根據設計的實驗從模型中刪除項好吧，假設我已經進行了具有四個 2 水平因子的完整因子設計。 在擬合模型時，我已經包含了所有雙向交互作用。 有些因素的主效果和交互作用在 0.05 時並不顯著。 如果我接著刪除最不重要的因素（位於效果總表底部的那些因素），一些不重要的項就會變得重要。 如果我試圖開發“最佳”模型，我會覺得這樣做很舒服。 但是，如果我試圖確定某個因素是否在反應變數中發揮作用，那麼我不確定這是否合法。 在能源部的背景下，是否有適當的理由刪除不重要的術語，然後將其餘術語描述為重要的？
基礎資料分析與建模實驗設計回覆：根據設計的實驗從模型中刪除項以下是我的整體想法（具體建議需要更深入地了解情況）：
首先，我假設您有一個包含 16 個處理的未複製階乘。 此模型包括四階的所有可能項。
您提出了一個關於實驗和 F 測試（或任何測試）的重要概念。 實驗中典型的顯著性檢定是將模型項的 MS 與 MSe（誤差）進行比較。 這就是 F 比或 F 值。 重要的問題是：誤差項是如何估計的？ 估計值對真實誤差的代表性如何？ 正在進行的比較有用且具有代表性嗎？
如果從模型中刪除無關緊要的項（缺乏擬合），則可能會導致 MSe 偏低（小 SS 除以 DF）。 因此，當您將模型項目的 MS 與較小的 MSe 進行比較時，您會得到較大的 F 值（和較小的 p 值）。
快速閱讀：
https://www.additive-net.de/images/software/minitab/downloads/SCIApr2004MSE.pdf
我建議先使用帕累托效應圖評估模型項的實際意義，並使用丹尼爾的方法來評估未重複實驗的統計顯著性（常態/半正態圖），並可能用貝葉斯圖進行增強（框）。 這將為您提供沒有偏見的實際意義和統計意義。
Daniel Cuthbert，“使用半正態圖解釋階乘兩水平實驗”，技術計量學，卷。 1、1959 年 11 月 4 日
一旦確定了實驗中活躍的因素/交互作用，就可以簡化/簡化模型。 簡化模型的目的有兩個：
1. 獲得更有用的迭代和預測模型
2. 取得殘差以幫助評估模型的充分性以及是否違反任何假設。
注意：您無需重新評估簡化模型的統計顯著性
回覆：根據設計的實驗從模型中刪除項謝謝。 你關於 MSe 偏差的觀點是我對其餘項重要性的結論的擔憂的核心……我的 I 類錯誤率可能比我想像的要高。 所以我可能錯誤地宣稱了因素效應。
我要補充一點，這是一個重複實驗，有四次重複，因為我們預期信噪比很差。 這是否有助於防止虛假的術語重要性聲明？
這些因素是二元/分類的，並且反應是連續的。
回覆：根據設計的實驗從模型中刪除項添加一些評論和評論@statman回答。
您的主題似乎與模型評估和選擇非常相似。 在此過程中，統計顯著性可能是一種指標，但不是唯一的指標（始終添加領域專業知識！）。
補充模型的估計和評估指標，例如對數似然、資訊標準（AICc、BIC）或模型指標（透過R2 和R2 調整的解釋力、透過MSE/RMSE/RASE 的預測力…）提供不同的視角，並可能突出顯示不同的型號。
然後，您可以根據領域專業知識和統計評估來選擇最適合/與您的主題相關的模型，並選擇使用不同的模型來估計單一預測（以了解它們的不同之處），和/或使用組合模型來平均預測誤差。
在處理多個可能的模型並嘗試評估和選擇一些模型來回答問題時，「所有模型都是錯誤的，但有些模型是有用的」是一個非常恰當的引用。
希望這個額外的答案可以幫助你，
回覆：根據設計的實驗從模型中刪除項為什麼要重複 4 次？ 複製內部和複製之間發生了什麼變化？ RMSE 看起來是否合理並且與您在過程中看到的變化具有可比性？ 工藝穩定嗎？
DOE 中最常見的缺陷是（轉述自 Daniel）：
- 過飽和：治療次數的影響太多
- 過度保守：對於期望的估計有太多的觀察
- 未能研究數據中的錯誤值
- 未能考慮所有混疊
- 由於誤解誤差方差而導致不精確。
第 5 點很重要，特別是當您依賴 p 值來評估顯著性時。
維克多關於使用其他統計數據來確定適當模型的建議也值得考慮。
回覆：根據設計的實驗從模型中刪除項該實驗是“開源的”，志願者參與團隊根據主設計矩陣進行了四次運行（隨機分配的處理）。 我阻止了團隊效應，以及其他令人討厭的因素，例如場景（其中有四個）。 即使沒有這些幹擾因素，我也預期團隊的得分（反應變數）會隨著這些因素的影響而改變。 這些令人討厭的因素是人類受試者的「現實主義」與更嚴格控制的實驗之間的不幸妥協。
