Minitab学习系列（2）：DOE逐步方法选择详解

前言

一、DOE>因子>分析因子 设计 >逐步

逐步删除和向模型中添加项以确定有用的项的子集。 Minitab 提供了三个常用过程：标准逐步回归(添加和删除项)、向前选择(添加项)和向后消元(删除项)。如果选择某个逐步回归过程，则在模型对话框中指定的项为最终模型的候选项。

   使用自动变量选择过程：变量选择过程可以作为数据分析中一种很有价值的工具，特别是在构 建模 型的早期阶段，但同时，这些过程也有一定的风险，以下是一些注意事项：

• 由于这些过程自动"监听"多种模型，因此所选的模型可能会与数据"过度"拟合。即过程可以查看许多变量，并完全处于偶然选择恰好拟合良好的变量。
• 三个自动过程都是启发式算法，通常运行很好，但可能所选模型的R平方值(对于给定的预测变量数)并非最高。
• 自动过程无法考虑到分析人员对数据可能具有的特殊知识。因此，从实际观点来看，所选模型可能不是最佳模型。

方法：指定Minitab用来拟合模型的方法

1. 无：选择此选项使模型与我们在模型对话框中指定的所有项拟合。
2. 逐步：默认情况下，此过程从一个空模型开始，然后每一步添加或删除项。我们可以指定要包括在初始模型或强制包括在每一个模型中的项。
3. 向前选择法：默认情况下，此过程从一个空模型开始，然后每一步添加最显著的项。我们可以指定强制包括在每一个模型中的项。
4. 向后消元法：此过程从模型中的所有可能项开始，然后在每个步骤中删除最不显著的项，我们可以指定强制包括在每个模型中的项。

可能项： 显示过程要评估的项的集合。列表中的指示符指示过程对项的处理方式。我们选择的方法可确定此列表中的初始设置。使用以下两个按钮可以修改过程对项的处理方式。指示符为：

• E：无论项的P值如何，每一模型中都将包括该项。
• I：项将包括在初始模型中，但如果它的P值过高会被过程从模型中删除。
• 空：过程可能根据项的P值在模型中添加或删除项。

   E=在每一个模型中包括项：选择一个项并单击此按钮可强制在每个模型中包括该项(无论P值如何)，再次单击可取消。

   I=在初始模型中包括项：选择一个项并单击此按钮可以在初始模型中包括该项，再次点击可取消。

入选用Alpha： 输入在模型中输入一个新项的条件。当选择逐步或向前选择法时可设置；
删除用Alpha： 输入用于从模型中删除项的条件。当选择逐步或向后消元法时使用；
层次结构： 使用此框可 控制 Minitab如何使用逐步过程强制执行模型层次结构，

二、DOE>因子>分析因子设计>逐步>层次结构

用于开工至Minitab在逐步过程中如何强制执行模型层次结构。在分层模型中，构成高次项的所有低次项也会出现在模型中。

   如果要以未编码(或自然)单位生成方程，则因子设计模型必须是分层的，但是，在考虑该问题时应该考虑以下事实：包含过多项的模型的精确度相对较差，并且会降低预测新观测值的能力。
提示：

• 首先拟合层次结构模型，然后删除没有显著统计意义的项。
• 如果我们的模型包含类别变量。则在类别项至少具有层次结构时更容易解释结果。

层次结构模型：选择逐步过程是否必须生成层次结构模型。

每个步骤中都需要一个层次结构模型： Minitab只能在维护层次结构的每一步添加或删除项。
在结束时添加项以将此模型设置为层次结构模型： 最初，Minitab遵循逐步过程的标准规则，在最后一步，Minitab会添加可生成层次结构模型的项，即使P值大于入选用alpha也是如此。
不需要层次结构模型： 最终模型可以是非层次结构模型。Minitab将只根据逐步过程的规则添加和删除项。

对于以下项，需要层次结构：如果我们需要层次结构模型，请选择必须为层次结构的项类型，此下拉列表对一般全因子设计不可用。

所有项： 包含连续和/或 类  别变量的项必须具有层次结构。

   具有类别预测变量的项：只有包含类别变量的项才必须具有层次结构。

具有类别预测变量的项： 只有包含类别变量的项才必须具有层次结构。

每个步骤入选用多少项： 如果您在每个步骤上都需要层次结构，请选择 Minitab 为了保持层次结构在每个步骤可添加的项数。

每个步骤最多可以入选用一项： 只有在添加单个项就可保持层次结构时，才可以向模型中输入一个高次项。构成 交互 作用项或功效项的所有低次项必须出现在模型中。

可以入选用额外项以保持层次结构： 即使输入可以生成非层次结构模型，也可以向模型中输入高次项。但是，也必须添加生成层次结构模型所必需的项，即使其 p 值大于入选用 alpha 也是如此。

总结

分享：

   我们生于草莽，死于草莽，遥遥在野外养原，为真理喝彩，祝真理万岁，于愿足矣。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删