报告 DOE 结果以供发布你好，
我正在撰写一份包含实验设计（Plackett-Burman DOE 和全因子 DOE）的手稿。
然而，我不确定在出版物中报道什么内容才尽可能透明。
到目前为止，我已经包含了模型指标（R2、调整后的R2、PRESS、模型p值、失拟p值）以及显著项、交互项及其p值。我认为，当回归模型包含显著的交互项时，报告因子/交互项的参数估计值是没有意义的（因为这些参数估计值会因交互项而变化）。在这种情况下，最好使用预测刻画器。然而，预测刻画器很难在发表中被纳入。那么，我该如何以有意义的方式报告因子及其交互项的结果呢？
我将非常感激您的任何建议。
谢谢
萨拉
实验设计回复：报告 DOE 结果以供发布你好@萨拉 ，
如果不知道您的出版物面向哪个期刊或读者群，我们很难为您提供帮助。另外，您出版这份出版物的目的是什么？它的保密性/开源程度如何？
根据反馈，您能提供给读者的最佳方案是（以附件的形式）提供完整的数据集，包括所有输入和响应、预测响应，以及您可能对数据进行的任何处理或决策（例如，转换、处理或排除异常值等）。这样，您就能提供所有信息，从而使您的发现和工作具有可重复性。
关于您的评论：
@萨拉写道：
我认为，当您有一个包含显著交互项的回归模型时，报告因素/交互的参数估计值是没有意义的（因为这些参数估计值会因交互而改变）。
我强烈反对。参数估计有助于评估因素对你的响应的实际重要性（效应大小）。统计显著性不足以理解一个模型是否充分、可靠且实用。你需要两者来解释模型和结果。
请参阅哪一个来定义效应大小：Logworth 估计还是尺度估计？讨论以获取有关实际意义和统计意义之间的差异的更多解释。
顺便说一句，确保建模结果的可重复性也是一个很好的做法。
关于预测分析器，如果您想分享它，您可以提供一个交互式 HTML 文件或将分析器嵌入到网页（网站或 JMP Live）中。
我仍然会考虑提供模型的有用的“静态”可视化，例如效应大小图（以条形图形式）、热图（如果您想查看因素对多个响应的影响）、相关图（针对您的响应）、表面图、散点图...您可以使用 JMP 做很多事情来可视化您的模型结果。
希望这个答案能对你有所帮助，
回复：报告 DOE 结果以供发布@Victor_G
假设您的模型中的项 X1 和 X2 之间存在相互作用，并且您报告了 X1 和 X2 的参数估计值，但由于相互作用，这些估计值（即斜率系数）可能会发生变化，例如从正斜率变为负斜率，具体取决于与其相互作用的其他因素的水平，那么您为什么要报告参数估计值呢？
回复：报告 DOE 结果以供发布我不明白你的意思。
无论X1和X2的水平如何，交互效应仍然具有相同的系数值（如果这两个因素是连续的）。
如果您的一个（或多个）因素是分类/序数的，则可以通过显示模型的扩展估计值来提供每个分类级别的交互效应值：
希望这能澄清我的观点，
回复：报告 DOE 结果以供发布@Victor_G
当然，无论 X1 和 X2 的水平如何，交互项都具有相同的系数值，但主要项（X1 和 X2）的系数值将具有不同的值，这取决于另一个因子的水平，对吗？
回复：报告 DOE 结果以供发布不，我认为对特定位置的斜率（取决于因子的水平）和该因子的主效应之间存在误解。斜率会根据响应面的位置而变化，但主效应估计值不会改变。
回复：报告 DOE 结果以供发布@SaraA，你可以把参数估计值放在补充信息里，供感兴趣的人参考——如果你像我一样在生物技术开发之类的期刊上发表文章，那么把它们放在正文里对目标读者来说没什么用（在我看来）。至于系数，系数指的是预测变量每变化一个单位（假设其他变量保持不变），响应的变化量——你会在预测公式中看到这些完全相同的值。
谢谢，
本
回复：报告 DOE 结果以供发布关于交互作用，还有一点需要注意：固有设计本身是否存在混杂效应……换句话说，设计中是否存在任何碎片化，交互作用是否真的可以估计？另一种失败模式是，例如，如果你丢失了一些处理组合，某些效应可能无法估计。但是，如果实验执行之神对实验执行感到满意，并且一切按计划进行，那么显示交互作用的另一种方法是包含拟合模型报告和交互图报告。详情请见： 交互图。它不如预测刻画器那么令人印象深刻……但也能完成工作。
回复：报告 DOE 结果以供发布@Ben_BarrIngh
就其含义而言 - 系数是预测变量每变化一个单位时响应的变化量（假设其他变量保持不变）
这正是我的观点——当存在交互作用时，你不能将一个项改变一个单位，而其他项由于交互作用而保持不变。如果将项 X 改变一个单位，项 Y 也会随之改变（如果 X 和 Y 之间存在交互作用）。这就是为什么我被教导说，当存在显著的交互作用项时，报告主效应的参数估计值是没有意义的。
回复：报告 DOE 结果以供发布报告系数不是问题，解释结果才是。如果交互作用显著，那么你必须谨慎解释交互作用中涉及的主效应。
回复：报告 DOE 结果以供发布@Ben_BarrIngh
在哪里可以找到有关如何制作此处显示的前 2 张图表的更多信息？
回复：报告 DOE 结果以供发布你好@萨拉 ，
不幸的是，要知道如何制作 DoE 出版物是非常困难的，因为学术出版物中的内容差异很大，质量参差不齐——根据我自己出版 DoE 作品的经验，我对此有一些想法，我相信其他人也会补充。
最重要的规则：假设你的读者对 DoE 或统计数据一无所知！
尽管它是一种流行的实验工具，但很多读者可能尚未接触过它，这意味着你需要使用可视化之类的工具来传达实验设计（DoE）的作用，并帮助读者理解。很多作者在这方面做得不好，我最讨厌他们在论文中写出完整的公式：这真的能传达实验设计的结果吗？同样，当你有其他工具，比如帕累托图时，参数估计（正如你提到的）之类的信息就没那么重要了。
我将举几个例子来说明我是如何展示我的结果的，以便传达一些向 DoE 展示的方法（你也可以在这里找到这篇文章）
场景设定——使用简单的可视化来展示实验设计（DoE）的结构以及如何探索这些点——如果因子较多，可以使用图形生成器或散点图矩阵来实现——这有助于读者理解实验设计（DoE）是一种结构化的实验方法。同样，如果使用-、0、+和轴（a、A），用表格来显示因子的编码也会很有帮助。
展示你的成果——在你深入研究回归模型和更复杂的DoE方法之前，你应该先突出你得到的实际值。在“以X拟合Y”中使用类似Tukey检验的方法绘制一个简单的图表，就能清晰地展示“看看我用DoE方法做了多少东西”——DoE的一大优势在于它是一种探索实验区域的结构化方法，之后的建模方法更是锦上添花！在上面的例子中，你可以看到我的“00a”比其他点的效率高得多——实际上，我可以就此打住，因为我已经得到了我想要的！
介绍模型——正如你提到的，你展示了证明模型充分性所需的基本信息——根据你的目标期刊，这些信息应该足以证明你建立了一个良好的模型，你可能不需要深入研究（除非你瞄准的期刊非常注重统计）。如果你有学生化残差和实际值与预测值的对比图之类的资料，请务必将它们包含在内，但最好放在补充信息中。
引入建模概念- 帕累托图可以帮助读者快速理解并理清术语的重要性，同时也是引入更复杂概念（例如二次曲率 (X1*X1) 和交互作用 (X1*X2)）的绝佳方式。读者可以快速看出“蓝线代表良好”，并了解哪些术语的重要性较低。这是一个很好的切入点，可以将其与你对系统的理解联系起来，例如，氮对生产至关重要，因为本文中使用的生物体依赖氮来生长。这有助于表明你不仅仅是在运行统计实验方法，而是在利用它来更好地理解你的系统。
结合多种方式展示你的表面- 我个人非常喜欢预测刻画器，它能很好地展示你的系统及其运作方式，但正如你提到的，静态展示时效果会不太理想 - 如果你的系统比较简单，你可以用不同的设置展示预测刻画器的不同画面。我这里展示了最佳状态下的预测刻画器（它显示了我的因子的形状），并将其与等高线图结合起来，以便更好地理解我的系统。小贴士 - 如果你将等高线图的因子设置与预测刻画器相同，那么高网格与表面“相交”的区域（我添加了白色高光）会在预测刻画器上反映出表面！
考虑在 JMP Public 上分享您的结果 -越来越多的出版物提供对构成结果部分的数据的访问权限（这很棒！），我个人非常喜欢将我的结果发布到 JMP Public 并将其包含在我的文章中 - 这让读者有机会实际使用预测分析器并下载可用的数据（这里是我如何分享我的结果的一个例子）。
我希望这对您有所帮助，并祝您审核阶段顺利！
谢谢，
本
回复：报告 DOE 结果以供发布你好@萨拉 ，
对于第一个，我使用图形生成器来绘制点，然后我使用 PowerPoint 以相同的颜色绘制正方形和圆形的形状。
对于第二个，您可以使用 Fit Y by X，其中 X 是您的“模式”，Y 是您的响应 - 然后我使用 Tukeys 检验进行了均值比较以显示比较圈。
希望有帮助！
本回复：报告 DOE 结果以供发布嗨，本，
非常感谢。最后一个问题：如何在 REML 分析后生成缩放估计图？JMP 不知何故无法为混合模型分析生成此图（虽然它确实提供了参数估计值，但我认为缩放估计值或帕累托图更直观）。
谢谢
萨拉
回复：报告 DOE 结果以供发布你好@萨拉 ，
是的，当 X1 与 X2 存在交互项时，X1 对您的响应造成的变化幅度可能会发生变化（例如，将 X2 保持在较高值可能会完全减小 X1），但参数估计值可以用来显示一般关系。如果您在讨论中对您的系统及其交互作用的工作原理进行了充分的描述，那么参数估计值可以提供更多详细信息。
谢谢，
本
回复：报告 DOE 结果以供发布你好@萨拉 ，
由于方法的性质，REML 专注于方差分量，并且（与最小二乘法等方法不同）不执行标准化（这是建模工作流程中的预处理步骤） - 混合模型和尝试标准化它们会带来很多额外的复杂性（您是进行全局标准化还是在组内标准化？如何标准化两个组之间不同的变量？）。
谢谢，
本
