平台：
使用远离半正态图中的线的项创建模型（拟合最小二乘），但排除二次项。
仅使用重要项创建一个新模型（但如果存在两因素交互作用，则仍然是分层模型）。
- 我应该当时删除一个因素（显着性水平最低的因素）并建立一个新模型吗？ 或者我应该同时删除所有无关紧要的术语？
然后根据前面的讨论对模型进行分析。
回复：分析筛选实验我不会担心您的水平不完全符合治疗的要求。 确保在分析之前更新数据表中的值！ 这些偏差引入的相关性（非正交性）应该很小，因此不是问题 - 回归可以很好地处理此类异常。
我建议您学习指南中有关筛选平台的章节。 （帮助>书籍，>实验设计指南）这些信息将对您准备使用该平台并回答您的问题大有帮助。
您可能会考虑以下几点：
- 自动选择单个 p 值 < 0.1 的对比。 您可以通过单击并按住 Control 键单击对比度来覆盖选择，以在当前选定的对比度集中添加或删除对比度。
- 筛选平台中的 p 值取决于当前模型，即模型中包含哪些其他项。 当您单击“创建模型”时，仅包含选定的项，因此 p 值将会更改。 此外，筛选平台使用对比，但拟合最小二乘法使用参数估计。 当估计值不正交时，它们和对比之间就会存在差异，导致相关 p 值发生变化。
- 您可以使用拟合最小二乘中的失拟检验来帮助您确定是否存在曲率。 我会先删除二次项。 另请注意，此测试很弱，因为它距离 2 个中心点只有 1 个自由度。 如果此检验显着，那么您就有了曲率证据，并且可以支持一项或两项二次项。
- 您的设计矩阵中没有所有必要的处理来支持具有两个二次项的模型矩阵（回归）。 如果您认为曲率很大，那么您可以通过新的运行来增强设计。 （DOE > 增强设计。 研究指南中有关增强设计的章节。）如果没有增强，您将不得不依赖基于外部知识的信念来选择其中一个二次项。 此数据集中不支持此类选择。
- 当您添加一项时，R 方始终会增加；当您删除一项时，R 方始终会减少，无论其对模型的重要性如何。 调整后的 R 方通常具有相同的行为方式，但其惩罚使解释更加复杂。 您是否使用调整后的 R 方来选择模型？
- 筛选平台假设您的所有因素都是连续的。 我认为它们是因为您添加了中心点。
您还可以尝试仅包含五个因素的所有可能模型的逐步平台功能。
