好的，那麼讓我們來討論一下在有通過/失敗回應的情況下如何設計和分析實驗。我將在整個會議中討論通過/失敗的答案。但是，這實際上適用於我們處理具有兩個類別的回應的任何情況，即二進制，您可以是兩個類別之一或另一個。它們互相排斥且詳盡無遺。通過/失敗、通過/不通過、是/否，只要答案有兩個互斥且詳盡的類別。我們將把會議分為四個不同的部分。我們將從一個例子開始。也許，希望它看起來很熟悉。
希望它是你在過去處理失敗反應實驗時可能見過的東西。我們將討論一些可能出錯的事情。之後，我們將討論模型，因為一切都取決於我對模型所做的基本假設，而這些假設決定了我選擇的分析和實驗規模的方向。看完 PowerPoint 投影片後，我們將真正看到我將如何分析實驗數據，也就是我將要展示的範例數據。
我們將討論 JMP 和 JMP Pro 中提供的一些選項。最後，我們將總結如何確定實驗規模？事實證明，對於通過/失敗實驗來說，重要的不是實驗運行，而是實驗運行的次數、每個實驗條件下的試驗次數。我們將討論如何在 JMP Pro 中進行設置，如何設置模擬，以便我們確定這個試驗次數是否足夠。讓我們討論一下我們的例子，所以我們正在製作小部件。我們有一個流程，但我們對失敗率不是特別滿意。
我們確定了四個不同的因素，我們認為這些因素將有助於我們改善這些小部件的故障率，我們有一個添加劑，我們有一個壓縮步驟，其中有三個因素我們將要改變。我們要改變溫度、壓力和保持時間。問題是，該小部件是否有缺陷？我們對小部件進行處理。是的，它有缺陷，不，它沒有缺陷。如果它有缺陷，我們就稱之為失敗。目前的缺陷率為 15%，我們最終將使用該數據來衡量我們的實驗規模。
我們的目標是將失敗率降至百分之五。然而，如果我們能夠識別出大約 3% 到 5% 的差異，我們就會很高興。如果我們能夠檢測到我們的缺陷率下降到百分之十，那麼我們就會很高興。我們希望能夠檢測到這一點。我想知道的另一件事是每次運行大約需要 10 分鐘。我可以無限次地進行跑步。我每小時可以跑大約六次。
好的，假設我們將這個因子放入 JMP。我們開設了訂製設計師。我們決定採用響應曲面設計。我們將添加三個中心點，這就是我們想出的設計。到目前為止，一切都很好。我們採用該設計，將其發送給將要進行實驗的操作員，然後他們將其返回。我們進行了 24 次運行，大約花了 4 個小時來進行這個實驗。我們被告知這些一和零代表有缺陷的觀察或沒有缺陷的觀察。現在，我要分析數據，我把它放入 JMP 中。
現在，我知道那些 1 和 0 不是連續數據。這確實是分類資料。它是二進制數據。我將如此對待它。也許我知道的夠多，我所處理的就是所謂的邏輯迴歸。該模型，因為我已經在 JMP 中設計了這個實驗，所以響應曲面模型出現在我的模型建立對話方塊中。我去進行分析，一開始我就應該擔心。對於那些參數估計，我收到此訊息說這些參數估計不穩定。
假設我與對此類實驗更了解的人討論這個問題，他們告訴我，問題在於你只對一組治療條件進行了一次試驗。您確實需要做多次才能獲得一個很好的估計。假設我回去並與操作員討論此事，因為他們不喜歡將我的實驗規模從一次試驗增加到五次試驗的想法。現在我有一個大約20小時的實驗。但我說服他們，我們確實需要這麼做，決定重新進行實驗，現在我已經針對每組實驗條件進行了五次試驗。
我拿回了我的數據。我在實驗中得到了兩根新柱子。我得到了 Y5 列，它對應於故障的次數。對於一組實驗條件，我得到了帶有 N 的列，它對應於試驗次數。現在，這一次，我想，我不會處理計數數據，而是將失敗試驗的次數除以總試驗次數，然後將其視為連續數據。這裡我得到了給定一組實驗條件下的失敗比例。
我將把它視為連續數據。這讓我感覺更舒服，因為我更熟悉透過這種方式建模資料。我們上次看到的模型是相同的，但是，我不會使用邏輯迴歸，而是使用標準租賃平方。好的，到目前為止一切都很好。我使用我最喜歡的建模技術，也許我會使用我最喜歡的模型來簡化技術，然後我得出這個最終模型。再說一遍，到目前為止一切都很好。我接下來想做的事情是優化。
我想知道什麼條件可以盡可能地降低錯誤率。我使用分析器中的優化器，它告訴我將整個時間設定為 45 秒，將溫度設定為 45 攝氏度，這應該會給我一個低於零度的預測錯誤率。我可能願意忽略這一點，因為它足夠接近零，可以說，好吧，也許它真的很接近零，而不是低於零。但我知道從技術上來說這是不可能的。我不能讓錯誤率低於零。即使我可能會這樣做，我可能會對自己說，那麼，這個估計有多準確？
我距離零到底有多近？我建立的模型是否不好？一切都回到了我所建立的模型......當我將數據視為連續數據時，我所做的假設以及當我獲得通過/失敗數據時可能應該做出的假設。這是我們的典型模型。左側是我們的回應和觀察。在我們的例子中，這是失敗的機率。抱歉，在左邊，我們得到的是失敗的機率。
在右側，我們有線性模型，我們正在嘗試建立輸入和輸出之間的關係。這通常是我們所考慮的。在這種情況下，典型的假設是該關係是線性的，我的反應範圍是無界的，我的殘差是正常的。我的殘差是，我根據資料擬合模型，剩下的就是我的殘差。我假設它們呈常態分佈，這意味著它們圍繞著零對稱，並且它們具有所有這些優良的特性。這是問題的一部分。
如果我們處理機率，我們的反應實際上看起來像這樣，我認為它更像是 S 形，而不是線性關係。這種線性關係其實並不成立。無界響應範圍也不成立，因為我知道我正在處理機率，所以不能有任何低於零的數值，也不能有任何高於一的數值。甚至最後一點，正常誤差的假設也不起作用。如果你仔細想想，當我的預測值越來越接近零時，我的殘差將有越來越小的操作空間。在我的擬合值和零之間，它開始縮小。
我不能讓對稱誤差接近零。同樣，當我越來越接近一個時，我不能出現對稱錯誤。在這種情況下，必須做出一些讓步。現在，我希望有一個簡單的方法可以解決這個問題。或許是一個簡單的轉變。希望如此，也許可以使用不同的分佈。我們可以在 JMP 中做到這一點嗎？答案是我們有三種不同的選擇。第一個選項，我們已經在例子中看到了，那就是邏輯迴歸。這就是對資料使用 Logit 變換。
在這種情況下，我們不是將機率視為響應，而是查看兩個不同響應級別之間的比率。失敗的機率除以通過的機率，然後取對數。我們取該對數以使關係成為線性關係。另一種看待這個問題的方式是，由於我們只有兩個不同的級別，它可能是失敗機率除以 1 減去失敗機率的比率。現在，如果您以前使用過這些類型的模型，並且聽說過賠率和對數賠率這兩個術語，那麼這正是其定義。
等式的第一個部分就是幾率的定義。它是某一級別與另一級別之間的比率。這就是我的幾率，然後我只是記錄一下。這是一個選擇。另一個選擇是使用所謂的遺囑認證分析。透過遺囑認證分析，我只是使用了不同的轉換。在這種情況下，我使用常態分佈的逆。或者如果我曾經在公式編輯器中或使用 JSL 建立過它，那隻是普通的分位數函數。
現在，JMP 中出現了第三種可能的選擇。這需要一點工作量，我們不會詳細討論它的使用，但我確實想介紹它，因為你在文獻中經常看到它，這就是互補的對數函數。現在，無法在 JMP 中直接使用。我們需要使用類似非線性平台的東西來自己建構它。可以近似地用一個稱為最小極值分佈的分佈來表示，但是我們必須將其留到另一天再討論。實際上，我們將重點放在 JMP 中現成可用的功能。
現在，我們需要在這裡做出第二個大假設，那就是，即使給定我們選擇的變換，無論是 Logit 還是 Probit，我們都將假設誤差呈現二項分佈。因為它由兩個部分組成。我不但做了轉換，而且還假設了不同的分佈。正如我所提到的，前兩個功能可直接在 JMP 平台中使用，因此很方便。我們將重點關注這些。最後一個可以使用非線性平台來建模。令人高興的是，一切都可以在適合的模型平台上獲得。 JMP 中有三個不同的選項。
我可以使用邏輯迴歸，我們在範例中也已經看到了這一點。有一個選項稱為廣義線性模型，並且名義邏輯回歸和廣義線性之間存在很強的關係。 然後對於 JMP Pro 用戶，我們有廣義回歸，它也為我提供了一大堆其他選項。現在，還有另一個平台，您可以在其中進行簡單的邏輯回歸，即用 X 擬合 Y。但對於簡單的邏輯迴歸，用 X 擬合 Y 也是可行的。
在我們討論如何在 JMP 中實現這一點之前，我們需要討論數據組織，因為我們如何組織數據，我們知道如何組織數據嗎？在適合模型對話方塊中進行設定很容易。讓我給你舉一個簡單的例子。假設我們有一個雙因素實驗，時間和溫度。我們已經完成了全階乘，因此我們擁有時間和溫度的所有可能組合。假設我們計劃對每個實驗處理進行五次試驗。
透過處理，我談論的是行，我們獨特的組合集，我們在這個資料表中的行。我有三種不同的方式來設定數據。我設定資料的第一種方法是將資料設定為原始資料。我的資料表中的每一行對應一次試驗。您會注意到原始數據中的第一行是治療組合，具有給定的時間和溫度。在這種情況下，我的二元回應是我的回應是綠色還是紅色。第一個反應是綠色。第二行再次是治療組合一，反應為紅色等等。
這是原始格式。所有這三種方法都可以使用原始格式。現在我可以總結一下。有時，總結數據更有意義。當我總結數據時，我會同時總結治療情況和反應程度。您會注意到，對於第一行，在匯總堆疊中，我得到了治療條件一，得到了所有的綠色，並且得到了兩種我看到綠色的情況。第二行是我的第二種治療組合，三次綠色觀察，等等。我剛剛匯總了我的治療組合和我的反應水平。
好的，所有這三種方法都可以使用該匯總堆疊格式。第三種組織方式，對許多人來說可能是最自然的，因為它看起來很像我在線性模型中使用的組織方式，那就是匯總分割格式。在這種情況下，我再次對治療組合進行了匯總，但僅針對我的一個治療等級。您會注意到，在這種情況下，我計算了每次試驗中看到綠色觀察的次數，並且還計算了試驗的次數。假設我要使用自訂設計器建立 DOE，如果我輸入數據，這就是我期望使用的格式。
如果我想使用匯總堆疊格式，我必須實際複製這些運行。我會用一個作為綠色，一個作為紅色，然後以稍微不同的方式重新組織事物。現在，邏輯迴歸不能使用這種格式。我必須使用另外兩種格式中的一種。廣義線性模型和廣義迴歸可以使用這種格式。如果您打算使用邏輯迴歸，則需要注意一些事項。好的，那就讓我來做吧。 PowerPoint 已經夠多了。讓我進入 JMP 並討論如何使用我們看到的實驗數據來分析每個範例。
好的，讓我們進行邏輯迴歸。我們將從第一個例子開始，邏輯回歸。我還注意到我已經得到了我的匯總堆疊，這裡有一個格式。我有一個欄目，裡面記錄了我的通過和失敗次數以及計數。這是匯總數據。我在另一列也得到了計數。好的，非常簡單。我們將要討論的一切都將在適合模型下進行。因為我是在 JMP 中設計的，所以它與我的模型一起出現。
這是我設計實驗的響應曲面模型。這裡已經預先填入了我的對話框。但我只想指出的是，在這種情況下，我得到的答案只是名義上的。這就是通過/失敗。我還需要這些計數，因為我已經匯總了我的數據。我將選擇我的目標水平，這實際上取決於我想要看到輸出的方向，無論我想從通過方向還是失敗方向做事。讓我來設定一下。讓我們將其放回去。現在，我這裡有幾個不同的選擇。
它們都是邏輯迴歸。我得到了名義邏輯迴歸。如果我對逐步迴歸有一點了解，我也可以對我的 Logit 模型、我的邏輯迴歸模型執行逐步迴歸。這也是一種選擇。好的，那我們就堅持原來的名義邏輯吧。我要運行我的模型。再次，我將使用一些資料縮減技術或一些模型縮減技術。我可能只是進入那裡，然後手動從模型中刪除項目等等。或者我也可以對此使用逐步回歸。
真的，這並不重要，因為我一開始就得到了正確的模型。讓我從我的模型中刪除另一個術語。就這樣。假設這是我們的最終模型，我們對這個模型很滿意。讓我們進入我們的分析器。讓我向下滾動到 Profiler 的底部，讓它稍微大一點，這樣我們就可以看得更清楚。現在，使用此模型的好處之一是，我的個人資料，我的通過和失敗，我是有界的，但我們必須有零和一之間的機率。讓我打開我的可取性功能。現在，這看起來會有點不同，因為它實際上被分成了兩組。
我知道了我想要傳球的比例和失敗的比例。我只是要將這些失敗降至零，因為我不想針對任何失敗進行最佳化。我會提高我傳球的吸引力，讓我們繼續最大化我的吸引力。它再次告訴我整個時間的溫度都相同。但是，我對預測的失敗率或在這種情況下預測的通過率有了更好的估計。這告訴我，在這些設定下，通過率應該大約是 96%，失敗率大約是 4%。
肯定不會低於零，而且比我預期的離零稍微遠一點。好的，讓我們繼續討論廣義線性模型，我們將使用總計分割格式。再次，如果您之前使用過線性模型，那麼這種格式應該看起來很熟悉。我認為這些很可能是從我的設計實驗中得出的觀察。我已經計算了其中一個等級中的觀察次數，在這種情況下，我已經計算了失敗的項目數，然後我得到了總試驗次數。
好的，我再次進入“擬合模型”對話框。這個設定有一點不同。對於這個特定的組織，我有兩個連續變數。第一個必須是我個人層級的計數，第二個必須是我的總數。我已經在這裡預設使用廣義線性模型。我選擇了我的發行版。在這種情況下，預設為二項式。在這裡我可以選擇查看 Logit 或 Probit。我們在機率方面得到了細微的差別。我們繼續使用 Logit 吧。現在，預設情況下，Logit 和 Logistic 迴歸將給出相同的結果。
廣義線性模型的一點好處是，我可以放寬我們之前看到的一些假設。其中一個假設是誤差項遵循二項分佈。對於二項式誤差，它們是固定的，無論機率是多少，它們都是相同的。打開我的過度分散說，嗯，變化比我預期的要大一點，或者錯誤可能比我預期的要大一點。它稍微放寬了二項式誤差的假設。
我還可以調整我的估計以消除潛在的偏差。我只是要打開我的過度分散功能。再次，我將運行我的模型。現在，這種方法的缺點之一是您不具備逐步的能力。您需要進入那裡，手動執行此操作或在決定要使用哪個最終模型之前假設某個模型。再次強調，我將手動完成這項操作。我將提出三個重要因素。您會注意到，如果將其與邏輯回歸進行比較，因為我打開了過度分散，所以我的變異性實際上比估計的要大一點。
我的 P 值稍微大一些。在這裡我需要問自己，我是否真的想相信，儘管這些並不重要，但它們不值得留在模型中等等。但令人高興的是，我可以選擇放寬模型中的這個特定假設。同樣，如果我想打開我的分析器並進行最佳化，這也是可行的。我也有同樣出色的能力。在這種情況下，組織略有不同，因為我建模的不是過去的失敗，而是機率。它是我們更習慣看到的分析器。顯然，在這種情況下，我不想對此進行最佳化，因為這會最大限度地增加我的失敗。我要盡量減少這個現象。讓我們繼續並進行優化。
再次，它告訴我所有時間，45 秒，溫度，45 秒。儘管它們非常接近，但它仍然會給我一個略有不同的估計值。再次，令人高興的是，我被限制在這裡。不管滑塊移到哪裡，我都被這些機率限制在零和一之間。好的，對於最後一個例子，讓我們來討論一下廣義迴歸。現在，這是 JMP Pro 獨有的功能。它為我提供了其他一些附加選項。我從相同的位置開始，擬合模型，相同的設置，因為我已經獲得了匯總的分割資料。
不過，我將選擇廣義回歸。現在，我要選擇一個不同的分佈。在這種情況下，我知道我的反應，因為這裡設定了兩個不同的變數。我得到了二項式回應，或者我可以選擇beta二項式。 Beta-二項式是一種類似於在我的廣義線性模型中使用過度分散選項的技術。這使我能夠解釋隨著機率的位置而變化的變異數。在這種情況下，我們將堅持預設設定。讓我們繼續運行模型。
如果您以前使用過廣義回歸，那麼您就會知道所有的模型簡化技術都可以從該平台獲得。在這種情況下，我可能會使用其中一種技術。讓我確保我已經得到了我的...我要強化遺傳。讓我們使用前向逐步迴歸。我這裡有很多不同的選擇。如果您以前從未見過廣義回歸，我在模型簡化技術方面有很多不錯的不同選擇。我將使用前向逐步法，這是逐步迴歸的預設方法。點擊“開始”，這是我的最終模型。
再次，非常一致。這三個模型都顯示出非常一致的結果。參數估計會略有不同。機率會稍有不同。好的，那麼現在的問題是，我是否已經進行了足夠的試驗以使這個實驗真正有價值？這讓我們思考如何正確地確定實驗的規模？讓我切換回我的 PowerPoint 投影片來觀看幾張有關設定實驗的簡短投影片。
我們將如何做這件事，我們將如何確定實驗的規模，順便說一下，這是只有 JMP Pro 才具備的開箱即用功能。對於那些非 JMP Pro 用戶，您可能能夠為此編寫 JSL 腳本，但這會非常麻煩。 JMP Pro 讓設定變得非常簡單。我們將從客製化設計師開始。我們要做的是使用自訂設計器來建立我們想要的設計。在生成我們看到的最終表格之前，我們將開啟模擬回應。
它位於左上角的熱點中。一旦我們創建數據表，我們將得到一個對話框，我們可以在其中更改係數。所以在下一張投影片中，我將稍微講一下如何設定這些係數？我們將改變這些係數。我們要把它們改成我們想要的大小。再次，我將在下一張投影片中更詳細地介紹。一旦我們改變係數，我們就會將誤差設為二項式，並選擇樣本大小、我們想要看到的試驗次數，然後按一下「套用」。
模擬反應選項將給我創建的內容，因為我選擇了二項式誤差，它將給我兩列，一列包含模擬試驗的次數，試驗成功次數，另一列包含總試驗次數。這就是我們將要用到的進行整體模擬的方法。讓我們來討論如何設定這些係數，因為這對於確定實驗規模至關重要。我們如何設定這些係數將取決於底層模型。這就是我是否選擇 Logit 或 Probit 型號。
我的範例將使用我們目前看到的數據，使用我們目前看到的 Logit 模型的範例。這將決定我們如何設定這些值，即基線機率。如果您還記得我們的例子，我們說過，嗯，在基線，我們的失敗率約為 15%。這將是我們的基準。然後我們必須問，那麼我希望看到差異的機率有多大？再說一遍，回想一下，我們說過，如果我們能夠看到 10% 的變化，那麼我們就會很高興。這就是我們在實驗中想要的規模，能夠看到從 15% 到 10% 的改善。
我們要做的是實際使用我們看到的轉換來計算基線的值、10% 的值、以及我們想要偵測的機率。我們將取這兩個值的差值，並將其用作係數。如果我們使用這個 Logit 基線就是 15% 除以 1 減去 15%。我們的基線是 -1.73。如果我們有興趣看到 10% 的失敗率變化，那麼我再次將其代入等式中。即 0.1 除以 1 減去 0.1。這給了我-2.2的分數。這使得係數恰好是這兩個值之間的差值。我將使用大約 0.5 作為我的係數。
足夠的 PowerPoint。讓我們看看在實踐中如何做到這一點。我已經完成了我的實驗，以及我的實驗因素。我只是要使用自訂設計器。讓我繼續並將我的因素加載到那裡。我要建造我想要的設計。如果你還記得的話，我說過，好吧，我有一個響應面設計。我們在那裡添加三個中心點。假設我們跑 24 次就可以完成。我將繼續並單擊“進行設計”，讓其運行並從演算法中確定最佳設計。在我產生最後一張表之前，我要去熱點，然後我要說模擬響應。現在，我要建立我的表格。該表給出了我的設計，我將把係數更改為我計算的值。
讓我繼續並重置它們。我說我的截距是-1.73。我要將每個係數設為 0.5。讓我複製這個，這樣我就可以貼上這些。最後，我要將我的分佈、我的誤差分佈設為二項式。現在，我要點擊“應用”按鈕。我要你留意那張桌子。它將產生我將用於分析的兩個欄位。讓我回顧一下。我想設定我的樣本大小。我不能忘記做那件事。如果您還記得最初的實驗，我進行了五次。這是我第二次進行這個實驗。我將重新申請。現在我得到了正確的方程式。
這些是我將用於初步分析和進行模擬的列。現在，如果您願意，您實際上可以簽署這些效果。透過簽名，我的意思是使它們變為消極的或積極的，這取決於您希望看到的關係。由於時間原因，我沒有談論這個。我有一張投影片，介紹瞭如何經歷這些不同的影響，並說，嗯，這應該是正面的還是應該是負面的？那也是可以的。當然，它對結果的影響比對效果大小的實際大小的影響要小。但是，對於大多數設計來說，除非它們完全正交，否則這些影響之間存在相關性，並且影響是積極的還是消極的都可能對我的功率值產生一定的影響。
現在我已經完成了，現在我實際上已經產生了我的初始設計，我將進入我的擬合模型。我將分析一下該設計。我必須確保投入我的模擬和試驗。我通常會使用，在這種特殊情況下，我會使用廣義回歸，並且再次，我會使用二項式迴歸，因為在模型簡化方面有所有這些選項。令人高興的是，透過模擬，這些都可以實現。我不需要擔心編寫任何腳本來實現這一點。讓我們繼續運行它。再次，我將使用前向選擇。我只需點擊“前往”即可。讓我向下捲動到我的前向選擇模型。就是在這裡。
現在我已經得到了我的單一觀察結果，我能做的就是右鍵單擊。我通常會將滑鼠懸停在其中一個機率值上。我將單擊滑鼠右鍵，在最底部有一個“模擬”選項。我必須確保在這兩個公式中都選擇了具有模擬成功次數的公式列，並且預設應該是這樣的。我將指定我想要進行的樣本試驗的次數。現在，一旦我單擊“開始”，將會發生的是，在模擬的每次迭代中，它都會重新計算該公式列，並根據我的底層模型為我提供一組新的試驗次數。
進行 2,500 次運行，然後將這些數據匯總成一份漂亮的報告。現在，我們不用再花時間觀察機器運轉了，因為它運作得很快。通常只需要半分鐘左右，甚至一分鐘。我實際上已經運行了結果，結果如下所示。這裡有我 2,500 次運行的數據，少於第一次運行的數據。事實上，我在這裡添加了一些額外的功能和公式，我很樂意與大家分享。但這是生成此報告時添加的兩個腳本。功率分析只是分佈的一個子集。我們來看看功率分析。
它的作用是為我提供所有這些運行的大量數據，這些 P 值的分佈是怎樣的？如果你回想一下這個案例中的底層模型，那麼一切都很重要。這告訴我，這是我透過模擬看到的 P 值的分佈，我的預測值大約是 10,000 分之 1，所以這很好。我計算出了預測 P 值的置信區間。實際上，我不認為這是一個置信區間，因為我們採用的是貝葉斯方法。
這是一個更可信的區間。也許這是一個信賴區間。但是它會在該機率值的範圍之內。但一個有趣且重要的訊息是我拒絕原假設的次數。這告訴我，如果我選擇 0.01 的 alpha 水平，那麼大約有一半的時間我會拒絕那個零假設，即使我知道事實上我將其建模為一個真實的效果。如果我將其設為 0.05，那麼大約四分之三的時間我都會拒絕它，等等。
這是我用來提出問題的資訊：我的實驗規模是否正確？我是否能夠檢測到我的主效應、我的主效應和雙因素交互作用以及對我的模型的任何其他影響，足夠多次，足夠比例的次數以讓我對我選擇的運行次數感到滿意？在這些情況下，我經常發現自己會這樣做，因此我不僅依賴一些內建報告，而且我會計算例如正確顯著影響的數量。
我將輸入截止值，並計算正確答案的數量。再次，這一切都將與材料一起打包，並附有一點點解釋，以及我如何建立所有這些模型的公式。再次，我確實需要使用我自己的風險定義來確定，我是否已經捕獲了足夠數量的顯著影響，使得該實驗值得運行 5 次、 10 次或 20 次等等。好的，這就是我想在 JMP 中向您展示的內容。讓我們回到我們的總結。
總而言之，當我對這些數據進行建模時，無論我使用哪種技術，我都將使用「擬合模型」平台。我有邏輯回歸，在這種情況下，我可以使用邏輯回歸或在後台使用邏輯回歸的逐步回歸。我有廣義線性模型，預設情況下它會給我與邏輯回歸相同的輸出，但還具有放寬對我的錯誤假設和糾正偏差的額外能力。然後，如果我有 JMP Pro，我就可以進行廣義回歸，我可以在邏輯回歸或廣義線性模型中看到這些，另外還允許我進行一些模型製作。
當我確定實驗規模時，我將使用自訂設計器來建立我的實驗，然後使用 JMP 的內建模擬功能來運行我的引導模擬實驗、引導模擬分析。這就是我想要談論的內容。補充幻燈片中還會有更多信息，但不幸的是我沒有時間一一介紹，但我希望你們喜歡所看到的內容，並且希望你們可以在今後使用它們，並且它們會給你們帶來益處。多謝。
