分析实验数据

下一步，继续分析已完成的实验中的数据。您将使用两种方法分析结果：筛选和逐步回归。然后，您需要使用预测刻画器找到最优设置。

使用“筛选”平台进行分析

1. 选择帮助 > 样本数据库，然后打开 Design Experiment/Reactor 32 Runs.jmp。

2. 运行筛选脚本。

“筛选”报表显示一个“对比”报表和一个“半正态图”。“对比”报表显示所有 31 个可能效应（最多包括五因子交互作用）的估计值。

图 12.4 Reactor 32 Runs.jmp 的“对比”报表 

注意：由于“对比”报表中的 p 值是使用 Monte Carlo 模拟获取的，所以您可能得不到图 12.4 中所示的相同值。请参见Lenth 伪标准误差。

“对比”分级显示项中六个突出显示的效应已在“半正态图”中标记。

图 12.5 Reactor 32 Runs.jmp 的“半正态图” 

“半正态图”提供强有力的证据，表明至少五个标记的效应要比预期大（若这些效应是随机变异的结果）。这表明这些效应是活跃的。该图并不能明显地指出三因子浓度*进料速度*搅拌速度交互作用是活跃的。

在图 12.4 中的“对比”分级显示项中，三因子浓度*进料速度*搅拌速度交互作用的个体 p 值为 0.0705，其联合 p 值为 0.7592。由于该效应在“半正态图”中不突出并且其 p 值较大，您决定在模型中不包括该效应。

3. 在“半正态图”中，拖动某个矩形以选择除浓度*进料速度*搅拌速度之外的所有标记效应。

4. 点击构建模型以打开包含五个效应的“拟合模型”窗口。

5. 点击运行。

“预测值-实际值”图显示：没有证据表明失拟，并且“效应汇总”分级显示项显示全部五个效应都显著。

使用逐步回归进行分析

1. 返回 Reactor 32 Runs.jmp 数据表，或通过选择帮助 > 样本数据库并打开 Design Experiment/ Reactor 32 Runs.jmp 重新打开该数据表。

2. 运行模型脚本。

“构造模型效应”列表仅包含到双因子交互作用；而您想要考虑所有交互作用。

3. 从“选择列”列表中，从进料速度一直选择到浓度。

4. 点击宏 > 完全析因。

所有可能的效应都添加到“构造模型效应”列表中。

5. 将特质改为逐步。

6. 点击运行。

7. 将停止规则改为最小 AICc。

对于设计的实验，AICc 优先于 BIC。这是因为 BIC 通常是比 AICc 更为宽松的停止规则，因为 BIC 往往允许在模型中包含不活跃效应。

8. 点击执行。

逐步过程将六个效应选作可能活跃的效应。

9. 点击运行模型。

这将使用这六个效应拟合模型。“效应汇总”分级显示项指示催化剂*浓度在 0.05 显著性水平下不显著，因为 p 值为 0.0896。

10. 在“效应汇总”分级显示项中选择催化剂*浓度，然后点击删除。

剩下的五个效应全部高度显著。这也是您使用“筛选”平台标识的五个效应（使用“筛选”平台进行分析）。

使用预测刻画器的最优设置

现在，找出您在模型中保留的五个显著效应所涉及的三个活跃因子的最优设置。

1. 在 Reactor 32 Runs.jmp 数据表中，运行简化模型脚本。

“简化模型”脚本打开您在使用“筛选”平台进行分析和使用逐步回归进行分析中标识的五效应模型的“拟合模型”窗口。

2. 点击运行。

“预测刻画器”报表显示“意愿”，因为在“完全析因”窗口中，您在定义响应时指定的“目标”为“最大化”。显示在刻画器顶行最右侧单元格中的意愿函数显示值为 100 最为理想，值为 90 或 90 以下最不理想。

3. 点击“预测刻画器”红色小三角菜单并选择优化和意愿 > 最大化意愿。

图 12.6 显示优化意愿的设置的预测刻画器 

所显示设置下的预测均值反应百分比为 95.875，置信区间介于 92.91 到 98.84 之间。请注意，对于全部三个因子，标识的设置位于实验中使用的范围的极值处。在将来实验中，您应该探索这些设置之外的过程行为。