Dr. Frank Yang 问答专帖

brainchip

杨老师，谢谢您的回复，我在分析下面的数据时应用了generalized linear model，对比standard least square，好像线性模型能得出同理论相符的更多的显著参数；麻烦您看看我分析的是否正确？数据如下：

brainchip

理论上，acid和electri对capacity都有影响，上面的数据是应用响应曲面的方法进行设计得出的，因此我在下面的分析中先应用了最小二乘法，模型的分析结果如下：




模型的p值为0.0428，但是却显著的失拟合，p值为0.0016，并且从下面的参数分析来看仅有acid和electri的交互作用是显著的，




以前您告诉过我JMP应用的是strong heredity restriction，那么由于这两个因子单独的作用都不显著，这两个因子的交互作用就不应该在模型中存留，这样一来，整个的模型就没有显著的参数项了，因此我接下来试着用generalized linear model做了分析，对比了两种分析方法；

brainchip

下面是应用generalized linear model 对模型分析的结果：


从这个结果来看，同理论的基本相符，各个参数都是显著的，但是有失拟合现象，Pearson和Deviance的p值都小于0.0001，不知道问题出在了那里，该如何对这个数据作分析呢？

brainchip

此外对比应用generalized linea model 的残差图，如下，好像也比应用最小二乘法分析的残差好一点，不知我对残差的这个结论对么？谢谢您！

brainchip

杨老师，您好，这个capacity 是蛋白质在纯化中用到的物理量，表示的是蛋白质对吸附配基的亲和力，谢谢您！

brainchip

杨老师，您好，响应变量确实是连续变量，整数是因为我做了四舍五入，这个变量的分布特性应该是正态分布的。
对比文献中的例子，一般的对该变量的分析应用的是最小二乘法，文献中对我这组数据中所选的两个因子都认为是显著的，理论上也是这样的。
在我的分析中，选用log的link function是因为我在分析这一组数据的时候，发现应用最小二乘法得出的结论不太合乎理论，而应用广义线性模型时，我觉得对响应做下对数变换后，应该不太会影响响应的分布情况，而且用模型来解释变换后的响应发现同理论也完全相符。
但是我对这么分析不是很有把握，也不知道在面临类似的情况时应该注意哪些情况，还麻烦杨老师多多指教，谢谢您！

brainchip

谢谢杨老师，我们目前还没有做过验证，不过如果结果可用，那么验证一定会做的。再次感谢您的解答，祝您周末愉快！

brainchip

杨老师，谢谢您的建议，这次的数据之所以有这些问题，有可能像您提到的那样，可能是试验区域选取的不是很合适。不过如果GLM模型适合我们目前的数据的话，我们会依照预测结果选定一个区间去做一些验证试验，看看具体的误差是不是很大然后再做决定。
再次感谢您的帮助，谢谢您！

brainchip

杨老师，您好！
非常感谢您认真负责的指导。这两天我们根据预测的contour plots，结合我们以往的经验，选取了acid 的范围是4.9-5.1, electri的范围是6-8；从模型上看，这个区域的capacity大概在100以上。我们选取两个比较差的点做了验证分别是acid 4.9, electri 6以及acid 5.1, electri 8；结果5.1，8的响应值同预测的比较接近，高于了100，但是4.9,6的点则在95左右，从contour plot上看，这个点距离100的等高线也比较近，同时和您预测的一致，这个模型的拟合不是很好，因此估计在不同的区域存在着偏差。
不过我们的实验对这个结果也可以接受，所以调整了一下，把今后的响应预期设置在90以上应该是在选定的因子区域可以实现的。
实际上，原始表格中数据的结果我们重复了两次，响应值都差不多，因此很有可能是我们在最初的设计中选定的区域不是很合适导致的，今后如果有机会应该重新验证下选定合适的区域再做这个实验。
再次感谢您的指导，谢谢您！

brainchip

杨老师，谢谢您的夸奖。
如您所料，我确实是正在自学DOE，希望能在实际工作中发挥更大的作用，谢谢您一直的耐心指导与帮助。附件是我两次重复的数据，第二次有个点不是很好，可能是操作有问题，不过像我昨天回复您的，我们后来依据等高线图选两个点做了验证，觉得那两个点界定的区域还是可用的，因此就不再继续花时间在这个问题上了。
再次感谢您！
以后有问题希望还能得到您的指导，谢谢您！