哪一个来定义效应大小：Logworth 或缩放估计？你好社区，
我有一个问题，关于哪个标准更适合确定某个因素影响的重要性：是“logworth”（更清晰地可视化 p 值）还是“缩放估计”？
当使用样本数据之一（Donev 混合数据）时，我得到了 Logworth 和缩放估计的这些结果（下图）：
洛格沃斯：
比例估计：
您可以看到在第一张图片中，Logworth 最高的是“乙二醛”，我认为这是更有影响力的效果。然而，如果我们看第二张图中的“缩放估计值”，就会发现 Na2S2O3*乙二醛的相互作用似乎具有更大的影响。
你能帮我理解这一点吗？为了说明哪个因素影响更大，我的报告中真正需要考虑的部分是什么？
谢谢你，
朱利安
高级统计建模基础数据分析和建模实验设计预测建模和机器学习回复：用哪一个来定义效应大小：Logworth 或缩放估计？嗨@Julianveda ，
您正在比较两种不同且互补的信息、统计意义和实际意义。
统计显着性是指观察到的结果或变量之间的关系偶然发生的可能性。换句话说，它衡量我们对两个或多个变量之间存在关系的信心程度。在统计分析中，通常使用 p 值（或 logWorth，仅使用相应 p 值的对数变换来计算）来评估这一点，这是获得至少与观察到的结果一样极端的结果的概率，假定原假设（即变量之间不存在关系的假设）为真。如果 p 值低于某个阈值（例如 0.01、0.05 或 0.1），则结果被认为具有统计显着性，表明观察到的关系不太可能偶然发生，并且可以拒绝原假设。在像您的示例这样的混合物的背景下，使用 p 值的传统模型选择技术没有用：由于估计效应之间的多重共线性（效应之间的别名），估计的标准误差非常大，导致误导和扭曲的 p-价值观。此讨论中的更多信息： https://community.jmp.com/t5/Discussions/Analysis-of-a-Mixture-DOE-with-stepwise-regression/mp/657089/highlight/true#M84611
实际意义是指统计结果在现实世界中的重要性或相关性。它涉及观察到的关系是否具有任何实际或有意义的含义。实际意义由估计值的大小来表示：项越大（绝对值），该项在所考虑的响应的回归模型中越重要且影响越大。
请注意，统计显着性和实际显着性可能并不总是密切相关：结果可能具有统计显着性但实际上不显着，或者相反的情况。在解释结果时考虑这两种意义非常重要。
我希望第一个答案对你有帮助
回复：用哪一个来定义效应大小：Logworth 或缩放估计？你好@Victor_G ，
非常感谢您的回答。它对让事情变得更清晰有很大帮助：smiling_face_with_smiling_eyes：同时它也提出了补充问题：
- 对于混合母鹿，如果 p 值不理想，这可能是报告中丢弃模型中非统计显着项的最合适标准？
是否最好一次删除一项并观察 AIC 和/或 RMSE 的演变，正如您在“已解决：回复：使用逐步回归分析混合 DOE - JMP 用户社区”中提到的那样？或者，使用向后选择来选择模型，如同一线程中讨论的那样？
- 从实际意义来说，除了“比例估计”中的影响大小之外，领域知识也很重要，对吗？假设我在模型中保留了一个二次项，它实际上在“缩放估计”表中预设了最高效果，但随后（出于任何原因），我们认为该项最终在我们的领域中没有任何意义。尽管它在估算中非常重要，但我们可以完成它并丢弃它。我对吗 ？
最好的，
朱利安
回复：用哪一个来定义效应大小：Logworth 或缩放估计？嗨@Julianveda ，
很高兴第一个答案对您有帮助。
关于您的问题：
- 对于混合物 DoE，出于上述原因（如果我没记错的话，在另一个主题中），我不会依赖 p 值。
我将从假设的完整模型开始（这就是为什么我更喜欢逐步向后选择而不是逐步向前选择），然后根据需要通过比较不同模型的 RMSE 水平和/或使用最大似然估计来完善模型（ JMP Pro 中的广义回归中提供）或信息标准（如 BIC/AICc），用于确定“正确”的项数，这些项可以添加信息和预测性，而又不会使模型过于复杂。
可能有许多同等好的模型可用，因此使用领域专业知识以及几种选择/估计方法可以帮助整理重要的术语和模型。
- 领域知识始终很重要，并且在 DoE 的每一步中都是如此。
但是，在模型中添加或删除项时必须保持谨慎，因为这样做的原因是为了使用领域信息“帮助”统计建模（以筛选出同样好但不同的模型），而不是扭曲统计现实以及您的判断和领域专业知识的结果。此外，建模是一个动态过程，添加或删除项也会改变其他项的估计，因此确实需要谨慎。 DoE 是一个测试、验证、确认假设的工具，但你也可以学习与之前已知的相反的新东西，也许是因为实验过程不够严格，无法发现它（例如使用一次一个因素的方法，或实验结果稀疏）。
因此，我无法在这里为您的问题提供明确的答案，但是您可以尝试不同的模型，查看每个模型的行为（残差分析、实际与预测等）并使用新数据测试模型。您应该能够通过运行验证点（对应于模型之前未见过的或设计中使用的新处理/因素组合）对模型进行排名，并将其结果与预测进行比较。在这些新点上最一致的模型可能代表了所研究的物理系统的非常好的近似。
希望这些回答对您有帮助
回复：用哪一个来定义效应大小：Logworth 或缩放估计？谢谢@Victor_G ，
它非常清晰且富有洞察力:)
朱利安
回复：哪一个来定义效果大小：Logworth 还是缩放估计？Victor 出色地描述了不同类型的分析：实用分析和定量分析。我只想从不同的角度来说明每种分析的相对重要性，并添加第三种观点。实用意义总是比统计意义更重要。毕竟，您可以通过确定实验的运行方式来控制统计意义（例如，推理空间，实验过程中哪些噪音会发生变化，哪些噪音不会发生变化）。拥有一个统计意义显著但在现实世界中无用的模型是没有用的。回想一下，分析的统计数据是枚举性的，而为预测目的而开发模型是分析性的。
Deming（Deming, W. Edwards (1975)，《论概率作为行动的基础》。《美国统计学家》，29(4)，1975，第 146-152 页）数据的使用还需要理解枚举问题和分析问题之间的区别。“书中教授的方差分析、t 检验、置信区间和其他统计技术，无论多么有趣，都是不合适的，因为它们没有提供预测的基础，而且它们隐藏了生产顺序中包含的信息。大多数（如果不是所有）用于数据分析的计算机软件包，都提供了明显的低效率示例。”
正如 Victor 所言，p 值对于混合设计来说用处不大。如果您正在运行混合设计，SME（领域知识）至关重要。在运行实验之前，首先确定响应中的哪些变化具有实际意义。
在进行任何定量分析之前，先绘制数据图。特别是对于混合物，因为最重要的分析是混合物响应面。理论上，混合物是一种优化策略。这假设您已经知道混合物中应该包含什么（通过包括加工因素在内的先前实验）。统计意义不再至关重要。
分析的顺序是实用>图形>定量。
