生物製程優化尊敬的先生，
我正在進行一項包含四個因素和一個反應變數的生物過程實驗。我的目標是優化這些因素的濃度，以便為未來的實驗室研究做準備。在 JMP 中，只有兩個因素具有顯著性（ P<0.05）。雖然我也觀察到一些二次交互作用。在使用預測分析器最大化期望值時，我應該先移除不顯著的因素，還是應該在最終優化中同時包含顯著和不顯著的影響？
也,
在 JMP 中進行生物製程最佳化模型降維時，如何處理預測分析器中的非顯著項？我的模型顯示有兩個顯著的主效應和一些二次交互作用。我不確定在預測最大期望值時是否應該保留這些非交互且非顯著的因子，或者保留它們是否會為優化過程引入不必要的噪音。
非常感謝您的回覆。
進階統計建模基礎資料分析與建模資料存取實驗設計品質與工藝工程可靠度分析回覆：生物製程優化歡迎！我不確定您的問題是否有簡單通用的答案，因為模型簡化通常取決於您實驗的具體細節。我會請實驗部和統計學專家提供建議。
如果您還沒看過，我推薦您閱讀以下資源，學習如何在 JMP 中使用多元線性迴歸分析實驗： 相關性和迴歸教學 | JMP
回覆：生物製程優化你的實驗結構不夠清晰。沒有關於水平的信息，也沒有說明是否進行了重複實驗或復現實驗。能否附上數據表？你說你在嘗試優化，這真的是你想要的結果，還是你只是想選出最佳結果？數據分析沒有絕對正確的方法。通常，你會使用先前選擇實驗的模型，在 JMP 中執行「擬合模型」操作，以此作為 DOE 分析的起點。雖然有一些統計方法可以幫助簡化模型，但確實應該在使用預測分析器之前先簡化模型。你說的二次交互作用是什麼意思？是指類似 X1*X2^2 這樣的嗎？如果存在交互作用，你應該謹慎設定主效應的值。
需要注意的是，最佳化是在理解系統中的雜訊之後進行的。如果你真的在進行最佳化，那麼你應該已經確定了各個因素的重要性。現在，你正在繪製響應曲面的等高線圖。
另外，我發現你遇到的情況非常罕見，只有一個反應變數。我以前從未見過這種情況。我們生活在一個多元的世界。
回覆：生物製程優化正如統計學中大多數情況下一樣，對於這個非常常見的問題，並沒有萬能的解決方案。首先，你應該要做的是擬合你設計所基於的完整模型。然後，不要僅僅因為某項的 p 值小於 0.05 就將其刪除，而是可以考慮其他更適合穩健預測的模型選擇標準，例如 AICc 和 PRESS（JMP 中均提供）。另一種方法是查看效應量（JMP 應用市場中有一個插件可以幫助你計算效應量），以便更好地理解實際意義，也就是說，不要因為某個項目的 p 值是 0.051 而不是 0.049 就將其刪除。常見的做法是確保強制執行效應遺傳性（如果主效應的二次項或與其交互作用顯著，即使主效應本身不顯著，也應將其保留在模型中）。選擇新模型後，執行所有常規診斷檢查至關重要。
最後一步也是非常重要的一步，就是確定如何固定各個因子的設定以優化反應，尤其是那些你未包含在模型中的因子。這一步至關重要，通常需要與統計學知識同等的專業知識。理論上，如果你掌握的數據表明某個項目不屬於給定響應的模型，那麼響應的均值在你研究的效應範圍內大致保持不變（當然，這基於很多假設，最重要的是你收集的數據能夠代表總體，並且沒有其他描述你過程的因子被你遺漏，從而導致因子產生偏差或與你遺漏的效應存在交互作用）。因此，有人可能會建議將其設定在效應範圍的中點。你可以將其設置在你已知過程控制良好的位置（即變異最小），或者設置在運行成本更低或更簡便的位置。你也可以選擇保留所有主效應，這樣在進行期望值最佳化後，你就能獲得所有因子的設定。我見過以上所有方法，甚至更多。
這只是解決此問題的一種思路，我相信其他人可能會有不同的/額外的意見。
