使用“拟合确定性筛选”平台评估包含 18 次试验的设计。该设计是针对两个区组中六个因子的确定性筛选设计,其中包含 4 个额外试验。
注意:有关使用连续型和分类因子的设计的示例,请打开样本数据文件 Peanut Data.jmp 并运行“拟合确定性筛选”表脚本。
1. 选择帮助 > 样本数据文件夹,然后打开 Design Experiment/Extraction 3 Data.jmp。
2. 选择实验设计 > 确定性筛选 > 拟合确定性筛选。
3. 选择产量并点击 Y。
4. 从批一直选择到时间,然后点击 X。
5. 点击确定。
该拟合执行两阶段分析。有关算法的详细信息,请参见“拟合确定性筛选”平台的统计详细信息。
阶段 1 确定哪些主效应可能活跃。
图 9.2 阶段 1 的主效应报表
注意:假因子不显示在设计中也不作为分析中的因子。
从对应两个假因子的四次试验计算了两个自由度的平方和误差。由于根据假因子的构造,假因子非活跃因子,所以该误差方差的估计值无偏。对于每个主效应,针对该估计值来检验主效应响应 YME。在本例中,甲醇、乙醇和时间这三个因子的 p 值小于阈值,作为活跃因子留下。有关阈值的详细信息,请参见阶段 1 方法。
丙醇、丁醇和 pH 这三个非活动因子的变异性与假因子平方和合并,共同生成五个自由度的 RMSE 统计量(如图 9.2 中所示)。
阶段 2 使用经指导的子集选择得到可能活跃的二阶效应列表。交互作用和二次项是二阶或偶数阶效应。
图 9.3 阶段 2 的偶数阶效应报表
由于在阶段 1 中标识了三个主效应为活跃效应,针对活跃二阶效应的经指导的子集选择过程将继续进行,直到包含所有二阶效应。由于阶段 2 报告了全部六个二阶效应,由此判定:阶段 2 RMSE 仍大于阶段 1 RMSE。请参见阶段 2 方法。
阶段 2 报表中提供的两个自由度的 RMSE 是从全部六个二阶效应的最终子集获得的误差估计值。
为模型选定的效应列在“组合模型参数估计值”报表中。
图 9.4 “组合模型参数估计值”报表
报表底部提供的 RMSE 和自由度是通常的标准最小二乘法数量。将这些效应用作您最终模型的潜在因子。
“构建模型”按钮在“拟合模型”规格窗口中为列出的项输入模型。要直接使用标准最小二乘法运行模型,请点击“运行模型”按钮。
1. 点击运行模型。
“预测值-实际值图”显示无失拟。“效应汇总”报表建议您可以进一步缩减模型。
图 9.5 “预测值-实际值”图和“效应汇总”报表
2. 在“效应汇总”报表中选择甲醇*乙醇,然后点击删除。
甲醇*时间的 p 值为 0.33750。接下来删除它。
3. 在“效应汇总”报表中选择甲醇*时间,然后点击删除。
乙醇*乙醇的 p 值为 0.15885。接下来删除它。
4. 在“效应汇总”报表中选择乙醇*乙醇,然后点击删除。
图 9.6 显示最终模型中的效应的“效应汇总”报表
其余效应全部显著。您推断这些是活跃效应。