Fit 最終篩檢平台混亂執行 DSD 並點擊「Fit Definite Screening」按鈕後，程式輸出以下內容：
- 第一階段 - 主要效應估計
- 第二階段 - 偶數階效應估計 &
- 組合模型參數估計
- 以及預測分析器。
如果在第一階段選單中，Prob>|t| 值小於 0.01 表示有幾個主效應顯著，但在組合模型參數估計選單中，這些效應的 Prob>|t| 值卻達到 0.20 或更高，我該如何解釋這種情況？這是否意味著需要簡化模型？
JMP 文件中提到，預測分析器是針對組合模型的－是指「擬合最終篩選」表中列出的組合模型，還是指該組合模型的簡化形式？
我還想知道——我們是否每次分析後都需要選擇“運行模型”並手動縮小模型規模？
實驗設計回覆：Fit Definitive 篩檢平台的困惑你好@MJZ82 ，
最終主效果的p值增加，是因為其計算所使用的自由度與第一階段不同。第一階段只研究主效應，因此設計的自由度較高，故採用0.05的閾值來偵測主效應。
在第二階段，您已經使用了一些自由度將主效應納入模型，因此，由於剩餘的自由度較少，無法像第一階段那樣對高階效應進行相同的檢驗，所以高階效應需要使用更高的閾值 p 值（通常為 0.2）才能納入模型。您可以在此處閱讀更多關於方法論的資訊： Fit 最終篩選平台的統計詳情
在最終的組合模型面板中，p 值的計算方式如同將該模型中的各項同時輸入到一個簡單的最小二乘模型中一樣，因此其 p 值與先前兩個階段計算出的 p 值不同（且更高）。最後顯示的分析器對應於最終的組合模型。
我不會基於合併模型參數估計面板中的p值進一步簡化模型，因為擬合最終篩選方法採用的是順序方法：首先識別對響應變量影響的主效應，然後基於先前擬合的主效應模型的殘差識別活躍的二階效應。同時納入所有項（如合併模型參數估計面板中所示）計算出的p值並不能反映識別和納入模型項的過程，因此這些p值不可靠，可能存在偏差，不應僅基於此資訊來決定是否移除某些項。此外，在擬合實驗設計（DoE）模型時，必須考慮效應遺傳性，因此，如果模型中存在顯著的交互作用或同一因素的二次效應，則不應移除該效應的主效應。
您仍然可以嘗試使用不同的建模平台，例如Fit 最終篩選平台、 Fit 兩層篩選平台、 標準最小二乘模型、 廣義回歸模型等等，並比較這些方法識別出的共同術語和差異術語。建模的主題遠比「僅僅」依賴 p 值要廣泛（有時也更複雜）。根據您的目標，您可能需要採用不同的方法來評估和選擇模型：
- 解釋模型 在解釋性模式下，您更專注於那些對反應有影響的術語，因此您可以根據統計顯著性（借助 p 值和預定義的閾值，例如 0.05）和實際意義（估計值的大小、基於領域專業知識的選擇）來評估是否需要包含不同的術語。 R²、調整後的 R²（以及兩者之間的差異，需要盡量減少）可能是了解已識別術語解釋了多少變異，並選擇相關模型來解釋所研究系統的良好指標。
- 預測模型 在預測模式下，您更關注那些有助於最小化預測誤差的項，因此您可以根據實際值與預測值對比圖以及誤差大小（殘差圖）的可視化結果，評估是否需要包含不同的項，以及這些項如何提高預測性能。均方根誤差 (RMSE) 可能是評估哪些模型具有最佳預測性能的良好指標（目標是最小化 RMSE）。
您可能也會對這兩部分的組合感興趣，因此可以使用不同的指標來幫助您評估和選擇模型，例如 資訊標準 （AICc、BIC）有助於在模型的預測性能和複雜度之間找到平衡點。基於這些標準評估和選擇模型時，數值越低越好。
希望這個回答對您有幫助。
回覆：Fit Definitive 篩檢平台的困惑感謝您的詳細回覆。
如果我的「組合模型參數估計」中列出的 9 個項（不包括截距）中只有 1 個項被證明是顯著的，那該怎麼辦？
我的「第一階段 - 主效果估計」列出了 5 個主效應中的 3 個顯著。然後，我的「組合模型參數估計」列出了這 3 個主效應 + 3 個交互項 + 3 個二階項。在這 9 個組合項中，只有 1 個二階項顯著，而其他許多項的 p 值都大於等於 0.20。
即使我在「組合」模型中的 9 個項目中有 8 個沒有顯著的 p 值，通常也不建議在運行「擬合最終篩選」平台後嘗試進一步減少模型輸出嗎？
回覆：Fit Definitive 篩檢平台的困惑正如我之前所述，組合模型中 p 值的計算方法（同時檢定）與「擬合最終篩選」中基於效應的序貫分層檢定的方法不同。這種「擬合最終篩選」可能比傳統的檢定和模型建構方法更敏感，因此即使第一階段或第二階段已經檢測到某些項，最終的組合模型面板中也可能出現不具有統計意義的項。
但這並不意味著這些術語在實踐中不重要，或對模型沒有用處。
在評估多個模型時，驗證迴歸假設（透過殘差分析）、不同的指標（以不同的評估方法比較模型）以及領域專業知識來指導建模過程非常重要。
