设计实验时，常见的诊断是效果的统计功效。 Bradley Jones就这个主题撰写了许多博客文章。本质上，在给定指定模型的情况下，我们能够检测到不可忽略的影响的概率是多少？当然，为了做到这一点，需要一组假设/规范，例如效应大小、误差和检验的显着性水平。如果您不熟悉该主题，我鼓励您阅读以前的一些博客文章。
如果我们的响应是连续的，并且假设是线性回归模型，则可以使用设计评估下功效分析大纲的结果。但是，如果我们的响应基于通过/失败数据，并且我们计划在每次实验运行中进行 10 次试验，该怎么办？对于此响应，我们可以拟合逻辑回归模型，但不能在设计评估大纲中使用结果。尽管如此，我们仍然对力量感兴趣......
该怎么办？
我们可以进行文献综述来了解如何估计功效，并希望找到适用的东西（并针对未来出现的每个具体案例这样做）。但是，运行蒙特卡罗模拟更为直接。为此，我们需要能够根据指定的逻辑回归模型生成响应。对于每个生成的响应，拟合模型，并针对每个效应检查 p 值是否低于某个阈值（例如 0.05）。这在使用 JSL 的JMP的早期版本中是可能的，但需要一定程度的脚本编写能力，特别是脚本公式以及从 JMP 报告中提取信息的能力。此外，您还需要抽出时间来编写脚本。在JMP Pro 13中，您现在只需点击几下鼠标即可执行蒙特卡罗模拟。
听起来棒极了
当我第一次看到新的一键模拟时，我欣喜若狂，想到了设计实验的可能用途。使用一键模拟功能所需的关键元素是包含具有随机成分的公式的列。如果您阅读了我之前关于DOE 中改进的模拟响应的博客文章，那么您就会知道我们已经有一种方法可以生成这样的公式，而无需自己编写。
1. 创建设计，然后制作表格并选中“模拟响应”
在此示例中，我们有四个因素 (AD)，并计划进行八次运行的实验。我假设您熟悉使用自定义设计器，但如果不熟悉，您可以在此处阅读有关自定义设计平台的信息。该示例的设置方式基本上与我们文档中的示例相同。
在单击“制作表格”按钮之前，您需要确保已从“自定义设计”平台顶部的热点中选择“模拟响应”。 
2. 设置模拟
创建数据表后，我们现在必须通过前面描述的“模拟响应”对话框设置模拟。在分布下，我们选择二项式，并将 N 设置为 10（即设计的每一行进行 10 次试验）。在这里，我为 AD 选择了多种系数，其中因子 D 的系数为 0（即该因子处于非活动状态）。我将使用的模拟响应对话框是： 
单击“应用”按钮，我们会得到一个“Y 模拟”列，用于模拟 10 次试验中的成功次数，以及一个指示试验次数的列（用于拟合模型）。出于建模目的，我将 Y Simulated 列复制到 Y 中。 
如果我们查看“Y 模拟”的公式，我们会发现它可以根据“模拟响应”对话框中给出的模型生成响应向量。 
3. 拟合模型
现在我们有了模拟响应的公式，我们需要为模拟响应建立模型。在这种情况下，我们希望收集对模拟响应进行重复逻辑回归分析的影响的 p 值。我们首先需要对单个响应进行分析。如果我们启动“拟合模型”平台，我们可以将试验次数添加到响应角色（Y）中，并将个性更改为具有二项分布的广义线性模型。我的 Fit 模型发布看起来像这样： 
单击“运行”按钮以拟合模型。我们感兴趣的报告部分是参数估计大纲。 
对于初始模拟响应，A、B 和 C 被发现是活跃的，而 D 不是（这是正确的）。当然，这只是针对单次模拟。我们可以继续模拟新的响应向量，并跟踪每个效应的这些 p 值，或者，我们可以使用一键模拟并让它为我们执行此操作。
4. 运行模拟
我们对这篇博文感兴趣的专栏是 Prob>ChiSq。我们右键单击该列以调出菜单，并且（如果您有JMP Pro ），在底部引导程序上方，我们会看到“模拟”选项。 
弹出的对话框有“要切换出的列”和“要切换入的列”的选项。对于我们的模拟，我们不想使用响应 Y，而是使用 Y 模拟，因为它包含随机二项式的公式。当我们第一次使用“拟合模型”时，我们可以不使用“Y 模拟”，而是使用“Y 模拟”，然后将其自行切换。样本数是指模拟响应的次数。这里我把它留在2500。 
现在我们只需单击“确定”，然后让它运行。短暂等待后，我们会看到一个数据表，其中包含“拟合模型”对话框中每个效应的一列（以及模拟 ID、SimID）和 2501 行 - 第一行是原始拟合，并标记为排除，而每一行对应于我们 2500 个模拟响应之一的结果。这些值是拟合模型中每个效应的 p 值。 
一键模拟还使用分布脚本预先填充数据表，并且由于它识别结果是 p 值，因此还使用另一个称为功效分析的脚本。运行功效分析脚本可提供每种效应的 p 值分布，以及标题为“模拟功效”的摘要以及不同 alpha 水平下的拒绝率。例如，如果我们观察因子 B 的影响，我们会发现在 alpha = 0.05 时，2500 次中，有 2103 次无影响的原假设被拒绝，拒绝率（经验功效）约为 84%。
我通常右键单击模拟功率表之一，然后选择“创建组合数据表”。这提供了一个数据表，其中提供了四个不同 alpha 水平下每个术语的拒绝率。这使得在图形生成器中查看结果变得更加容易，例如 alpha = 0.05 的结果。 
现在我们可以看到，我们有很高的能力来检测 A 和 B 的影响（回想一下，它们具有最大的系数），而 C 和截距约为 50%。由于 D 在我们的模拟中处于非活动状态，因此拒绝率约为 0.05，正如我们所预期的那样。假设 C 的效果是正确的，我们可能会关心 50% 的功效。由于能够轻松执行这些模拟，因此可以轻松返回“模拟响应”并更改设计每行的试验次数，然后再运行另一个一键式模拟。同样，我们可以创建一个更大的设计来看看它如何影响功率。我们甚至可以尝试使用二项式分布的广义回归进行建模。
最后的想法
对我来说，这个新功能的一个关键方面是它允许您轻松地经历不同的“假设”场景。如果您处于筛选情况，则尤其如此，在分析数据时使用模型选择技术并不罕见。现在，您可以进行与您计划使用的分析相匹配的经验功效计算，并帮助您提醒分析过程中可能出现的陷阱。虽然这在 JMP 13 之前是可能的，但我通常没有时间在每次考虑设计时创建自定义公式。在我使用一键模拟的短时间内，我可以轻松地创建公式并运行模拟，这让我获得了其他方式无法获得的见解，并且已成为我工具箱中的重要工具。
