將 DSD 分析中第一階段的 P 值設定為高水平，以檢測主動效應我對附件中 7 因子 DSD 分析的第 1 階段 P 值的設定有疑問。
我需要將第 1 階段 P 值設為 0.4 來檢測 5 個活性因子，而預設為 0.05；有什麼解釋嗎？
第一階段的功率預設值是 0.05，是不是太低了？如何設定第一階段的功率？有什麼經驗法則嗎？
實驗設計回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應你好@frankderuyck ，
我猜你展示的例子是為了教育/訓練目的，因為回應是基於公式的？
JMP 幫助中有一個很好的提示可以回答您的問題：「如果活性效應的數量小於運行次數的一半，並且效應大小超過標準差的兩倍，則最小運行規模 DSD 能夠以高概率正確識別活性項」 （來源： Fit Definitive Screening Platform 概述）
在您的情況下，您有 7 個因素並希望將 5 個檢測為“活躍”，因此當使用具有相對較高響應噪聲的最小運行尺寸 DSD 時，執行這項任務非常複雜。
當我查看您的回應公式的「雜訊」/可變性部分時，我可以看到，與估計值的大小（從 -20,8 到 5,2）相比，隨機均勻部分相當大（從 -25 到 25）對於您想要在第一階段檢測的因素。因此，對於您已指定要估計的效應大小的大多數因素，與您在公式中添加的雜訊/變異性部分相比，可能很難檢測到它們並估計其效應大小。您還提到了 5 個「活躍」因素，但我認為存在混淆：只有當它們的估計值相對大小與實驗的噪音/自然變異相比足夠大時，它們才會被視為「活躍」。並不是因為您指定了不同於 0 的估計值，所以它們被視為活躍/重要的。這是訊號雜訊比的問題，也是統計意義和實質意義的差異。
可以根據您在「評估設計」平台中的設計和假設雜訊（預期 RMSE）來估計要調整的顯著性水準（p 值閾值）。在這個平台中，您可以調整重要性等級和預期 RMSE 來評估功效（如果有效則偵測到效果的機率）。
也許不是“完全嚴格”，但作為一項練習，您可以在研究理論反應公式時檢查分析的輸出是否正確。當新增新的公式列來查看公式的雜訊部分時，我可以估計標準差約為 12 ：
當使用此值作為預期 RMSE（可能是 RMSE 的低估值）時，將顯著性水平固定在 0.05，並使用公式的理論估計值作為預期係數（我將“1”保留為公式的零效應，以查看您的設計對於此 RMSE 的主要影響的功率“基線”），它與您的分析的輸出相匹配：
只有 X1 的效應大小足夠大，可以以高機率被偵測到。其他效應的效應量相對較小（與反應的預期 RMSE 相比）。如果在預期雜訊相同的情況下具有更高的顯著性閾值，則檢測主效應的能力將會增加：
根據您的教學目標，可以使用多種選項（單獨或組合）：
- 您可以減少變異性（Y 公式反應中的隨機均勻部分），以確保您可以檢測到想要檢測（和估計）的大多數活性效應。
- 您可以增加設計尺寸，以便更容易偵測活動效果。來自 JMP 幫助：「但是，透過使用四次或更多次正確選擇的運行來增強最小運行規模 DSD，您可以以高機率識別出更多效應。」 ： Fit Definitive 審核平台概述
- 您可以增加效果大小（公式中因素估計的大小），這樣儘管雜訊/變異性很高，但還是可以更輕鬆地偵測到效果。
- 您也可以嘗試不同的分析平台來檢測主要影響。 Fit 兩級篩選平台可能提供不同的視角，例如：
- 無論您選擇什麼， 評估設計平台（以及用於比較不同設計選擇的比較設計平台）對於向學生展示和解釋都非常重要，因為它能夠根據目標、模型的複雜性、檢測效果的能力、別名屬性等更好地評估任何設計的優缺點...如果您有關於預期 RMSE 和預期係數的先前信息，它還可以用於評估顯著性水平以進行調整。
我希望我的回答能幫助你理解你例子中發生的事情，
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應你好，Victor，再次感謝您的詳細回覆。是的，這是一個基於試點案例研究的 DOE 訓練案例，其中結果因大量噪音而變得模糊，並且實驗預算限制為最多 25 次運行。不幸的是，沒有初步知識，需要務實的方法。本次篩選研究的主要目標是明確能夠增強 DSD 以獲得 RSM 的強大主效應。這就是為什麼我沒有包括 4 次額外的 DSD 運行並保留 17 次，這樣就有 8 次備用運行可以增強（4 次備用運行可能太低）。
有趣的是，透過將閾值 P 增加到 0.4，DSD 分析仍然可以檢測到 5 個重要因素！只有當閾值 P 高達 0.7 時，2 個較小、不顯著的效應 X6 和 X7 才會出現，並且（類似於在 ROC 分析中）模型特異性才會降低。使用 5 個強效應將 17 次運行的 DSD 增加到 24，從而得到一個非常好且有用的模型，並成功實現了實驗目標（匹配 Y 目標）。
我很喜歡你上面提到的Fit兩段式篩檢平台，我也會選X4。
本案例研究表明，採用務實的方法，即使結果嘈雜且預算受限，DSD 仍然是一種強大的篩選工具，正如「S」所代表的那樣。我至今仍經常使用它。
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應SVEM 前向選擇也做得很好！參見依戀
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應你好@frankderuyck ，
我對 SVEM 的輸出和（系統）使用有著複雜的感受，特別是對於雜訊資料。
SVEM 前向選擇不會「選擇」模型中的術語（或根據特定的統計標準和閾值對其進行過濾），而是嘗試透過使用各種訓練/驗證反相關權重對資料點進行重新採樣來盡可能精確地估計它們。預設情況下，每個術語都將以 SVEM 來考慮和估計。
因此，如果您的目標是透過篩選來了解和過濾主要的重要影響，SVEM 可能不會為您提供進一步的幫助，因為您缺乏決策框架（統計標準、指標和閾值）來做到這一點。然而，SVEM 在預測思維中對於精確的術語估計非常有用。
然而 ：
- 您可以使用列/指標「百分比非零」作為統計指標來改進模型，但在定義閾值時，您會遇到與 p 值相同的困難：一個術語是否應該大於 50% 非零才能包含在模型中並被視為「活躍」？還是另一個層次？
- 透過視覺化 SVEM 模型中的數據，您可以突出顯示一些關鍵效應並根據實際重要性選擇它們（例如，該項目的絕對值應 > 2）：
但同樣，這個「接受」閾值的定義可能涉及大量領域的專業知識和思考，以免過早排除一些可能值得進一步研究的術語。
另外，如果你觀察到殘差模式，你會發現一些奇怪的事情：
我不會相信顯示這種非隨機殘差模式（偏差）的迴歸模型。但是，如果僅使用主效應啟動 SVEM GenReg，則可以透過降低模型複雜度來「改善」這種情況：
殘差模式似乎可能存在曲率。因此顯然在您的範例中，這個簡單模型並未研究反應公式的交互作用和二次效應，而這可以解釋這種曲率模式。
我認為不應該使模型建構和估計複雜化，尤其是像本例中的雜訊資料。
您的模型品質始終與數據的品質（和精度）相關。
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應我同意，基於初步篩選的迴歸模型根本不可信；這不是篩選的目的，而只是給出瞭如何在順序工作流程中進一步進行的方向。上述所有分析工具、DSD 分析、兩級擬合和 SVEM 都會過濾掉相同的 5 個最強效應，可用來增強 DSD。我喜歡這種順序方法；要建立知識之家，就應該從最堅固的構件開始，以獲得堅實的框架來研究其他較小的重要影響。
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應在這個兩級篩選中，存在著強烈且顯著的二次效應；這可靠嗎？由於這個篩選平台只檢查兩個水平，它如何檢測三級二次效應？
回覆：將 DSD 分析中第一階段的 P 值設定為較高水準以檢測活性效應你好@frankderuyck ，
您可以在文件中找到指南和更多資訊： Fit Two Level Screening Platform 概述
您還可以在此處檢查模型中術語/效應引入的順序： 效應輸入順序的統計詳細信息
不建議將此平台用於多層分類或序數因素，因為它們將被視為連續的。
對於二次效應，大多數情況下這些效應會被人為地正交化後再輸入模型，因此 p 值和效應估計可能不精確。但該平台仍可偵測到三水準連續因子的高對比二次效應。
我在這個主題中使用了這個平台： 發現 OML 計劃（混合樣本的正交主效應篩選設計... - JMP 用戶社區） ，它幫助我檢測到了“擬合最終篩選”平台或“擬合模型（廣義回歸）”平台的兩種估計方法未檢測到的二次效應。
因此，測試 Fit Two-Levels 平台（並遵循指南和建議）來比較來自不同平台的模型並了解哪些模型同意/不同意術語選擇以及哪些是最相關的模型會很有趣。
希望這個答案能對你有幫助，
