混合因子+プロセス因子の正しいモデル選択親愛なるみんな
JMP18を用いてバイオマス熱分解に関するカスタムデザインを作成し、合計30回の実験を実施しました。実験デザインは以下の要素で構成されています（スクリーンショットを添付）。
混合要因:
（1）セルロース含有量
（２）ヘミセルロース含有量
（３）リグニン含有量
（4）灰分含有量
（５）その他（例：タンパク質）
プロセス要因:
（6）熱分解温度
混合因子(1)～(5)の合計は100%となる。また、二次交互作用を含む全ての因子間の交互作用も考慮した。
因子(1)～(5)の間には高い多重共線性があります。この場合、標準最小二乗モデルは因子間の多重共線性に対して頑健ではないため、モデルに関連する因子を特定するには適していないことがわかりました。どちらのモデルアプローチを選択すればよいでしょうか？
SASのBernd Heinen氏が執筆した技術資料（添付）によると、Elastic Netモデルアプローチは因子の多重共線性に対して堅牢であるため、適切である可能性があると結論付けています。皆様のご意見をお聞かせください。
ご協力ありがとうございました！
よろしくお願いいたします、ヤニス
高度な統計モデリング予測モデリングと機械学習Re: 混合因子 + プロセス因子の正しいモデル選択こんにちは@jgrafmu2さん、
混合設計は最適化設計です。つまり、実施した実験に適合可能な仮定モデルを用いて設計することを意味します。目標は、p値やその他の統計基準（LASSOやペナルティ付き回帰法など）に基づいてモデル内の因子や効果をフィルタリング／選択するのではなく、処方因子やプロセスパラメータの最適化に役立つ、有用かつ予測的なモデルを構築することです。
混合因子間に多重共線性が存在することは全く正常なことです。これらの因子間には、混合状況により、X1+X2+X3+X4+X5 = 100%（または任意の定数）という関係が設計上存在します。これらの因子は独立しているのではなく、この混合制約によって結びついているため、どの分析を選択しても、それらの間には多重共線性が生じます。
最小二乗モデルは、切片のないモデルを適合する場合、混合計画に適しています。「 モデルの適合」起動ウィンドウの要素。計画を生成した後、データテーブルに既に存在する「モデルの適合」スクリプトを使用する場合、「切片なし」オプションはデフォルトで既にチェックされているはずです。
まずは仮定モデルから始め、目的と意思決定基準（RMSEを用いた予測性能、AICcやBICといった情報量基準を用いた良好なモデル複雑性、R²や調整済みR²を用いた良好な説明性能など）に応じて、モデルを改良していきます。JMPヘルプドキュメントにある以下の例を読むと、分析の進め方を理解するのに役立つでしょう： 分析を伴う混合計画の例
以下の議論に興味があるかもしれません:
混合DOEの効果サマリーを効果的に使用するにはどうすればよいですか?
カスタム設計：プロセス変数との混合。設計を評価するには？
混合プロセス設計または応答曲面設計
要因の変動範囲の違いと「その他」混合要因の存在に関連して、このプレゼンテーション「混合実験を実行しない場合」も興味深いかもしれません。
キャプチャで再作成されたデータテーブルを添付します（次回はJMPテーブルを追加してください。トピックを理解しやすくなり、質問に答えやすくなります）。
