生物工艺优化尊敬的先生，
我正在进行一项包含四个因素和一个响应变量的生物过程实验。我的目标是优化这些因素的浓度，以便为未来的实验室研究做准备。在 JMP 中，只有两个因素具有显著性（ P<0.05）。虽然我也观察到一些二次交互作用。在使用预测分析器最大化期望值时，我应该先移除不显著的因素，还是应该在最终优化中同时包含显著和不显著的影响？
还，
在 JMP 中进行生物工艺优化模型降维时，如何处理预测分析器中的非显著项？我的模型显示有两个显著的主效应和一些二次交互作用。我不确定在预测最大期望值时是否应该保留这些非交互且非显著的因子，或者保留它们是否会给优化过程引入不必要的噪声。
非常感谢您的回复。
高级统计建模基础数据分析与建模数据访问实验设计质量与工艺工程可靠性分析回复：生物工艺优化欢迎！我不确定您的问题是否有简单通用的答案，因为模型简化通常取决于您实验的具体细节。我会请实验部和统计学专家提供建议。
如果您还没有看过，我推荐您阅读以下资源，学习如何在 JMP 中使用多元线性回归分析实验： 相关性和回归教程 | JMP
回复：生物工艺优化你的实验结构不够清晰。没有关于水平的信息，也没有说明是否进行了重复实验或复现实验。能否附上数据表？你说你在尝试优化，这真的是你想要的结果，还是你只是想选出最佳结果？数据分析没有绝对正确的方法。通常，你会使用之前选择实验的模型，在 JMP 中执行“拟合模型”操作，以此作为 DOE 分析的起点。虽然有一些统计方法可以帮助简化模型，但确实应该在使用预测分析器之前先简化模型。你说的二次交互作用是什么意思？是指类似 X1*X2^2 这样的吗？如果存在交互作用，你应该谨慎设置主效应的值。
需要注意的是，优化是在理解系统中的噪声之后进行的。如果你真的在进行优化，那么你应该已经确定了各个因素的重要性。现在，你正在绘制响应曲面的等高线图。
另外，我发现你遇到的情况非常罕见，只有一个响应变量。我以前从未见过这种情况。我们生活在一个多元的世界里。
回复：生物工艺优化正如统计学中大多数情况下一样，对于这个非常常见的问题，并没有万能的解决方案。首先，你应该做的是拟合你设计所基于的完整模型。然后，不要仅仅因为某个项的 p 值小于 0.05 就将其删除，而是可以考虑其他更适合稳健预测的模型选择标准，例如 AICc 和 PRESS（JMP 中均提供）。另一种方法是查看效应量（JMP 应用市场中有一个插件可以帮助你计算效应量），以便更好地理解实际意义，也就是说，不要仅仅因为某个项的 p 值是 0.051 而不是 0.049 就将其删除。常见的做法是确保强制执行效应遗传性（如果主效应的二次项或与其交互作用显著，即使主效应本身不显著，也应将其保留在模型中）。选择新模型后，运行所有常规诊断检查至关重要。
最后一步也是非常重要的一步，就是确定如何固定各个因子的设置以优化响应，尤其是那些你未包含在模型中的因子。这一步至关重要，通常需要与统计学知识同等的专业知识。理论上，如果你掌握的数据表明某个项不属于给定响应的模型，那么响应的均值在你研究的效应范围内大致保持不变（当然，这基于很多假设，最重要的是你收集的数据能够代表总体，并且没有其他描述你过程的因子被你遗漏，从而导致因子产生偏差或与你遗漏的效应存在交互作用）。因此，有人可能会建议将其设置在效应范围的中点。你可以将其设置在你已知过程控制良好的位置（即变异最小），或者设置在运行成本更低或更简便的位置。你也可以选择保留所有主效应，这样在进行期望值优化后，你就能获得所有因子的设置。我见过以上所有方法，甚至更多。
这只是解决此问题的一种思路，我相信其他人可能会有不同的/额外的意见。
