在設計實驗時，常見的診斷方法是效應的統計功效。 Bradley Jones 就此主題寫了多篇部落格文章。本質上，給定一個特定的模型，我們檢測到不可忽略效應的機率是多少？當然，要做到這一點需要一系列假設/規範，例如效應大小、誤差和檢定的顯著性水準。如果您不熟悉這個主題，我建議您閱讀一些先前的部落格文章。
如果我們的反應是連續的，並且我們假設一個線性迴歸模型，那麼我們可以使用「設計評估」下「功效分析」大綱中的結果。但是，如果我們的反應是基於通過/失敗數據，並且我們計劃在每次實驗運行中進行 10 次試驗，該怎麼辦？對於這種回應，我們可以擬合邏輯迴歸模型，但不能使用「設計評估」大綱中的結果。儘管如此，我們仍然對功效感興趣…
怎麼辦？
我們可以進行文獻綜述來了解如何估算功效，並希望找到適用的方法（並針對將來出現的每個具體案例都這樣做）。但是，運行蒙特卡羅模擬更為直接。為此，我們需要能夠根據指定的邏輯迴歸模型產生回應。對於產生的每個反應，擬合模型，並對於每個效應，檢查 p 值是否低於某個閾值（例如 0.05）。這在先前版本的跳轉中使用 JSL 實現，但需要對腳本編寫有一定的了解，特別是編寫公式腳本和從 JMP 報告中提取資訊。此外，您還需要花時間編寫腳本。在JMP Pro 13中，現在只需點擊幾下滑鼠即可執行蒙特卡羅模擬。
聽起來很棒
第一次看到新的一鍵模擬功能時，我欣喜若狂，思考著它在設計實驗中的可能用途。使用一鍵模擬功能的關鍵要素是包含帶有隨機成分的公式的列。如果您讀過我之前關於改進的 DOE 模擬回應的部落格文章，您就會知道我們已經有一種方法可以產生這樣的公式，而無需自己編寫。
1. 建立設計，然後勾選「模擬回應」來製作表格
在此範例中，我們有四個因子 (AD)，並計劃進行八次運行的實驗。我假設您熟悉使用自訂設計器，但如果您不熟悉，您可以點擊此處了解自訂設計平台。此範例的設定方式與我們文件中的範例基本相同。
在按一下「製作表格」按鈕之前，您需要確保已從自訂設計平台頂部的熱點中選擇了「模擬回應」。 
2. 設定模擬
建立資料表後，我們現在需要透過前面描述的「模擬回應」對話方塊設定模擬。在“分佈”下，我們選擇“二項式”，並將 N 設為 10（即設計中每行進行 10 次試驗）。在這裡，我為 AD 選擇了一些係數，其中因子 D 的係數為 0（即該因子處於非激活狀態）。我將使用的“模擬響應”對話框如下： 
點擊「應用」按鈕後，我們將得到一個「Y 模擬」列，用於模擬 10 次試驗中成功的次數，以及一個表示試驗次數的列（用於擬合模型）。為了方便建模，我將「Y 模擬」列複製到了 Y 中。 
如果我們查看 Y Simulated 的公式，我們會發現它可以根據「模擬響應」對話方塊中給出的模型產生響應向量。 
3. 擬合模型
現在我們有了模擬響應的公式，接下來需要為模擬響應建立模型。在本例中，我們需要收集重複邏輯迴歸分析對模擬反應的影響的 p 值。首先，我們需要對單一回應進行分析。如果我們啟動「擬合模型」平台，我們可以將試驗次數加入反應角色 (Y)，並將「個性」改為採用二項分佈的廣義線性模型。我的「擬合模型」啟動介面如下所示： 
點擊“運行”按鈕來擬合模型。報告中我們感興趣的部分是「參數估計」概要。 
對於初始模擬響應，發現 A、B 和 C 是活躍的，而 D 不是（這是正確的）。當然，這只是針對單次模擬而言的。我們可以繼續模擬新的反應向量，並追蹤每個效應的 p 值，或者，我們可以使用一鍵模擬，讓它為我們完成這些操作。
4. 運行模擬
這篇文章中我們感興趣的欄位是「機率>卡方」。右鍵單擊該列以開啟選單（如果您安裝了JMP專業版 ），在底部、引導程式上方，我們可以看到「模擬」選項。 
彈出的對話方塊中包含「切換出列」和「切換入列」兩個選項。對於我們的模擬，我們不想使用響應值 Y，而是想使用“模擬 Y”，因為它包含隨機二項式公式。我們最初使用“擬合模型”時，也可以不使用 Y，而是使用“模擬 Y”，並將其自己切換出來。樣本數是指模擬響應值的次數。這裡我將其保留為 2500。 
現在我們只需點擊“確定”，讓它運行即可。短暫等待後，我們將看到一個資料表，其中包含「擬合模型」對話方塊中每個效應對應的一列（以及模擬 ID，SimID），以及 2501 行資料——第一行是原始擬合結果，標記為已排除，其餘每行分別對應我們 2500 個模擬響應中的一個結果。這些值是「擬合模型」中每個效應的 p 值。 
一鍵模擬功能也預先在資料表中填入了一個分佈腳本，並且由於它識別結果是p值，因此也提供了另一個名為「效能分析」的腳本。執行「功效分析」腳本會提供每個效應的p值分佈，以及一個名為「模擬功效」的摘要，其中包含不同alpha水平下的拒絕率。例如，如果我們查看因子B的效應，我們會發現在alpha = 0.05時，2500次中有2103次「無效應」的零假設被拒絕，拒絕率（經驗功效）約為84%。
我通常會右鍵單擊其中一個模擬功效表，然後選擇“建立組合資料表”。這將產生一個數據表，其中列出了四個不同 alpha 水平下每個項的拒絕率。這樣可以更輕鬆地在「圖形產生器」中查看結果，例如 alpha = 0.05 的結果。 
現在我們可以看到，我們具有較高的功效來檢測 A 和 B 的效應（回想一下，它們的係數最大），而 C 和截距約為 50%。由於 D 在我們的模擬中處於非活動狀態，因此拒絕率約為 0.05，正如我們預期的那樣。假設 C 的效果正確，我們可能擔心效能達到 50%。由於能夠輕鬆執行這些模擬，我們可以簡單地返回「模擬響應」並更改設計中每行的試驗次數，然後再執行另一個一鍵式模擬。同樣，我們可以創建一個更大的設計來觀察其對功效的影響。我們甚至可以嘗試使用二項分佈的廣義迴歸進行建模。
最後的想法
對我來說，這項新功能的關鍵在於它能讓您輕鬆應對不同的「假設」場景。尤其是在篩選階段，因為在分析資料時使用模型選擇技術並不罕見。現在，您可以進行與您計劃使用的分析相符的經驗功效計算，並幫助您識別分析過程中可能出現的陷阱。雖然在 JMP 13 之前就可以實現這一點，但我通常沒有時間在每次考慮設計時創建自訂公式。在我使用一鍵模擬的短暫時間裡，創建公式和運行模擬的便利性讓我獲得了一些原本無法獲得的洞見，它已成為我工具箱中的重要工具。
