正确选择混合因子和过程因子的模型各位
我使用 JMP18 软件对生物质热解进行了自定义设计，并总共进行了 30 次实验。实验设计包含以下因素（附图）：
混合因素：
（1）纤维素含量
（2）半纤维素含量
（3）木质素含量
（4）灰分含量
（5）其他物质（例如蛋白质）
工艺因素：
（6）热解温度
混合因子（1）-（5）之和为100%。我还考虑了所有因子之间的相互作用，包括二阶相互作用。
因子（1）-（5）之间存在高度多重共线性。我了解到，在这种情况下，标准最小二乘模型不适用于识别模型的相关因子，因为它在因子间存在多重共线性时不够稳健。您会选择哪种模型方法？
根据SAS公司Bernd Heinen撰写的技术文档（见附件），我认为弹性网络模型方法可能适用，因为它对因子间的多重共线性具有较强的鲁棒性。您觉得呢？
非常感谢你的帮助！
此致敬礼，詹尼斯
高级统计建模预测建模和机器学习回复：混合因子+过程因子的正确模型选择嗨@jgrafmu2 ，
混合设计是一种优化设计，这意味着它是基于一个假设模型构建的，该模型能够与你已完成的实验数据相吻合。其目标是获得一个实用且具有预测性的模型，以帮助你优化配方因子和工艺参数，而不是基于 p 值或其他统计标准（例如 LASSO 或惩罚回归方法）来筛选/选择模型中的因子或效应。
混合模型因子之间存在多重共线性是完全正常的，这是由于混合模型本身的设计所致：X1+X2+X3+X4+X5 = 100%（或任何常数值）。由于这些因子并非独立，而是通过这种混合约束相互关联，因此无论选择何种分析方法，它们之间都会存在多重共线性。
如果您拟合的模型没有截距项，则最小二乘模型适用于混合设计： 在“拟合模型启动窗口”中。如果您在生成设计后使用数据表中已有的“拟合模型”脚本，则默认情况下“无截距项”选项应该已被选中。
您应该从预设模型开始，然后根据您的目标和决策标准（例如，使用 RMSE 评估预测性能、使用 AICc 和 BIC 等信息准则评估模型复杂度、使用 R² 和调整后的 R² 评估解释性能等），您可以对模型进行优化。您可以阅读 JMP 帮助文档中的以下示例，它可以帮助您了解如何进行分析： 混合设计分析示例
您可能对以下讨论感兴趣：
如何有效地将效应总结应用于混合实验设计？
定制设计：混合工艺变量。如何评估设计？
混合过程设计或响应面设计
考虑到各因素变化范围的差异以及“其他”混合因素的存在，您可能也会对以下演示文稿感兴趣：何时不应进行混合实验。
附件是根据您捕获的数据重新创建的数据表（下次请添加 JMP 表格，这样更容易理解您的问题并回答您的问题）。
