如何分析因子设计你好，
我需要一些帮助。 最近我运行了 2^4 阶乘。 我的回答是我的挤出物的一些纹理特性。 然而，在实验过程中，在某些情况下我无法获得挤出物，因此无法获得任何纹理数据。 因此，我想要一些关于如何分析缺失数据点的设计的建议。
谢谢！
基础数据分析和建模回复：如何分析因子设计一般来说，您仍然可以像获得所有响应一样以相同的方式分析实验。 然而，一些模型项将是不可估计的。 哪些术语取决于缺少哪些治疗组合。 我还将使用评估设计平台排除与完整设计相比“缺失”的行，以查看您损失了多少功率以及估计的相关性以及其他相关设计特征。
回复：如何分析因子设计同意 P_Bartell 评估设计影响的观点。 您也许仍然可以拟合该模型。 但您需要非常小心地解释该模型，尤其是在故障区域周围。
为什么数据丢失至关重要。”我无法获得挤出物”
询问为什么会发生这种情况以及是否与所使用的因子设置有关。 例如，您是否正在前往空间的一个角落，那里的过程会陷入悬崖并失败？ 对数据表进行排序，失败的地方有什么共同点？ 响应是否有合适的上（下）界，您可以将其用作数据中的替代项来探索故障空间？ 还要考虑分析二进制 0/1 故障响应。 这是为了让您深入了解导致失败的原因，然后通过后续实验进行确认。
请务必记住，“缺失数据”可能是您收集的最重要的数据。 解释结果时不要丢弃它。
考虑增强。 例如，您可以沿着矢量向故障角进行增强，首先找到故障边缘，然后使用约束区域来增强实验。
这种情况通常会发生在这些类型的实验中吗？ 如果是这样，在未来的实验中，加强设计（例如更高分辨率和/或使用更大的模型）可以使设计对损失更加稳健。 或者执行一些初步运行来找出故障空间可能会有所帮助。
回复：如何分析因子设计我不会讨论之前的回复所带来的话题，因为它们已经很清楚了，我非常同意。
关于故障区域的设计增强，您也许可以使用空间填充方法，以便在增强中使用的点数方面具有更大的灵活性，并且在该区域的建模中具有更大的灵活性。 它也许能够更精确地绘制边界“实验可行性”区域。
关于提到的初步运行@datadad2 ，当您使用因子设计时，您可以使用范围设计来评估实验空间在高、中、低条件下运行的可行性： https://prismtc.co.uk/resources/blogs-and-articles/scoping-designs
它可以帮助避免运行失败、评估再现性和噪声，并且可以在项目的早期阶段检测曲率。回复：如何分析因子设计与之前所有海报相呼应。 好消息是您运行了阶乘，因此您可能仍然有足够的处理分数阶乘的方法。 这是我对实验中缺失数据的建议。
1. 正如 datadad 指出的那样，您从没有产生输出的处理中学到了什么（这可能是实验中信息最丰富的部分）？ 是治疗的结果还是发生了其他事情？
2. 你能开发一个替代响应变量吗？ 另一种衡量实验单位的方法。
3.您也许能够使用剩余数据的回归来创建一个模型来预测丢失的数据点（您将需要认识到可用的 DF）
4. 使用其他处理的平均值来查找缺失的数据点（这往往会标准化特定的处理效果）
5. 如果您事先预测了结果，请使用您的预测结果。
6. 执行 3-5 并用值替换缺失的数据点。 执行拟合模型分析并查看这些分析的一致性程度。 如果存在合理的一致性，您可能会对自己的分析充满信心。 如果没有，您可能需要重新运行缺失的治疗以及一些您确实有数据的治疗（以估计块效应）。
