模型還原你好，
根據用於 DOE 分析的 JMP 學習模型，可以從不顯著的高階交互作用（= 模型縮減）開始刪除模型中的不顯著項。
然而，事情真的有那麼簡單嗎？在刪除不重要的術語之前是否還需要考慮其他事項？刪除不重要的項目是否一定意味著該因素對您的輸出/反應變數沒有/輕微影響？
此外，模型簡化是否也適用於 REML/混合模型？
感謝您對此事的任何澄清。
莎拉
實驗設計回覆：模型縮減事情沒那麼簡單。是否刪除模型術語與正在進行的 p 值的使用/濫用/誤用討論並列。事實上，對我來說，這是同一枚硬幣的兩面。
然而，話雖如此，我可以肯定地說，刪除模型項並不意味著參數估計中涉及的因素“...對您的輸出/響應變量沒有/輕微影響？”這只是意味著在那個特定的推理空間中，您決定不在模型中包含該術語。這個決定與向上帝宣告「沒有/輕微影響」相去甚遠。也許您選擇的水平（如果對設計的實驗進行建模）太窄，訊號無法超越雜訊。也許推理空間中的雜訊壓倒了因素的影響。不要讓我開始解釋“p 值”...所有術語在某個 p 值下都是“顯著的”。誰選擇這個重要性值？按什麼標準？
在我看來，對於我能想到的幾乎任何建模方法（REML/混合等）都可以說同樣的情況。
回覆：模型縮減嗨，P_巴特爾，
我了解這件事的複雜性。然而，我的理由是，在某些時候，您希望能夠根據您執行的 DOE 結果做出推斷。否則，執行它的目的是什麼......那麼從實際的角度來看，您如何處理不重要的術語？
謝謝
莎拉
回覆：模型縮減當然，皮特的建議是正確且明智的。特別是推理空間的問題。當您進行實驗時，研究中的噪音有多大代表性？研究中如何處理噪音？ （例如，您是否限制、封鎖、重複、複製、使用裂區進行分割）？ MSE 估計是否合理，是否代表真實的隨機誤差？如果不是，那麼統計意義就沒有意義。請記住，統計顯著性是條件語句！
在進行模型縮減時，您應該考慮以下事項：
1、現實意義。這與統計顯著性無關，統計顯著性是與 MSE 效果的比較。這些因素/交互作用有實際意義嗎？另一種說法是，您應該根據科學或工程價值來評估模型。是否存在支持識別有趣和不有趣術語的理性和邏輯假設？
2.R-平方-R-平方調整後的增量。當您從模型中刪除無趣的項目時，增量應該會減少。 R 方的大小也進行了調整。
3. 殘差。他們看起來怎麼樣？刪除術語時是否有異常值、異常模式等？
4. p 值。這些對於第一次切割可能很有用，但隨著迭代的進行，它們的用處會降低（或無用）。微不足道的均方會發生什麼事？它們被添加到 MSE 中，而 DF 實質上會降低 MSE 並以偏差的方式增加 F 值。
5、有用。該模型必須有用。我們的使命不是創建最複雜的模型，而是創建一個具有預測性且有用的模型。
當然，JMP的優勢之一是能夠快速更改模型並重新評估。
回覆：模型縮減回答你的問題，「否則，執行它的目的是什麼...」。透過“它”，我假設一個設計好的實驗......我將根據我承認的來自工業而不是研究環境的有點偏見的參考框架來回答這個問題。
顯然，進行我們設計的實驗的主要目的不是「…做出推論…」。而是為了解決一個實際問題。我並不是說尋找「推論」（我將其定義為新的新穎知識）不是一項值得的努力……這只是我們發現自己的方式。那麼進行這些設計實驗的最終目的是什麼呢？如果是為了解決實際問題...那麼我會嘗試兩種方法...使用或不使用“無關緊要”的術語進行建模，並在解決手頭的實際問題的背景下查看模型的實用性。如果是新知識，那麼我會在做出諸如“無/最小影響”之類的籠統陳述之前考慮進行額外的實驗，以擴大不同噪音（供應商、設備、操作員、可擴展性等）和滋擾變量和其他因素下的推理空間問題，例如因子水平間距、測量系統噪聲…而且很少能透過一次實驗來完成這項任務。在我工作的地方，我們稱之為「了解代表風險」。
這是一個簡單的純粹說明性的例子，但我們遇到的情況比我們任何人都希望的要多。我們將在試驗設備上運行 DOE，並推斷「塗層速度」對感興趣的反應沒有影響。但後來我們擴大到生產設備......突然間「塗覆速度」確實產生了影響。怎麼會這樣呢？新流程...新噪音。這是關於實驗對未來條件的「代表性」程度。戴明詳細論述了與枚舉研究與分析研究相關的問題。
枚舉研究與分析研究
只有了解這一廣闊的前景，人們才能自信地做出諸如“無/最小影響”之類的籠統聲明。
回覆：模型縮減考慮到這些回應，我認為 JMP DOE 學習模組過於簡化了 DOE 的分析。
回覆：模型縮減公平地說，JMP 學習模組的目的是介紹產品並「銷售產品」。我花了 6 個月的時間透過多次實作實驗和許多實際案例研究來教授實驗設計的基礎知識。恕我直言，在線教授這一點幾乎是不可能的（儘管我在新冠疫情期間嘗試過）。學習模組旨在介紹方法，並使個人（可能沒有先驗知識）接觸潛在的應用程式。在這些模組結束時，如果您能夠確定可以從這些方法中受益的情況，那麼它們就達到了目的。
對於實驗設計的使用，我的看法與皮特略有不同。恕我直言，有兩個「動機」推動調查工作：
1. 解釋性 - 存在問題，您正在嘗試理解該問題以及可能導致該問題的原因。當然，能源部在這裡可能有用，但我偏向於使用定向抽樣和變異研究的組成部分來理解這些事件。我當然可以讓能源部發生問題，但這可能不是問題發生的首要原因。
2. 預測－了解因果關係，使研究者能發展出有用的預測模型。這就是 DOE 的閃光點，而且確實沒有其他方法像 DOE 一樣強大。
回覆：模型縮減謝謝你的解釋。
看更多...刪除不重要的項可以簡化模型，但考慮情境、模型假設和潛在的多重共線性也很重要。不顯著的項並不一定表示該因素沒有影響；這可能表示電量不足或測量不當。模型簡化也適用於 REML/混合模型，但需要謹慎。在大學期間，我經常尋求學術論文寫作的協助。經過一些研究後，我發現了 DoMyPaper，它有很多正面的評價。我決定造訪
domypaper.com尋求協助，結果證明這是一次很棒的經驗。 DoMyPaper 擁有一支專家團隊，幫助學生增進寫作技能。現在，我依靠他們的服務來獲得學術寫作工作的幫助。
回覆：模型縮減嗨@SaraA ，
JMP 模組中顯示的範例旨在為想要「入門」的非統計學家提供設計和分析基礎知識。顯然資料集很容易跟進，分析也被簡化，讓每個人都能理解和嘗試。
但正如@statman所提到的，建模主題比「僅」依賴 p 值要廣泛得多（有時甚至複雜）。根據您的目標，您可能有不同的模型評估和選擇路徑：
- 解釋模型 ：在解釋模式中，您更專注於對反應有一定影響的術語，因此您可能會根據統計顯著性（借助 p 值和預定義的閾值（如0.05）和實際意義（估計的大小、基於領域專業知識的選擇）。 R²、R² 調整（以及兩者之間的差異，需要最小化）可能是很好的指標，可以了解已識別的術語解釋了多少變化，並選擇相關模型來解釋您所研究的系統。
- 預測模型 ：在預測模式下，您更專注於有助於最大程度地減少預測錯誤的術語，因此您可以透過實際與預測圖的視覺化，根據這如何提高預測效能來評估包含不同術語的需要，以及誤差的大小（殘差圖）。 RMSE 可能是評估哪些模型具有最佳預測性能的一個很好的指標（目標是最小化 RMSE）。
您可能也對這兩部分的組合感興趣，因此可以使用不同的指標來幫助您評估和選擇模型，例如 資訊標準 （AICc、BIC）有助於在模型的預測性能與其複雜性之間找到折衷方案。根據這些標準評估和選擇模型，越低越好。您也可以使用類似的最大似然，但不包括模型複雜性的懲罰。
我建議對 p 值保持謹慎並避免“統計顯著性崇拜”： 已解決：回复：統計顯著性 - JMP 用戶社區
要建立模型，JMP 中提供了許多平台（ 擬合模型和廣義回歸模型、 擬合兩級篩選、 擬合最終篩選…），這些平台使用不同的技術、估計或驗證標準，有時取決於您的設計選擇。您可以嘗試它們，看看您的模型如何以及何時同意以及何時/何處不同意。嘗試透過光柵圖或更簡單的圖（如下）繪製不同結果的結果：
根據所使用的平台，您可以檢查模型的一致性程度，並且透過使用適合您目標的特定指標，您可以更輕鬆地選擇一個或多個模型。
回到您最初的問題，在對回應進行建模時應考慮統計顯著性和實際顯著性，並且應將所得模型提交給領域專家以及實驗驗證。
希望這個補充答案可能會有所幫助，即使晚了，
