如何分析历史混合数据并最大限度提高下一步配方的可取性？大家好，
我对分析多个响应变量的混合物配方还比较陌生，需要一些指导。目前，我正在研究一个新的数据集，其中包含我们公司内部各种配方的历史数据。我的目标是利用 JMP 分析不同重量百分比的成分如何影响这些响应变量。
附件是一个示例数据集，我正在寻求有关处理这些数据的最佳方法的建议。从历史上看，我们评估了 24 种不同的成分，并热衷于最大限度地提高配方的可取性。
本质上，我希望确定特定成分的重量百分比与相应响应变量之间的趋势。此外，我还希望收到有关在一定范围内“理想”配方的建议。如果这也能建议使用我们现有的数据集进行测试的实验设计 (DOE) 方法，那将非常有帮助。
任何见解或建议都将不胜感激。
先感谢您！
数据探索与可视化实验设计视窗回复：如何分析历史混合数据并最大限度地提高下一个配方的可取性？确保成分相加为 1 的最简单方法是将其中一个成分设为 (1 - 其余所有成分) 的公式。 在您的情形下，将其设为始终处于混合状态的成分非常重要。
要用 0 替换缺失值，我会选择所有因子列（这样，响应的缺失值就不会更改为 0——您不希望这样）。转到编辑 > 搜索 > 查找。在查找内容框中填写“。”（无引号）。在替换为字段中，输入 0。然后确保选择“限制为选定列”框并单击“全部替换”。
至于缺失的回答没有被包括在内，这可能只是因为您的样本量较小。因此，您可能没有足够的试验次数来拟合您想要拟合的模型。或者，即使有足够的试验，它们也可能不在适当的位置来构建有用的模型。
JMP 网站上有很多关于混合建模的免费资源。如果你想看教科书，John Cornell 的《混合物实验》一书仍然被认为是最好的。
回复：如何分析历史混合数据并最大限度地提高下一个配方的可取性？嗨丹，
感谢您的详细回复，我同意谨慎使用历史数据。这些不一定是我自己做过的运行，但必须相信数据是在类似条件下完成的。至于确保成分四舍五入到 1，有没有办法让 JMP 自动将总和解释为 1？这解决了我关于使用部分而不是重量百分比而无需进行任何额外计算的另一个问题。
在示例数据集中，缺失值和 0 级之间没有任何区别，有没有一种快速的方法可以填写，而无需手动填写？我知道缺失值的问题是什么，并将适当填写 - 并非所有响应变量都针对每次运行进行了测量，因此除了未包括在内之外，这是否会导致分析出现任何问题？
我会按照您的建议和步骤进行操作，看看这会给我带来什么。除了对 Scheffe 混合模型与常规回归进行一些研究之外，是否有任何文档或类似示例可以说明我想要做什么？或者如果有任何其他资源可以帮助我加深理解，我将不胜感激。
感谢您的帮助！
回复：如何分析历史混合数据并最大限度地提高下一个配方的可取性？分析历史混合物数据有几个陷阱。很多时候人们会进行设计实验，而不是尝试利用历史数据。历史数据是在不同的条件下收集的（可能没有记录——例如设备变化），目的不同，这可能会使这些数据的合并变得毫无意义。即使是数据收集时间的差异也可能导致数据合并出现问题。但是，如果你想继续，这里有一些额外的想法/担忧。
您必须确保您的成分列加起来正好是 1。舍入误差是不能接受的。例如，在您的示例数据集中，第 2 行加起来是 1.000000001。当您拟合混合模型时，您一定要查看方差分析报告（您必须请求它，因为它默认情况下不显示）。您应该在该表的底部看到一条消息，上面写着“针对简化模型测试 Y=mean”。如果有这条消息，则您正在拟合混合模型。但如果该消息显示“针对简化模型测试 Y=0”，那么您并不是在拟合混合模型。您正在拟合无截距模型，这不是一回事。最后这条消息通常是由于混合成分并不总是加起来为 1 造成的。
从您的示例数据集来看，成分的缺失值和 0 级之间有区别吗？从概念上讲，我相信您可以将所有缺失值替换为 0。这样做可能会有所帮助，因为输入变量的缺失值可能会导致该观察结果被排除在分析之外。
对于响应来说也是如此。如果缺少响应值，这肯定会给分析带来问题。您必须有响应才能将该行包含在分析中。因此，您需要确保分别分析每个响应变量，以便为每个模型利用尽可能多的数据。
如果您的示例数据是真实的，那么您就拥有许多成分。这自然会导致非常大的模型。由于您正在寻求优化，您将需要一个具有双向混合项（它们看起来像相互作用）和可能的特殊立方项（它们看起来像三向相互作用）的模型。您将需要许多观察来适应这种模型。仅使用双向项，您将有 24 个主效应 + 276 个双向项。这是 300 个模型项，因此至少有 300 个观察值。此外，如此大的模型将很难解释和可视化。同样，设计实验可以让您专注于关键问题，从而让您使用更少的成分来回答您的特定问题。
在建立任何模型之前，您应该打开混合物成分的伪成分编码，以尽量减少模型项之间的相关性。虽然它不会消除相关性，但它会将其最小化，这将有助于分析。
您还应该打开混合列属性，这看起来就像您在示例中所做的那样。
如果你还没有这样做，请研究一下 Scheffe 混合模型的拟合与常规回归有何不同。混合模型的解释会有所不同。
一旦为每个响应建立了模型，就一定可以实现对多个响应的优化。您可以使用预测剖析器上的可取性函数，但我也强烈建议使用混合剖析器。它们的行为方式与非混合情况类似。
最后，您可以利用示例表作为创建设计实验的输入。使用 Augment Design 并将现有行指定为“已完成的实验”。指定您想要拟合的模型以及您想要的总运行次数。JMP 将选择最佳运行来估计您选择的模型。请记住，总运行次数将是初始表 + 新运行，并且 JMP 不会对建议的运行次数使用任何方法，因此请使用您的知识选择一个合理的数字，并确保在运行之前评估生成的设计。
以上只是我脑海中的一些想法。你想做的事情是可以做到的，但需要非常谨慎地处理历史数据，并且需要花费大量时间来调整数据以确保分析结果可靠。
