混合方案數據分析大家好，
我嘗試使用 JMP 專家提供給我的腳本製定某種混合計劃。
該腳本允許我有 10 個組件（a1、a2 - b1、b2、b3、b4 - c1、c2 - d1、d2），我的混合物僅由以下組成：
a1或a2或0
b1或b2或b3或b4或0
c1 和/或 c2
d1 或 d2 或 0
透過選擇步驟，腳本為我提供了一個實驗表（我用新實驗和純組件豐富了該表，因為我有偏差係數）
為了開發該模型，我使用了 2 階模型。我預計它不會透過如此少的實驗和如此多的係數起作用，但在某些屬性上，它起作用了。
我以2個屬性為例。
在 p2 上，擬合效果很好，我有一個非常適合觀察和預測的模型。
在 p4 上，擬合在觀察中效果很好，但我有巨大的 EC，並且當 r² press < 0 時，預測效果很差。
您對提高模型品質有什麼意見或解決方案嗎？
我提前謝謝你
進階統計建模基礎資料分析與建模數據探索和視覺化實驗設計回覆：混料設計的數據分析感謝您發送數據。輸出中標記為「混淆」的部分錶示您的模型過度指定，這表示模型中的某些項目資料不支持估計。這可能會導致估計有偏差，從而導致方差增加。
我僅使用主效應模型分析了這兩種反應。根本沒有交叉項，這是我的結果：
即使沒有看到殘差圖，p2 的模型看起來確實相當不錯。同樣，p4 的模型看起來也不錯。同樣，我沒有包括殘差圖。請注意，我沒有看到您發現的高標準差或負壓力。
如果沒有看到與您類似的結果，我猜我們使用了非常不同的模型。我進一步猜測您看到的高標準偏差和負 PRESS 是由您的模型過度擬合數據引起的。透過指定一個包含太多項的模型，對觀察到的資料的擬合將會很好，但也可能太好了。換句話說，該模型擬合了訊號和一些雜訊。透過擬合一些噪聲，這將導致方差增加，並且模型將無法很好地擬合新的觀測值。過度擬合的另一個跡像是 R 方和調整後的 R 方（不屬於分析圖的一部分）之間存在相當大的差異。過度擬合是為什麼僅僅尋找高 R 方值並不總是最好的原因之一。
這是我對正在發生的事情的最佳猜測：模型項太多，導致過度擬合。查看您的 R 方和調整後的 R 方。它們應該彼此相當接近，也許在 0.07 左右（只是粗略地了解接近程度）。要解決此問題，請嘗試刪除不必要的模型術語，尤其是所收集的資料不支援的模型術語。
