分割プロットDOE結果のモデリング一般化回帰は、プロット全体の要因のようなランダム効果には適用できないため、ランダムノイズを除去することができないことから、genreg は分割プロット DOE の結果をモデル化するために使用できないと思われますか？
実験計画法Re: 分割プロットDOE結果のモデリングぜひ読んでみてください。
Box, GEP、Stephen Jones (1992)、「堅牢な製品実験のための分割プロット設計」、応用統計学ジャーナル、第19巻、第1号
Re: 分割プロットDOE結果のモデリングこの論文の無料版が見つかりません。JMP GENREGは1992年に出版されたのでしょうか？
Re: 分割プロットDOE結果のモデリングこんにちは、 @frankderuyck さん。
ランダム効果を含む一般化回帰モデルを適合させるには、適合モデルプラットフォームを起動する際に、 一般化線形混合モデルというパーソナリティを選択します。
この簡潔で実用的な回答がお役に立てば幸いです。
Re: 分割プロットDOE結果のモデリングVictorは知っていますが、GENREGのような優れた前方選択AICC/ペナルティオプションがありません。最適なモデルを取得するための「すべてのサブセット」オプションはどこかにありますか？
Re: 分割プロットDOE結果のモデリング全体プロット因子を除外したGENREGから始めて、「Best Subset」を使用して強い効果を選択し、その後、強い効果とランダムな全体プロットを含むFit Mixedに戻るのはどうでしょうか？
Re: 分割プロットDOE結果のモデリングいいえ、このオプションは利用できませんし、DOEシナリオでは推奨されません。「すべてのサブセット」オプションは、データマイニングやモデルに依存しないモデル構築方法に近いものです。GenRegプラットフォームを使用するためにプロット因子全体を削除すると、ランダム効果によって関心のない分散を捉えるという利点が失われます。ランダム効果がない場合、この分散はランダムとみなされ、潜在的に有効な効果が「隠蔽」される可能性があります。
実験計画法（DoE）を構築する際、モデルを仮定しています。このモデルに一般化線形混合モデルを用いてランダム効果を当てはめ、モデルの妥当性と正確性（残差分析、モデル指標など）を評価してください。
その後、高次の項をいくつか削除して（ただし効果の遺伝性は考慮したまま）、モデルを再起動できます。そして、応答に対する要因の影響、モデルの指標、残差分析など、さまざまなモデルを比較できます。
Re: 分割プロットDOE結果のモデリングあるいは、さらに良い方法として、プロット全体のランダム効果と同様に、因子レベルは相関関係を持つ可能性があるため、genleg elastic net から始めて、最も強い効果を最初に選択するという方法はどうでしょうか？
Re: 分割プロットDOE結果のモデリング同じ問題です。ランダム効果を使用しないため、分散の一部がランダムとみなされます。そのため、どの方法を使用しても、効果を検出するのがより困難になります。Re: 分割プロットDOE結果のモデリング興味深いご回答ありがとうございます、ビクターさん。おっしゃる通り、ランダムな全体プロット効果がない場合、かなりのノイズが発生しますが、強い効果はノイズの中からより際立って見えるようになります。「最適なサブセット」の結果では、P値にあまり厳しくする必要はありません。最も強い効果を持つ因子を選択するには、0.1程度の閾値で十分だと思います。
