根据设计的实验从模型中删除项好吧，假设我已经进行了具有四个 2 水平因子的完整因子设计。 在拟合模型时，我已经包含了所有双向交互。 一些因素的主效应和交互作用在 0.05 时并不显着。 如果我然后删除最不重要的因素（位于效果汇总表底部的那些因素），一些不重要的项就会变得重要。 如果我试图开发“最佳”模型，我会觉得这样做很舒服。 但是，如果我试图确定某个因素是否在响应变量中发挥作用，那么我不确定这是否合法。 在能源部的背景下，是否有适当的理由删除不重要的术语，然后将其余术语描述为重要的？
基础数据分析和建模实验设计回复：根据设计的实验从模型中删除项以下是我的总体想法（具体建议需要更深入地了解情况）：
首先，我假设您有一个包含 16 个处理的未复制阶乘。 该模型包括四阶的所有可能项。
您提出了一个关于实验和 F 测试（或任何测试）的重要概念。 实验中典型的显着性检验是将模型项的 MS 与 MSe（误差）进行比较。 这就是 F 比或 F 值。 重要的问题是：误差项是如何估计的？ 估计值对真实误差的代表性如何？ 正在进行的比较有用且具有代表性吗？
如果从模型中删除无关紧要的项（缺乏拟合），则可能会导致 MSe 偏低（小 SS 除以 DF）。 因此，当您将模型项的 MS 与较小的 MSe 进行比较时，您会得到较大的 F 值（和较小的 p 值）。
快速阅读：
https://www.additive-net.de/images/software/minitab/downloads/SCIApr2004MSE.pdf
我建议首先使用帕累托效应图评估模型项的实际意义，并使用丹尼尔的方法来评估未重复实验的统计显着性（正态/半正态图），并可能用贝叶斯图进行增强（框）。 这将为您提供没有偏见的实际意义和统计意义。
Daniel Cuthbert，“使用半正态图解释阶乘两水平实验”，技术计量学，卷。 1、1959 年 11 月 4 日
一旦确定了实验中活跃的因素/相互作用，就可以简化/简化模型。 简化模型的目的有两个：
1. 获得更有用的迭代和预测模型
2. 获取残差以帮助评估模型的充分性以及是否违反任何假设。
注意：您无需重新评估简化模型的统计显着性
回复：根据设计的实验从模型中删除项谢谢。 你关于 MSe 偏差的观点是我对其余项重要性的结论的担忧的核心……我的 I 类错误率可能比我想象的要高。 所以我可能错误地宣称了因素效应。
我要补充一点，这是一个重复实验，有四次重复，因为我们预计信噪比很差。 这是否有助于防止虚假的术语重要性声明？
这些因素是二元/分类的，并且响应是连续的。
回复：根据设计的实验从模型中删除项添加一些评论和评论@statman回答。
您的主题似乎与模型评估和选择非常相似。 在此过程中，统计显着性可能是一种指标，但不是唯一的指标（始终添加领域专业知识！）。
补充模型的估计和评估指标，例如对数似然、信息标准（AICc、BIC）或模型指标（通过 R2 和 R2 调整的解释力、通过 MSE/RMSE/RASE 的预测力……）提供不同的视角，并可能突出显示不同的型号。
然后，您可以根据领域专业知识和统计评估来选择最适合/与您的主题相关的模型，并选择使用不同的模型来估计单个预测（以了解它们的不同之处），和/或者使用组合模型来平均预测误差。
在处理多个可能的模型并尝试评估和选择一些模型来回答问题时，“所有模型都是错误的，但有些模型是有用的”是一个非常恰当的引用。
希望这个额外的答案可以帮助你，
回复：根据设计的实验从模型中删除项为什么要重复 4 次？ 复制内部和复制之间发生了什么变化？ RMSE 看起来是否合理并且与您在过程中看到的变化具有可比性？ 工艺稳定吗？
DOE 中最常见的缺陷是（转述自 Daniel）：
- 过饱和：治疗次数的影响太多
- 过度保守：对于期望的估计有太多的观察
- 未能研究数据中的错误值
- 未能考虑所有混叠
- 由于误解误差方差而导致不精确。
第 5 点很重要，特别是当您依赖 p 值来评估显着性时。
维克多关于使用其他统计数据来确定适当模型的建议也值得考虑。
回复：根据设计的实验从模型中删除项该实验是“开源的”，志愿者参与团队根据主设计矩阵进行了四次运行（随机分配的处理）。 我阻止了团队效应，以及其他令人讨厌的因素，例如场景（其中有四个）。 即使没有这些干扰因素，我也预计团队的得分（响应变量）会随着这些因素的影响而变化。 这些令人讨厌的因素是人类受试者的“现实主义”与更严格控制的实验之间的不幸妥协。
