混合方案数据分析大家好，
我尝试使用 JMP 专家提供给我的脚本制定某种混合计划。
该脚本允许我有 10 个组件（a1、a2 - b1、b2、b3、b4 - c1、c2 - d1、d2），我的混合物仅由以下组成：
a1或a2或0
b1或b2或b3或b4或0
c1 和/或 c2
d1 或 d2 或 0
通过选择步骤，脚本为我提供了一个实验表（我用新实验和纯组件丰富了该表，因为我有偏差系数）
为了开发该模型，我使用了 2 阶模型。我预计它不会在如此多的系数下进行如此少的实验，但在某些属性上，它是有效的。
我以2个属性为例。
在 p2 上，拟合效果很好，我有一个非常适合观察和预测的模型。
在 p4 上，拟合在观察中效果很好，但我有巨大的 EC，并且当 r² press < 0 时，预测效果很差。
您对提高模型质量有什么意见或解决方案吗？
我提前谢谢你
高级统计建模基础数据分析与建模数据探索和可视化实验设计回复：混料设计的数据分析感谢您发送数据。输出中标记为“混淆”的部分表明您的模型指定过多，这意味着模型中存在数据不支持估计的项。这可能导致有偏差的估计，从而导致方差增加。
我仅使用主效应模型分析了这两种反应。根本没有交叉项，这是我的结果：
即使没有看到残差图，p2 的模型看起来也相当不错。同样，p4 的模型看起来也不错。同样，我没有包括残差图。请注意，我没有看到您发现的高标准偏差或负面 PRESS。
如果没有看到与您类似的结果，我猜我们使用了非常不同的模型。我进一步猜测您看到的高标准偏差和负 PRESS 是由您的模型过度拟合数据引起的。通过指定一个包含太多项的模型，对观察到的数据的拟合将会很好，但也可能太好了。换句话说，该模型拟合了信号和一些噪声。通过拟合一些噪声，这将导致方差增加，并且模型将不能很好地拟合新的观测值。过度拟合的另一个迹象是 R 方和调整后的 R 方（不属于分析图片的一部分）之间存在相当大的差异。过度拟合是为什么仅仅寻找高 R 方值并不总是最好的原因之一。
这是我对正在发生的事情的最佳猜测：模型项太多，导致过度拟合。查看您的 R 方和调整后的 R 方。它们应该彼此相当接近，也许在 0.07 左右（只是粗略地了解接近程度）。要解决此问题，请尝试删除不必要的模型术语，尤其是所收集的数据不支持的模型术语。
