使用 DOE 结果作为定量或定性预测（基于效果总结）大家好，
我正在做一个包含 2 个因子和 2 个响应的全阶乘 DOE。 并想知道怎么做
测试并运行模型后。 结果表明，不存在显着因素，也不存在显着模型。
但是看看交互分析器。 我在因子 A 和响应 X 中看到了一些明显的趋势。
所以我的问题是如何正确使用这个结果。
- 因此，我无法使用回归模型进行定量预测。 因为它在统计上不显着（不实用）
- 有了趋势，我仍然可以用它来定性地预测它（趋势），例如：当增加因子 A 时，X 将增加。
我理解正确吗？或者我误解了这个结果？
希望有高手可以帮助我。 谢谢你们
实验设计回复：使用 DOE 结果作为定量或定性预测（基于效果总结）你好@Justin_Bui ,
为什么您没有发现模型中的项具有统计显着性，可能有多种解释：
- 因子范围太窄（因此可能更难以找到高水平和低水平之间的统计差异），
- 响应的高度可变性，
- 不适当的模型（和/或模型中的术语选择），
- 对于设计来说样本量太小（检测统计显着效应的功效太低），
- 缺少从统计角度解释响应变化的因素，
- 实际上非统计显着因素，
- 结合以上选项，
- 其他考虑因素...
考虑到您的设计和假设的模型，您可以开始评估您的设计，以了解如果它们处于活动状态，您将有多大可能检测到统计上显着的影响（请参阅数据表中的脚本“评估设计”）。 看来您检测主效应和交互作用的能力相当低，因此，如果您考虑到此响应的高变异性（检测到统计上的概率约为 5%），那么没有找到响应 Y 的任何统计显着项也就不足为奇了。 6 次实验的响应 Y 的显着性水平为 0.05，RMSE 约为 5，具有显着效果（如果有效）：
为了在建模之前有一个良好的起点，最好从简单开始，并做一些图表/可视化来查看趋势。 这可以进一步改进并告知您的建模选项，可视化还可以帮助您在建模过程中评估模型的相关性（例如通过查看残差图、实际与预测等）。
同样值得考虑的是这些因素的实际意义。在您提供响应 Y 并查看参数估计值的示例中，对于一个单位的因子 B，响应 Y 的变化 20 是否代表实际显着的增加/减少？
您可能会发现响应 Y 是趋势，可以通过进行额外的实验（增强设计以添加确认此模型的运行，和/或复制现有运行以更好地评估响应的变异性）来进一步研究趋势。 统计显着性有助于您更确定地解释结果。 例如，在响应 Y 中，您可以看到参数估计值具有相对较高的标准误差，这意味着可能无法精确估计效果的大小。 因此，在这种情况下，最好谨慎地解释趋势。
对于响应 X，似乎涉及因子 A 项及其二次效应的模型足以拥有适当的（或至少足够相关）模型。 我让您评估所附数据表中的响应 X 模型。
我希望第一个答案可以帮助你
回复：使用 DOE 结果作为定量或定性预测（基于效果总结）贾斯汀，
在 Victor_G 提出的非常明确的观点的基础上添加一个小的“其他考虑因素”......
在查看原始数据时，响应 X 和响应 Y 的值似乎具有非常粗略的测量值。虽然这可能是您发布示例的翻译的产物，但它指出了一个问题。
在六次运行中，X 只有三个值选项，Y 只有两个值。虽然因子模式 00 的重复结果相同是件好事，但测量系统缺乏精度可能会影响流程理解。
*考虑是否可以提高测量系统精度*。
如果响应 X 的测定只能报告无（0）、中等（10）、大（15）并且响应 Y 为无（0）或某些（25）...
根据 DOE 过程中成本和时间负担发生的位置，考虑重复测量与重复运行。
回复：使用 DOE 结果作为定量或定性预测（基于效果总结）虽然格雷格提出了很好的观点，但问题在于歧视或有效解决，而不是精确性。
