分析篩選實驗<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好，
我對如何分析我的篩選實驗有一些疑問，我正在使用 JMP 10。
我有兩個層面的 5 個因素。 我做了一個篩選設計，分辨率為 IV 的部分因子設計，並添加了兩個中心點。 兩個因素的相互作用令人困惑，因此我增強了設計來解決它們。 我的設計不是正交的，因為在實驗過程中控制某些條件很困難（例如溫度無法保持在20°C，結果是22°C）。 我想找出哪些參數似乎對反應有影響，這些影響有多大，如果可以的話，還有模型中是否有曲率符號。
如果我使用篩選平台，一些因素將突出顯示：主效應、一些雙因素交互作用以及兩個二次項。
- 突出顯示的因素有什麼要求？
當我使用這些突出顯示的因子點擊「製作模型」時，兩個二次項並不顯著（Prob>t 為 0.08 和 0.17）。
- 為什麼它們被篩選平台突出顯示，但在該模型中並不重要？
- 我應該如何解釋結果（他們的估計是 -1.02 和 0.78）？ 似乎存在曲率（即使它們並不顯著）？ 但它們很令人困惑，所以我無法說出哪些二次項產生了效果。
- 我不應該將它們包含在模型中嗎？
- 第一個模型的 R 方調整值為 0.88，排除二次項後為 0.57。
- 我是否需要添加軸向項才能獲得顯著的二次項？
我應該使用另一種方法，擬合模型還是逐步迴歸？
問題很多，希望有人能幫我解答。 先致謝！
回覆：分析篩選實驗DSD 插件
最終篩選設計插件
回覆：分析篩選實驗在馬克的評論中添加兩件事：
擬合模型後，轉到擬合模型標題列旁的紅色熱點，然後轉到行診斷並選擇「按預測繪製殘差」。查看圖表並尋找可以表明資料曲率或其他趨勢的模式。
此外，根據您使用的 JMP 版本，您應該考慮為您的下一個 DOE 使用最終篩選設計。這將為您提供最少的運行次數，以找到模型的許多（如果不是全部）活躍（重要）因子（包括曲率項）。如果您有 5 個連續因子，您的設計可能會是 11 次試驗。
最好的，
帳單
回覆：分析篩選實驗Screening 平台使用 alpha = 0.1 來選擇對比。 此標準表示 I 類錯誤風險（誤報）是常用的 alpha 標準 0.05 的兩倍。 這種風險的增加是可以接受的，因為您將繼續包含這些因素，並透過更多的經驗證據來決定它們是否確認為真實效果，並且因為它降低了 II 類錯誤風險（假陰性）。 這種權衡是可取的，因為您不會繼續檢查確定沒有影響的因素。 這種權衡很有用，因為篩選實驗通常很小且固定大小，因此您無法透過更多運行來提高功效。 目前，我將包括所有六個因素，直到進一步的證據表明其中一個或多個因素無法證實。
我對你模型中的二次項感到困惑。 您不應在篩選設計中進行必要的處理來支援模型中二次項的估計。 你只有中心點。
我們通常不建議刪除所有在模型與資料的初始擬合中發現不重要的項。 保守地刪除不破壞模型層次結構的最不重要項目並重新擬合模型是一個好主意。 這種迭代方式更安全，因為任何項的 p 值都取決於模型中的其他項，因此當您簡化線性模型時，所有項都會變更。
在繼續過程中增強設計是在擴展和確認模型時逐步增加經驗證據的好方法。
回覆：分析篩選實驗感謝您提供有用的答案！
是的，我只有連續因子，而且我在之前的帖子中錯了：我添加了 4 個中心點，而不是 2 個。
如何決定模型中包含哪些因素？
如果我開始使用篩選平台並突出顯示 6 個因素。 我用它們做了一個模型，但在模型中只有四個是重要的。 我應該只用重要的模型來製作一個新模型嗎？ 再根據失擬、調整R平方等分析模型。
我知道半常態圖很有用。 不活躍項的估計將落在具有斜率的線上δ，因為它們代表服從常態分佈的隨機雜訊。
以下程序是否適當？使用篩選平台：
使用遠離半常態圖中的線的項來建立模型（擬合最小平方法），但排除二次項。
僅使用重要項建立一個新模型（但如果存在兩因素交互作用，則仍然是分層模型）。
- 我應該當時刪除一個因素（顯著性水準最低的因素）並建立一個新模型嗎？ 或者我應該同時刪除所有無關緊要的術語？
然後根據前面的討論對模型進行分析。
回覆：分析篩選實驗我不會擔心您的水平不完全符合治療的要求。 確保在分析之前更新資料表中的值！ 這些偏差引入的相關性（非正交性）應該很小，因此不是問題 - 回歸可以很好地處理此類異常。
我建議您學習指南中有關篩選平台的章節。 （幫助>書籍，>實驗設計指南）這些資訊將對您準備使用該平台並回答您的問題大有幫助。
您可能會考慮以下幾點：
- 自動選擇單一 p 值 < 0.1 的對比。 您可以透過點擊並按住 Control 鍵點擊對比度來覆蓋選擇，以在目前選定的對比度集中新增或刪除對比。
- 篩選平台中的 p 值取決於目前模型，即模型中包含哪些其他項目。 當您按一下「建立模型」時，僅包含選取的項，因此 p 值將會變更。 此外，篩選平台使用對比，但擬合最小平方法使用參數估計。 當估計值不正交時，它們和對比之間就會存在差異，導致相關 p 值發生變化。
- 您可以使用擬合最小二乘中的失擬檢定來幫助您確定是否存在曲率。 我會先刪除二次項。 另請注意，此測試很弱，因為它距離 2 個中心點只有 1 個自由度。 如果此檢定顯著，那麼您就有了曲率證據，並且可以支持一項或兩項二次項。
- 您的設計矩陣中沒有所有必要的處理來支援具有兩個二次項的模型矩陣（迴歸）。 如果您認為曲率很大，那麼您可以透過新的運行來增強設計。 （DOE > 增強設計。 研究指南中有關增強設計的章節。）如果沒有增強，您將不得不依賴基於外部知識的信念來選擇其中一個二次項。 此資料集中不支援此類選擇。
- 當您新增一項時，R 方始終會增加；當您刪除一項時，R 方始終會減少，無論其對模型的重要性為何。 調整後的 R 方通常具有相同的行為方式，但其懲罰使解釋更加複雜。 您是否使用調整後的 R 方來選擇模型？
- 篩選平台假設您的所有因素都是連續的。 我認為它們是因為您添加了中心點。
您也可以嘗試僅包含五個因素的所有可能模型的逐步平台功能。
