1. 是什麼啟發了你提出這個願望清單請求？
這項請求的靈感來自於實驗設計中一個非常常見且基本的問題，這個問題目前很難在 JMP 中前瞻性地回答：“我需要收集多少個樣本才能檢測出兩個連續變數之間的有意義的相關性？”
目前，在設計一個簡單的實驗來測試連續因子（例如溫度）和連續響應（例如強度）之間的關係時，JMP 強大的 DOE 平台針對分類因子或更複雜的多因子模型進行了最佳化。現有的用於回答這個問題的工具要么不夠直觀，要么是為回顧性分析而設計的：
這導致使用者依賴外部軟體（例如G*Power） ，或僅僅猜測樣本量，這通常會導致實驗要么功效不足（無法檢測到真實效果），要么功效過強（浪費時間和資源）。 G*Power 中的一個例子是以下設定：
- 檢驗系列： F 檢驗
- 統計檢定：線性多元迴歸：固定模型，R^2 偏離零
- 功效分析類型：先驗：根據給定的 alpha、效能和效應大小計算所需的樣本量
範例用例：我想設計一個實驗來看看<SPAN class="selected">催化劑濃度</SPAN>影響<SPAN class="selected">產品產量</SPAN>在進行實驗之前，我需要知道需要收集多少樣本。我希望有90%的把握（檢驗效力）能夠偵測到真實相關性至少15%的變異（R²為0.15）。我還根據歷史資料估算了過程雜訊（RMSE）。目前，JMP中沒有直覺的互動式平台來幫助我確定這種簡單場景所需的樣本量。
2. 您希望看到什麼改進？
我建議創建一個互動式樣本量分析器專門用於設計具有單一連續因素和單一連續響應的實驗。這可能是<SPAN class="selected">DOE > 樣本大小和功效</SPAN>平台。
此分析器在視覺上直觀，功能與 JMP 中的其他分析器類似。
主要特點：
-
輸入（互動式滑桿/欄位）：
-
<SPAN class="selected">阿爾法（a）</SPAN>：顯著水準（預設0.05）。
-
<SPAN class="selected">功率 (1-b)</SPAN>：所需的統計功效（例如 0.8、0.9）。
-
<SPAN class="selected">預期 RMSE (σ)</SPAN>：誤差或過程雜訊的標準差估計值。這是一個使用者通常可以估算的實際輸入。
-
<SPAN class="selected">待檢測的效應量</SPAN>：這是關鍵輸入。使用者應該能夠以直觀的方式指定它，例如：
-
輸出：
建議功能的模型：
這個介面可以讓用戶立即看到權衡利弊。例如，他們可以在投入實驗資源之前就看到較小的R²或較高的製程雜訊如何顯著增加所需的樣本量。
3. 為什麼這個想法很重要？
實施這項想法將帶來巨大的價值：
-
彌補關鍵差距：它解決了 JMP 前瞻性工具目前未能充分解決的最常見的實驗設計問題之一。它將避免用戶離開 JMP 生態系統使用外部工具。
-
推廣良好的統計實踐：它使功效和樣本量的確定變得簡單直觀，鼓勵使用者合理地規劃實驗。這將帶來更優質、更有效率的科學與工程，並透過避免功效過低或過高的研究來節省資金和資源。
-
提升JMP「思維工具」的價值：JMP 是一款出色的互動式統計發現工具。這款刻畫器完美契合了這一理念，它允許用戶以可視化的方式探索實驗設計的「假設」場景，而不是僅僅將數字輸入靜態計算器。
-
易於使用：它用科學家和工程師使用的語言來描述問題（<SPAN class="selected">R²</SPAN>, <SPAN class="selected">均方根誤差</SPAN>），降低了穩健實驗設計的門檻。對於任何進行哪怕是最基本的製程表徵或驗證的人來說，它都是必備工具。
