解读混合物研究我能否请您帮忙解读一下我的混合料混合料研究结果？我正在研究沥青的摩擦性能，特别是集料类型、粗细集料混合比例以及沥青级配类型的影响。
聚合类型，共 6 种：
- A级（高质量）：A1、A2、A3
- B级（低质量）：B1、B2、B3
骨料混合（粗料和细料部分）
- 混合百分比 粗 A级和B级集料在混合料中的占比：0%至50%
- 混合百分比 美好的 A级至B级集料在混合料中的占比：0%至50%
粗细颗粒总和 = 100%
渐变类型，2 种
C型
D型
附件是我的研究.jmp文件。我对多元回归分析比较熟悉，但混合模型这部分让我很困惑。请问有什么入门指导吗？谢谢！
高级统计建模基础数据分析与建模数据探索与可视化回复：解读混合物研究关于实验情况提供的信息不足，无法给出合理的建议（例如，您了解测量系统误差吗？摩擦力的变化幅度有多大才算重要？什么是实验单位？它是如何测量的？……）。我不明白您为什么称之为混合设计？只有两个因素（集料和级配类型似乎不是混合因素），而且您使用的是比例而不是细料和粗料的独立用量。实际上，您有一个可以替代混合设计的方法（没有好坏之分）。您可以按照典型的部分因子设计进行分析，从您用于设计实验的模型开始，并使用拟合模型。
好的，我看了一下数据表，但我还是不明白。你的四组分混合料设计中似乎包含了骨料类型？你是不是把这些骨料类型和混合料组分搞混了？
回复：解读混合物研究这篇由Marie Guadard撰写、收录于JMP图书馆的案例研究或许对您有所帮助。
https://community.jmp.com/t5/JMP-Sample-Data/Design-of-Experiments-Example-A-Mixture-of-Mixtures-Design/ta-p/22788
回复：解读混合物研究感谢您的评论。我的研究既包含析因设计部分，也包含混合设计部分。
有三个分类因素：
- 聚合类型-A类（级别：A1、A2、A3）
- 聚合类型-B类（级别：B1、B2、B3）
- 渐变类型（级别：C 型、D 型）
然后是两种混合物，每种混合物都是由两种组分组成的。
- 聚合混合物，粗粒（A_粗粒 + B_粗粒 = 0.5）
- 聚合混合物，精细（A_Fine + B_Fine = 0.5）
你能解释一下你说的“你计算的是比例，而不是粗粉和细粉的独立用量”是什么意思吗？我想我没有计算比例。
- 粗粒（A=0.2，B=0.3）+ 细粒（A=0，B=0.5）= 1.0
因为只有两种组分，您的意思是说我可以把4个混合变量改成2个连续比例变量吗？（A/B_粗粒组分比例和A/B_细粒组分比例）。我以前这样做的时候，在分析AggType * AggRatio交互作用时遇到了问题。（如果需要，我可以详细说明这些问题。）
以下是美国能源部对话的内容。
我不知道这个模型是怎么变成现在这样的，但我认为它存在一些问题。(1) 我缺少 AggType 的主效应。(2) 一些交互项的逻辑性不合理。
- 第一个交互项， 聚合类型，A 类 * 聚合混合物，粗粒 A 类 ，展示了 Class A 聚合类型如何随其在混合物中的比例而变化。对于混合物中不包含 Class A 的测试运行（Blend Class A=0），其影响将不予考虑。但下一个交互项， 聚合类型，A 类 * 聚合混合物，粗粒级 B ，似乎考察的是完全相同的情况，只是方向相反。混合物的约束条件意味着 B 混合物 = 0.5 - A 混合物。
- 交互项AggBlend，粗粒A级 * AggBlend，粗粒B级似乎完全没有帮助。这只是 A 混合物和 0.5-A 混合物的交互作用。
如果我凭直觉构建模型，最终会得到以下结果。这看起来合理吗？
回复：解读混合物研究谢谢，这篇文章写得很好。不过，文中的例子严格来说是混合变量，而我的情况既包含分类变量也包含混合变量，这就是我遇到的问题。
回复：解读混合物研究抱歉，我对您正在考虑的实验因素并不精通。我的思路是，您是否应该尝试在一个实验中完成所有这些步骤，还是采用序贯方法更好？如果您想在析因设计中嵌入混合设计，我建议您阅读：
Cornell, John A., 1990 “将混合实验嵌入因子实验中”，质量技术杂志，第 22 卷，第 4 期，1990 年 10 月。
回复：解读混合物研究这种情况可能经常发生，实验设计的时间已经过去了。数据已经收集完毕，并且基本覆盖了设计空间。但我需要对这些数据进行一些分析。我正在努力在 JMP 中正确设置模型变量/交互项，以适应我的场景。
谢谢你的帮助。我已经向我们的图书管理员借阅了这篇文章。
回复：解读混合物研究我无法也无意对设计及其合理性发表评论。我只是把它当作一个需要分析的数据集。我可能做出了一些不恰当的假设，如果是这样，请忽略此帖。
由于您有两种不同的混合物，每种混合物包含两种成分，因此可以简化问题。我没有分析总共四种混合物成分（每种混合物两种），而是忽略了 AggBlend, Course_Class B 和 AggBlend, Fine_Class B 这两个因子。通过已知 Coarse_Class A 和 Fine_Class A 的值，我们可以确定其他因子。这将大大简化分析，因为现在我们可以将所有因子视为连续变量。我已修改您的数据表以反映这一点。该表格附在此处。
现在我尝试进行分析。我认为您想要一个包含交互作用的模型，所以我指定了 5 个因子及其所有双向交互作用，并使用向前逐步回归（以最小 AICc 为选择标准）来寻找模型。数据不支持包含所有双向交互作用的模型，这就是我使用向前逐步回归的原因。在我的探索过程中，我发现摩擦力可能存在非恒定方差，因此我创建并使用了摩擦力的对数作为响应变量（尝试以摩擦力作为响应变量拟合这些模型，您应该可以看到可能存在的非恒定方差）。请参阅数据表中的“起始模型...”脚本以了解初始状态。
综上所述，我找到了一个看起来还不错的模型。请参阅“可能的最终模型”脚本。它真的好吗？我不知道。我对数据收集的背景以及背后的科学原理一无所知。然而，我认为我提供的关键在于提供了一种不同的思考方式，或许能够得出易于解释的结果，因为这只是一个典型的回归分析（Scheffe混合模型并没有什么特别之处）。
回复：解读混合物研究很好的解决方法@Dan_Obermiller ！
通读这里的信息，我不禁怀疑这里是否真的需要混合设计，因为问题似乎只涉及两种配方部分，每种部分又包含两种原材料。因此，使用连续因子和比例应该足以定义设计。
您提出的分析方法与以下方法非常相似：
使用连续变量和混合变量进行编码以探索更多输入空间 (2022-US-45MP-1103) : https://community.jmp.com/t5/Abstracts/Coding-with-Continuous-and-Mixture-Variables-to-Explore-More- ... : 本次演讲展示了如何通过将设计空间的定义从分类因子切换到连续因子，从而获得更广泛的推理空间，进而找到解决方案。
我认为你的解决方案思路类似，它通过考虑因子比率而非使用混合因子和（复杂的）混合模型来简化模型。如果@bryantw能从领域专家的角度验证该模型，并进行验证运行，这将进一步提高模型的置信度和可靠性。
回复：解读混合物研究嗨，丹，
非常感谢您的回复。我一直都喜欢简化分析。我最大的顾虑在于放弃混合方法时边界处的可解释性问题。例如，在第二行数据中，粗粒和细粒的混合比例均为 0.0，这意味着混合物中没有 A 类集料，全部都是 B 类集料。然而，该行的 A 类集料类型却显示为“A1”。即使该混合物中根本不包含 A1 类集料，模型的主效应项和交互项中仍然会受到 A 类集料类型的影响。即使实际的混合物没有改变，分配的集料类型也可能是 A1、A2 或 A3，模型的预测结果也会随之改变。
我认为混合模型仍然适用。
