如何分析歷史混合物數據並最大限度地提高對下一個配方的需求？大家好，
我在分析多個反應變數的混合物配方方面相對較新，並且可以使用一些指導。目前，我正在研究一個新的資料集，其中包含我們公司內各種配方的歷史資料。我的目標是利用 JMP 分析成分的不同重量百分比如何影響這些反應變數。
附件是一個範例資料集，我正在尋求有關處理該資料的最佳方法的建議。從歷史上看，我們評估了 24 種不同的成分，並熱衷於最大限度地提高我們配方的滿意度。
本質上，我希望確定特定成分的重量百分比與相應的反應變數之間的趨勢。此外，我有興趣收到有關一定範圍內“理想”配方的建議。如果這也能建議一種實驗設計（DOE）方法來使用我們現有的資料集進行測試，那將非常有幫助。
任何見解或建議將不勝感激。
先感謝您！
數據探索和視覺化實驗設計視窗回覆：如何分析歷史混合物數據並最大限度地提高對下一個配方的需求？確保各分量相加的最簡單方法是將其中一個分量設為 (1 - 其餘所有) 的公式。在您的情況下，使其成為始終存在於混合物中的組件非常重要。
要將缺失值替換為 0，我將選擇所有因子列（這樣回應的缺失值將不會更改為 0——您不希望這樣）。前往編輯>搜尋>查找。用“.”填寫“查找內容”框。 （無引號）。在「替換為」欄位中，輸入 0。
至於未包含的缺失回复，這可能只是您的樣本量減少了的問題。因此，您可能沒有足夠數量的試驗來擬合您想要擬合的模型。或者，即使有足夠的試驗，您可能無法將它們放置在正確的位置來建立有用的模型。
JMP 網站上有許多有關混合建模的免費資源。如果你想看教科書，約翰康奈爾的《混合實驗》一書仍然被認為是最好的。
回覆：如何分析歷史混合物數據並最大限度地提高對下一個配方的需求？嗨丹，
感謝您的詳細回复，我同意謹慎使用歷史數據。這些不一定是我自己完成的運行，但我必須相信數據是在類似條件下完成的。至於確保成分四捨五入恰好為 1，有沒有辦法讓 JMP 自動將總和解釋為 1？這解決了我關於使用零件而不是重量％的單獨問題，而無需進行任何額外的計算。
在範例資料集中，缺失值和等級 0 之間沒有任何區別，是否有一種無需手動執行即可快速填充的方法？我知道缺失值的問題是什麼，並將適當地填充它 - 並非每次運行都測量所有響應變量，那麼除了不包括在內之外，這還會導致分析出現任何問題嗎？
我將研究您的建議和步驟，看看這將引導我走向何方。除了對 Scheffe 混合建模與常規回歸進行一些研究之外，是否有任何文件或類似的範例說明我想要做什麼？或任何其他資源可以幫助我加深理解，我將不勝感激。
感謝您的幫忙！
回覆：如何分析歷史混合物數據並最大限度地提高對下一個配方的需求？分析歷史混合資料存在一些缺陷。很多時候，人們會進行設計好的實驗，而不是嘗試利用歷史資料。歷史資料是在不同條件下收集的（可能沒有記錄－以設備變化為例），考慮到不同的目的，這可能會使這些資料的組合變得毫無意義。即使收集資料的時間差異也可能導致合併資料時出現問題。但是，如果您想繼續下去，這裡有一些額外的想法/擔憂。
您必須確保您的成分列正好等於 1。例如，在範例資料集中，行號 2 加起來為 1.000000001。當您擬合混合模型時，您絕對應該查看變異數分析報告（您必須請求它，因為預設不會顯示）。您應該在該表的底部看到一條訊息，顯示「已針對簡化模型 Y=平均值進行測試」。如果存在該訊息，則您正在擬合混合模型。但如果該訊息顯示“已針對簡化模型 Y=0 進行測試”，那麼您就沒有擬合混合模型。您正在擬合一個無截距模型，這不是一回事。最後一條訊息通常是由混合物成分並不總是加到 1 引起的。
從您的範例資料集中，成分缺失值和 0 水準之間是否存在差異？從概念上講，我相信您可以用 0 替換所有缺失值。這樣做可能會有所幫助，因為輸入變數的缺失值可能會導致該觀察值被排除在分析之外。
對於響應來說也是如此。如果缺少響應值，肯定會為分析帶來問題。您必須有回應才能將該行包含在分析中。因此，您需要確保單獨分析每個反應變量，以便為每個模型利用盡可能多的數據。
如果您的範例資料是真實的，那麼您就有很多成分。這自然會導致一個非常大的模型。由於您正在尋求最佳化，因此您將需要一個至少具有 2 路混合項（它們看起來像交互作用）和可能的特殊三次項（它們看起來像 3 路交互作用）的模型。您需要進行大量觀察才能擬合這種模型。僅使用 2 向項，您將擁有 24 個主效果 + 276 個 2 向項。即 300 個模型項，因此至少有 300 個觀測值。此外，這麼大的模型將很難解釋和視覺化。同樣，精心設計的實驗可以讓您專注於關鍵問題，從而可以使用更少的成分來回答您的特定問題。
在建立任何模型之前，您應該打開混合物成分的偽成分編碼，以最大限度地減少模型項目之間的相關性。雖然它不會消除相關性，但會將其最小化，這將有助於分析。
您還應該打開 Mixture 列屬性，這看起來就像您在範例中所做的那樣。
如果您還沒有這樣做，請研究 Scheffe 混合模型的擬合與常規迴歸有何不同。混合模型的解釋會有所不同。
一旦您擁有每個回應的模型，就可以完成多個回應的最佳化。您可以在預測刻畫器上使用意願函數，但我也強烈建議使用混合刻畫器。它們的行為方式與非混合情況類似。
最後，您可以利用範例表作為建立設計實驗的輸入。使用增強設計並將現有行指定為“已完成的實驗”。指定您想要擬合的模型以及您想要的總運行次數。 JMP 將選擇最佳運行來估計您選擇的模型。請記住，總運行次數將是初始表 + 新運行，並且 JMP 不會對建議的運行次數使用任何方法，因此請利用您的知識選擇合理的數字，並確保評估最終的設計在運行之前。
所以我的腦子裡只有一些想法。您想做的事情可以完成，但需要謹慎對待歷史數據，並且需要花費大量時間來調整數據以確保分析結果可靠。
