正確選擇混合因子和過程因子的模型各位
我使用 JMP18 軟體對生物質熱解進行了自訂設計，並總共進行了 30 次實驗。實驗設計包含以下因素（附圖）：
混合因素：
（1）纖維素含量
（2）半纖維素含量
（3）木質素含量
（4）灰分含量
（5）其他物質（例如蛋白質）
工藝因素：
（6）熱解溫度
混合因子（1）-（5）之和為100%。我還考慮了所有因子之間的相互作用，包括二階相互作用。
因子（1）-（5）之間存在高度多重共線性。我了解到，在這種情況下，標準最小平方法模型不適用於識別模型的相關因子，因為它在因子間存在多重共線性時不夠穩健。您會選擇哪一種模型方法？
根據SAS公司Bernd Heinen撰寫的技術文件（見附件），我認為彈性網路模型方法可能適用，因為它對因子間的多重共線性具有較強的穩健性。您覺得呢？
非常感謝你的幫忙！
此致敬禮，詹尼斯
進階統計建模預測建模和機器學習回覆：混合因子+過程因子的正確模型選擇嗨@jgrafmu2 ，
混合設計是一種最佳化設計，這意味著它是基於假設模型建構的，該模型能夠與你已完成的實驗數據相吻合。其目標是獲得一個實用且具有預測性的模型，以幫助你優化配方因子和製程參數，而不是基於 p 值或其他統計標準（例如 LASSO 或懲罰回歸方法）來篩選/選擇模型中的因子或效應。
混合模型因子之間存在多重共線性是完全正常的，這是由於混合模型本身的設計：X1+X2+X3+X4+X5 = 100%（或任何常數值）。由於這些因子並非獨立，而是透過這種混合約束相互關聯，因此無論選擇何種分析方法，它們之間都會存在多重共線性。
如果您擬合的模型沒有截距項，則最小平方法模型適用於混合設計： 在「擬合模型啟動視窗」中。如果您在產生設計後使用資料表中已有的「擬合模型」腳本，則預設情況下「無截距項」選項應該已被選取。
您應該從預設模型開始，然後根據您的目標和決策標準（例如，使用 RMSE 評估預測性能、使用 AICc 和 BIC 等資訊準則評估模型複雜度、使用 R² 和調整後的 R² 評估解釋性能等），您可以對模型進行最佳化。您可以閱讀 JMP 說明文件中的以下範例，它可以幫助您了解如何進行分析： 混合設計分析範例
您可能對以下討論感興趣：
如何有效地將效應總結應用於混合實驗設計？
客製化設計：混合製程變數。如何評估設計？
混合製程設計或響應曲面設計
考慮到各因素變化範圍的差異以及「其他」混合因素的存在，您可能也會對以下簡報感興趣：何時不應進行混合實驗。
附件是根據您捕獲的資料重新建立的資料表（下次請新增 JMP 表格，這樣更容易理解您的問題並回答您的問題）。
