各因子交互效应图怎么解读
主效应、交互效应、简单效应、事后多重比较怎么分析？主效应是指一个自变量的不同水平引起因变量产生的差异情况，如下图，施肥方式和品种均呈现显著性，说明二者的主效应都存在。交互效应是指两个自变量的搭配， 因变量产生的差异情况如下图，施肥方式和品种的交互项呈现出显著性，说明交互效应存在。简单效应是指一个自变量在某个水平时，另一个自变量在不同水平下。因变量差异情况如下图，当施肥方式为 a 时，品种一和品种二之间的 产量呈现出显著差异。事后多重比较是指一个自变量的不同水平之间两两因变量差异的比较，如下图，品种一和二之间未呈现显著性差异。 需要注意的是，当主效应存在时，可以进行事后多重比较，当交互效应存在时，可以进行简单效应分析，你学会了吗？
粉丝3.9万获赞19.7万
相关视频
02:01查看AI文稿AI文稿好，我们再看到这道题，这道题的正确率其实也不高。呃，那我们看一下为什么呢？在两水平是因子的全因子实验中，通过 统计分析发现，只有因子 c 及交互作用 a、 b 显著，那么 a、 b、 d 均不显著，则回归模型中至少应该包括很多人，很多人都是选择 a 达， 那么我现在告诉你， a 答案是错的，那么这个时候 c 答案是不是很容易排除掉啊？关键 最后我们为什么会选 b 答案？好，好，这里我不做太多的理论解释，我们要打开 mini table， 实际来操作一下，你就会 豁然开朗。 好，我们来打开 mini table 统计 u e 音质 分析，音质设计好，我们在这里是不是就有很多选项，我们这个时候把 a、 b 保留好，把这些 d 选项也删掉， a、 b 是不是也应该删掉，而只保留 c 和 a b， 只保留 c 因子和 a、 b 交互作用。那我们按一下确定，看看 mini table 它会怎么反应。
25James
21:20查看AI文稿AI文稿嗨，大家好，今天介绍部分因子设计，包括设计的原理以及相关的概念，生成、圆混杂、别名、定义、关系和分辨度。 最后是这些概念的产物，广义交互和别名结构。 为什么要实施部分因子设计？比如说七个因子的全因子设计 最少呢？有一百二十八次实验，相应的有一百二十七个自由度， 有七个主效应，二十一个二阶交互效应。 由于高阶效应的稀疏性，很可能我们只关注二十八个效应， 一百二十七个自由度只衡量二十八个效应，这个呢就太浪费了，需要减少实验次数。但怎样减少是个技术活。 以三因子设计为例，代码化了因子水平高低，分别用正一和负一表示，这样 主效应的对照系数之和都等于零。同样，所有的二阶和三阶交互的对照系数之和也等于零。 这样的设计被称为正胶设计，俗话说就是均匀、分散、整齐可比。 代码化正交设计的优点前面我们叙述了很多，即使要减少实验，也要保持正交性。方法呢，就是对时间次数减半。 减半是这样操作的。先移动一下噎词标准顺序的一些处理组合， 使得三阶交互 abc 的四个高水平在上，四个低水平在下。 现在去除四个 abc 的低水平处理，剩下四个高水平处理组合。 这时候主效应和二界交互效应的对照系数之和还是零， 说明他们还是正交的整齐可比。但是 abc 系数和就不等于零了，我们以符号 a 来表示他， 这被称为二分之一的部分因子设计。 在这个设计中，确定了 i， 也就确定了设计 i 就等于 a、 b、 c， 这被称之为定义关系。 a、 b、 c 都是加号，可以认为 a、 b、 c 等于一。 a、 b、 c 是一个词，统计学家讲 a、 b、 c 这个词称之为生成员。 起这个名字的原因是因为他是后面发生的一切情况的肇事者。比如现在我们发现 a 和 b、 c 的符号顺序是完全一致的， b 和 a、 c 以及 c 和 a、 b 也是如此。这是因为 a、 b、 c 乘以 a 后就得到 b， c 等于 a。 强调一句，这里面 a、 b 和 c 的值不是正一就是负一。然后 a、 c 等于 b 以及 b、 c 等于 a。 由于顺序相同，对照相同，然后就决定了平方和与系数，所以无法分清相同的效应。比如说到底是 是 a 造成的还是 bc 造成的。于是主效应就和二阶交互效应混杂， 而 a 和 b、 c， b 和 a、 c 以及 c 和 a、 b 相互之间被定为互为别名。 这时候主效应可以认为是一阶效应，他与混杂的二阶交互加在一起就是三， 这种混杂被称为分辨度为三，用罗马数字来表示， 也就是生成员 abc 这个词的字母数量， 然后就生成最后的产物。别名结构讲 a、 b、 c 和符号 i 作为一组， i 也可以认为是一，这被称为生成原组， 他们是不可以衡量效应的。没有办法，炮灰是没有人权的， 乘以 a 得到 a 和 b， c 乘以 b 得到 b 和 a， c 乘以 c 得到 c 和 a、 b， 这样就形成了三个别名组，也被称为甲禅不清组，他们与炮灰组的合体就被称为 联名结构。 这个设计还需要注意， a、 b、 c 被幸运的选中，但别忘了还有负 a、 b、 c， 尽管他们被下岗分流了，但是他们具有相同的能力。只是呢，符号为负会让人理解起来多了很多麻烦，所以不建议选择他。 简单总结一下前面的设计，设计呢，是二 k 部分因子设计， k 等于三， 实验减半次数以 p 来表示，这里等于一分。面度为三， 三记为罗马字母三。这个设计记为二的，精度为三的 k 减 p 的设计， k 减 p 等于三减一。 可以这样构建此设计，三减一就等于二，于是按照前面标准系，先写上 ab 两个音词的水平，而 c 等于 ab， 将前面相乘就得到 c 的水平， 后面的所有交互就是这三者的乘积。 精度为三，主效应和交互效应混杂，生成员的效应不可衡量。 精度为四的二的四减一设计。同样，我们列出标准序，去除 abcd 为负的处理， 得到这个设计 他的定义关系， a 等于 abcd， 分辨度呢，就等于四， 于是主效应与三阶交互混杂，二阶交互之间混杂。 来看看别名结构，先乘以单音子，得到四个别名组， 由于高阶效应吸收性，这种混杂影响很小。 再乘以二阶交互，得到三个别名组。能够注意到，通过理论或者工程分析，如果有某一个因子不可能产生交互效应，就打破了三个组的别名链。 如果所有因子之间都有可能有交互效应，那么就有可能采取折叠设计。 这是我们下一节的内容。 这是分辨度为五的二分之一部分因子设计非常简单，选择 abcde 作为生成员，大家可以用 excel 生成设计，练习一下谁和谁混杂， 分辨度为五。这个是生成原组 主效应，以四阶交互混杂，二阶以三阶交互混杂。分辨度为五的设计是非常 非常好的设计。可以看到部分因子设计如果只减半一轮，就很简单，容易操作。 很显然，部分因子设计还可以多轮减半，也就是 p 大于一。比如说五减二的设计，分辨度为三。 先列出因子设计的三十二次实验的标准序甲定以 a、 b、 c、 d、 e 为生成员，列出他们的高低水平， 实施第一轮减半，去掉减号， 合到一起。前面呢，是不得已分开，因为地方有点挤。现在实施第二轮的减半， 这时候 abcde 就不能用了，因为全是加号，要换一个。假如选择 abcd， 列出高低水平， 去除低水平。 整理一下，我们惊奇的发现，除了生成员之外，主效应意不知 不知不觉也变成了炮灰。这是因为 abcde 乘以 abcd 等于一， 一就是两个生成员的广义交互，这真是躺在家里能中枪，太冤了。 而 e 作为主效应加入炮灰一组是非常糟糕的。比如他现在与带上他的所有二阶交互混杂， 这时候的定义关系就变成了完全定义关系。加上了广义交互， 很显然分辨度也发生了变化，他是完全定义关系的所有词中最少的字母数 数量，于是这时候的分辨度就变成了一。 如果生成员是 abc 和 abd， 由于广义交互是 cd， 所以分辨度为二，如此呢， c 和 d 两个主效应混杂，更加糟糕， 这是设计顺序。统计软件总是能提供最优化的设计，得到最高的分辨度， 这个是软件提供的。两个生成员 p 等于二，一个广义交互， 也就是二的 p 次方减 p 减一，等于一生成员加上广义交互的数量是二的 p 次方减一，而别名组效应数量就是二的 p 次方。 三个词的字母数量最少是三，分辨度就是三，这个比二就好多了。 由完全定义关系产生生成原组 乘以 a 呢，得到与 a 混杂的别名组， 同样乘以其他的主效。 得到其余四组与主效应混杂的别名组，下面应该乘以 a、 b， 但是上面 a、 b 已经进去了，包括 a、 c， a、 d 和 a e 也进去了，就顺序到 b、 c， 然后是 b 一，这样总共得到七组别名组。很明显，别名组的数量等于二的五，减二次方。 在部分因子的实验中，别名组还有一个奇妙的规律，就是每组的字母出现的次数都是二的整数次方， 比如 c， 在第一个别名组 c 一和 a b、 c、 d 一共出现两次，就是别名结构组效应数量的一半， 这也是均匀分散概念的延伸。此规律在下一节的折叠设设计中也发挥了重要作用。 当因子比较多的时候，能够提供相同分辨度的选择很多，这时候就需要考虑 dj 混杂的数量。 猛哥玛丽在他的书上提供了这个例子，其中这里呢，有三种设计设计一有 有十五个，二阶交互混杂设计二有十二个，设计三有六个，我们当然选择设计三。如果不是特意设计生成员，请相信软件的方案。 部分因子设计的计算超级简单，我们以分辨度为四的二的六减二设计为例，两个生成员 e 等于 abc， f 等于 bcd， i 呢就等于 a b， c， e， b， c， d， f 以及 a d， e， f。 先列出四个基本设计，然后是两个 和生成圆，这是响应值密度， 希望大家还记得我们的公式，只是用 k 减 p 等于四代替 k 即可，就计算出了对照效应以及系数等等。 总结一下部分因子设计，二的 k 减 p 部分因子设计 为了保持正交性，需要进行批轮的减半实验， 就会有 p 个生成员，还有对应的二的 p 次方 减 p 减一个广义交互合在一起的数量就是二的 p 次方，减去一 就会与唉在一起形成生成原组数量为二的 p 次方，这个组呢，效应不可衡量。 同时二的 k 减 p 部分因子设计会有二的 k 次方减去一个主效应加上交互效应，再加上 a 就是二的 k 次方。 于是包括生成原组和别名组的别名结构里的组数量就是二的 k 减 p 次方，个 分辨率则是二的 p。 四方减去一个生成员与广义交互里面的最少字母数量， 分辨度为一和二不可取。分辨度为三通常用于筛选实验， 分辨度为四通常也是筛选实验，如何打破这两者的别名链是关键。分辨率为五以上是墙设计 迷你泰宝还有一个可用因子设计表来了解一下。哈 房是因子数量列呢，是实验次数，实验次数是二的整数次方，全因子设计当然是这几个，他们下面的实验次数赋予可以进行重复 运行四次。可以针对三因子设计出分辨度为三的实验，这是其余针对不同的实验次数与因子数组合能够提供的分辨度为三的设计， 这是分辨度为四的设计， 大于等于五的设计，为墙设计。 这里呢，就像一个超市，提供各种选择，你的实验数量就是金钱，因子数量就是需求。 最后的这些实验次数太少，甚至不能完成全部主效应的评估，所以不会选择，除非是超饱和设计。这次的视频就到这里，谢谢观看，下次再见。
64深圳麦粮
08:38查看AI文稿AI文稿讲呢，主要讲一下实验设计选择的话题。先看一下这道题，说某六七个码团队在改进阶段需要进行一次实验设计， 现有四个音词 abcd 均为连续变量。分析认为除 abac 二节交欧作用可能显著外， 其余二节交欧作用不可能显著。三节及以上交欧作用也都可以忽略，但不清楚因子与响应输出之间是否一定限性。 下列哪些实验安排最合适？ a 二的四减一次部分，因此实验附加三个中心点。 b 二的四字方，全应的实验附加三个中心点。 c 二的四减一部分因子实验无中心点。一、二的四次方，全因子实验无中心点。 这一题如果你知道考的知识点是什么的话，那么这一题就比较简单，来看一下他简单在哪里。 首先你要抓住这几个考点考的是什么。第一个 是他给了你一个条件，叫 abac 二结交作用可能显著。这里边可能显著的意思是需要看到 ab 与 ac， 这里面只要是 ab 与 ac 不混杂就可以了，他们两个不能混杂。 至于 ab 与 dc 是否混杂，这个不是你所考虑到的这一题，这他们两个不混杂就能看出 他的显著性了。然后起于二结交作用不可 可能显著，三阶级以上交作用可也可也都可以忽略掉。那这个时候是这句话代表的是什么意思啊？这句话就代表不需要全因子事业， 那既然这个不需要全因的实验了，那么这两个选项就已经派出掉了，也就是说读到这里也可以大胆的得出来不需要全因的实验了。要不然如果你要全因的实验的话，那这里这句话他可以不用跟你说，所以 b 和 d 删除掉，那既然 b 和 d 删除掉了 a 和 c， 它的区别在哪里啊？加中心点和不加中心点的问题。 ok， 接下来呢，有一句，但不清楚因子 与响应输出之间是否一定线性，他不知道是否线性，那么你需需要清晰的知道我 怎么去验证他是否限性呢？那这里中心点的作用就体现出来了，所以这个时候就选择加中心点。另外一个呢，需要告诉大家的是，如果这两个你不会判断你优先选 a 而不选择 c， 为什么呢？因为我无论我知不知道，我加三个中心点都不会错。 这个呢，也是一个做题的小技巧，扩展一下哈，然后如何去选择？ 或者是如何去识别什么是别名？来看一下，如果你的设计有一个这样的设计， 那么 abcb 这样的一个设计，然后呢，这是一个全因子实验，设计，全部是湿的， 如果全部实施的话，那么他应该是二的四次方等于十六次试验， 但是呢，不需要全部实施，二的四减一次方就等于二的四次方，除上多少啊？除上一个二等于八次试验， 那这八字实验选择的是哪一个呢？选择的是 abcd 等于负一，或者是 abcd 等于一的这个部分。 如果说 abcd 等于一，那么那接下来就可以看到了，你选择的是这些，把它这个图进行扩展，你可以看到 选择的是这一部分，把 ab 和 ac 给扩展出来， 你扩展出来之后，你会发现 ab 和 ac 是不会有这种混杂的，也不会有在这里面叫别名啊，也不会有别名的，所以说你这里已经看到了 a b 没有 ab 等于 ic 在虐财宝里边是 ab 加 ac 的这样的一个情况出现，所以这里使用默认生成员就可以达到题目中给到的这样的一个结果，这也是从这个这个方面去验证了， 二的四减一次方是可以满足实验要求的。关于这个的详细解说，你可以看一下六堂课的实验设计专体的课程， 在考试的时候注意一下这边的小技巧。说某些因子交后作用显著的时候，是这些因子 不能与其他因子有混杂，特别是不能比该接呃像素小的因子混杂。比如说想看到 ab 的作用， 那么 ab 至少不能与 a 向混杂， 也不能与 c 相混杂，比如 ab 不能与 c 相混杂，如果 ab 与 c 相混杂了，就不能看出他的作用了。但是高阶的一般没有事，比如说我的 ab 与 cde 混杂了，那这个时候我默认 ab 是可以看出来的，只要他不提 cde 需要看出来，你就默认 ab 是可以 你看出来的。一般的时候，考试的情况下，他会给出这样的一个说明，要给定条件，计算时间次数，他的条件一般是看到某些交互作用，或者是看到某些效应。所以说你既要知道 有试验次数，能看到结果，也能根据结果计算试验次数，这是常年必考的。然后呢规定试验次数，然后呢让你看一下他的分辨度， 然后呢给点生成员能求出哪些效应，这些呢？是这些年变着花样考，并且这几年考的是越来越难。 好了，第一期的一个小互动是中心点的作用是什么？你知道中心点有哪些作用？你可以在评论区进行评论，也可以加 左侧二维码，进入到六七个码学习群。
26六堂课
09:36查看AI文稿AI文稿追讲主要来讲述一下交互效应的计算方法，一起在做题过程中如何快速计算交互效应？ 是这样的说，请求出时间和温度的交互作用的效应， 然后给出一张图和四个选项。这一题呢， 除了要求你知道交互效应是怎么去计算的话，同时你也能看懂这个图， 来看一下视体的解析。这里要求的是交互作用的效应， 我们知道在实验实际中，有主效应， 有交互作用的效应， 什么叫主效应呢？如果用概率图来表达的话，这是 a 的作用是这么大， 这个呢？是 b 的作用是这么大，然后这一个就是 c 的 作用，交呼效应就是 a 乘 b 它的作用。 那既然是让你求交互效应，而交互效应的求法呢，是正 符号为正的，减去符号为负的这样的一个值，那你必须得先求出来他符号为正的时候， y 是多少，然后又要求出来符二为负的时候， why 是多少？来看一下。拿了这一题之后，你要迅速的把它给写出 来，比如说把 a 和 b 先标出来，这样的就比较好看吗？排除一些信息，负一，正一，负一， 正一。然后来看一下当他为正的时候，也就是说 a 乘 b 等于正值的时候，来看一下 a 乘 b 等于正值，这个点 a 是负一， b 是负一，负一乘负一等于正一，这个是没问题的。那团的道理，对面的这个点也是正一，所以这个地方 是正一，然后再看这个点，哎，这个点中 a 是正一， b 是负一，负一成正一，那这个时候他得到的结果是负一，所以这两个点 都是负一，那同样的道理，求出这两个点是正一，这两个点又是负一，那这样如果是在计算他的交互效应的话， 只需要把正义的四个点全部加起来，除上四，然后呢减去负一的四个点全部加起来，再除上四，最后的结果是二点 五八八。那有的人说，老师有没有更容易的计算方式，更容易的计算方式，那就是直接把这个答案给记住，英文中之邪的人并不会再去出 其他数据的题目了。这一题呢也是二零二零年的原题， 并且在我们讲完题之后，他呢考试考到了这一题，有个学员在考试之前 给我说，哎呀老师，我不会算这这一题，然后又把打，我又把这个解体方法告诉了他，然后他考试的时候就立马给我回了个信息，哎呀老师说，这一题考的是原体，就你给我讲的这个题，数据 没改啊，这个呢，你要是留意一下啊，这个呢，就这样呢就计算出来了。当然如果说出题的人比较， 如果出题的人比较好心的话，他呢会给你出一个相对来说比较简单的题，这是四个，然后呢，他呢有可能会给你出一个这样的题， 这个图啊就变成平面的了。然后 ab， 假如说这里是挖一只是五，这里挖一只是十，这里挖一只是二，这里挖一只是八，然后让你去计算 ab 的交 副作用的效应是多少，那这个时候怎么去计算呢？同样的道理，你把它标记下来，标记下来，这个地方 a 是负的，这个地方呢是正的，这个地方是负的，这个地方是正的，那么 ab 为正的时候， 这个地方副成副是正的，然后呢，正成正是正的，那这 i b 交互作用的效用等于二加十除上二， 再减去五加八除上二等于六减六点五，最终的交互效应为负的零点五， 这样呢，你要尽量的是会去计算他啊，这几年初期的趋势来看，基本上是每年都会有 扩展一下哈，也算，效应的本质就是高水平减掉低水平，这是他的本质，所以说你只需要找出负一和， 只要找出正一和负一，他当时代表的数字就可以了，比如这里他代表的数字就是八十减二十就是六十。然后 ab 呢？这个强调一下 ab， b 就等于 a 称 b， 这个呢就是比如 a 是负的， b 是负的，那 ab 一定是什么？一定是正的，所以说这个表里面的 a 的交主效应， b 的主效应， ab 交互 作用的效应，那这个呢，就能计算出来了。 这里边呢？呃，一个注意事项是什么呢？这张图你要能看懂每一个图代表什么意思，并且你要知道这个点， 这个点代表的代表的是什么？三个直，这个直是正直对应过去的，所以说第三个直是正直， 然后呢，这个值对应过来的也是正值，所以说他呢也是正值，他这个点这个值对应过来的也是什么？正的值，所以说这个是三个一， 对吧？三个一，那么他的组合是什么呀？他的组合就是说，假如说这是 a， 这是 b， 这是 c 的话，那么他的三个组合就是两百五十， 然后呢五十五，然后呢八十。这个呢你也要能看懂，比如说我的这个实验设计是望大的，我取最大纸，对吧？取最大纸，那么你要迅速的找到这些点里面哪一个是最大纸，那这个是最大纸， 那么我的设置应该是这个设置，那如果说我求的不是最大值，我求的是最小值，那么你迅速的知道这一个又是哪一个组合 好了。具体的小互动是交互作用是什么？你可以在评论区进行评论，同时扫描左侧的二维码，加入到我们的学习群。
73六堂课
00:49
08:36查看AI文稿AI文稿主要讲述一下部分实验设计中的混杂问题，也称为别名 j 题。是这样的，某工序过程有六个音字， a、 b、 c、 d、 e、 f 六个音词，工程师希望做部分音词试验，确定主要的影响因素，准备采用二的 六减二次方设计。这个学法是二的六减二， 而且工程师根据工程经验判定 abbcaeee 之间可能存在交互作用， 但 mini table 给出的生成员为一等于 abc， f 等于 bcd。 为了不让可能显著的二级交物相互混杂，下列生成员可行的是什么？ 给出四个生成源，这里需要去了解的是 什么是生成员，然后什么是交互作用之间向互混杂 这两个概念如果了解的话，那么这一体就会变得非常容易。来看一下原设计是二的六侧方 减去二减去二，就相当于是两个生成员， 两个生成员就类似于一等于什么， f 等于什么这样的一个 结构。然后一等于 abc 是 什么意思呢？就是把 abc 这一列当成一的事业安排。 比如说最简单的有两个音子， a 和 b， 那么 a 和 b， 他有四次实验，负负正正负正负正。这四次实验，那么呢，还有一个 ab 交呼效应，他呢是正负负正。 我为了增加一个因子，假如说我增加一个 c， 那么我需要再增加一倍的实验，那我为了不增加一倍的实验，在这个实验上继续完成啊。三个因子的实验，那么就把 ab 等于 c 放进来， ab 等于 c， 如果放进来的话，那么这一列就变成了 c， 这就是 c 等于 ab 的 这样的一个生成员。那这个时候呢？你理解生成员是什么意思了？来这一题看一下他的解析。 首先说 abbcae 和 de 之间可能存在交互作用，也就这 四个， abbc 和 ae 一级第一之间是不能相等的，记住这个就可以了。然后呢，来看一下默认生成员， 一等于 abc， 然后 f 等于 bcd， 如果是这两个的话，来先找 ab， 第一个 ab 找出来，把两边同城上 c， 那这个时候呢，就是 ce 等于 ab， c e 等于 i b， 哎，看一看上面没有没，并没有那个 c e 这个选项，那 这个时候呢，有 ae 选项，来把 ae 两边同成一， aae 等于 bc， ok， 当 ae 等于 bc 的时候，那这两个是 产生了混杂，这两个产生混杂，这是不允许的，他们之间是不能有混杂的。所以从这里来看，原来的生成员是不能用了， 那么既然圆的生成圆不能用了，那他呢？给出几个新的生成圆。同样的方法，你可以在两边同时呈上一个字母的方式， 消去一个，然后生成一个，比如一等于 abd， 然后呢，两 边同时乘上 d， 两边同时乘上 d， 就相当于是 d e 等于 i b， 因为在这个概率里边，低称低的概率是等于一的啊，低称一低的概率是等于一的，也就是在低条件发生下，低的概率是多少？他是百分之百啊。在这个时候， d e 等于 i b， d e 等于 i b， 这两个是不允许出现的。同等方法，你可以计算 a， b 和 c 都不太适合。到最后你的选项只有 d 啊，你的选项只有 d。 在密集胎宝中如何指定生 成员？你可以在凉水瓶设计选择指定生成员，然后在设计中点生成员，把你所期望的生成员放入到这里就可以了， 生成员二二的六减二次方，同时可以指定两个生成员，但是呢，这种生成员可以有很多种，这两个可以有多种， 这个呢，你需要知道你设计的就是在设计这些东西啊，在实验设计呢，还有很多相关的内容，比如说筛选设计， 部分因子实验设计，全硬的实验设计等等，很多实验设计，实验设计相关的内容， 考试的时候大概会有二十分左右的分值，考实验设计，如果你的实验设计学好的话，在考试的时候你会非常的轻松自如，因为你这样想，二十分分布在一百二十分里面， 他呢会经常出现各种分值，对吧？经常出现，哎，突然间一个时间设计出来了，突然间一个时间设计出来了，如果说你的时间设计做的很顺，你就会一会一个简单的题，一会一个简单的题， 如果你的实验设计做的不好，那么你一会碰到一个男的，一会碰见一个男的，心情也不一样。好了，这一期的小胡 活动呢，是生成员在实际生产中他的作用是什么？你可以在评论区进行评论，也可以扫描左侧的二维码，加入到六七个码学习群里来。
43六堂课
13:02查看AI文稿AI文稿老师能听见吗？可以啊，尊敬的老师同学。大家晚上好，今天我和大家一起分享的主题是双因子防查分析， 该次分享主要分享内容一，双因子方法分析概念二、双因子方法分析的应用。下面进入今天的分享 一、双因子方叉分析概念，双因子方叉分析有两种类型， 一种是无交互作用的双因子帮他分析，他假定因子 a 和因子 b 效应之间是相互独立的，不存在相互的关系。另一种是有交 高副作用的双因子因素方法分析，它是甲定因素 a 和因素 b 的结合产生出一种新的效应。 为了更好的使大家一起理解，我们一起看一下下面的例子。 首先因子 a 他的变量他的他会出现我们的变量，因子 b 也会出现我们的变量，他们这两个因子 a 跟因子 b 的变量没有任何的一个关联系，他们都是独立的，这是我们说的第一个 无交互作用的双因子分析，放他分析下面，我们看下面一个因子 a 跟 b， 他们是存在的，结合相互作用， 他们有相互交叉作用。从这个图式上，我们从我们这个图式上，我们在一起来认识一下我们双音质分方叉分析的模型。 首先我们一起来看一下效应，音效效应一是什么？效应一就是我们因子 a 的一个变量 效应二是什么？效应二的话就是我们因子 b 的一个变量相互作用效应是什么呢？相互相应作用就是我们因子 a 加上因子 b 出现出来的一个变量， 这是我们简单的对我们这个双因子发脏模型的一个简单的一个认识，这里面我们就简单的认识那个消音 一跟消音二还有相互作用的一个效应。那下面的话，我们通过一个案例再来深入的了解一下我们的这个方差分音模型的其他字母的一些含义。 二、双因子方章分析应用。 本次的话我这边挑选了个案例，那这个案例的话，嗯，是一个特殊环境下的一个建筑材料水泥 硬化实验，有严格的要求，然后这次我们的这个实验就是有几种配方，还有不同的环境对我们这个硬化的一个时间的一个影响。这里我们很 明显这个案例里面他的因子一就是我们的温度，那温度这边大家都能看到，就是四摄氏度十摄氏度十六摄氏度二，十摄氏度。 配方这边也很能明显的看到我们有配方一，配方二，配方三，配方四，那我们输出的电量是什么呢？是我们的硬化时间。那下面的话我们就结合我们的双因子方法分析模型， 结合这个案例，我们一起对我们的公式进行一个深入的一个了解。首先 y i j k y j k 代表什么呢？在我们的案例里面代表着每次水泥硬化得到的硬化时间的一个结果。那歪霸代表什么呢？ 喂，爸的结果是总的平均值啊，我们这个案例的总的平均值就是这十六组数据， 是这十六组数据的一个平均值。 那我们的桃癌代表什么呢？桃癌就是我们的第一个因子，刚才我们也说了，我们因子一是温度，那就是我们第一个因子温度带来的一个效应的结果， 这里面代表什么意思呢？就是我们比如说我们都是在配方一的条件下，那么温度四十、 十六，二十带给他的一个结果，二十六、三十八、五十四、一百零三，这就是我们的涛癌。那我们再来看一下我们的 比尔塔基，那比尔塔基的话就是我们的第二个因子配方带来的一个效应。所谓的配方带来的效应就是比如说啊，我们在四摄氏度，我们配方一二三四，那我们带来的效应就非常明显，二六二九、二十一、三十三， 这里面就是我们的贝尔塔，贝尔塔基。下面我们再来看一下我们的掏贝尔塔 ig， 掏贝尔塔 ig 是什么呢？是两个因子的一个相互作用，刚才在理论里面我们也讲过了这两个因子，从我们的案例来看到是哪两个因子呢？那就我们的 温度跟配方跟配方相互作用产生的一个效应的一个结果。比如说配方一四摄入度，那我们是二十六啊，配方二四十 度，我们是二十九，配方二十度，那我们是三十啊。在这个里面我们就可以充分的体现到 最后的话，我们还有一个是 ijk 他这个残值，这个残值是什么呢？就是我们的，我们这边刚才也说呢，在整个公式里面我们刚才也说呢，第一个音质，第二个音质我们的捐值，包括我们的交互作用， 这边最终在整个过程中肯定会有一些干扰，这些干扰可能是我们前期是没有识别到的，对这我们的因子影响也不是非常对，我们最终的结果的影响也不是非常大的，这 所以我们简称他第一个跟第二个因子以外的一个干扰项，比如说我个人觉得，比如说可能我们人的人的一些行为啊，包括数量一些小的偏差呀，就带来的我们整个 最终的一个结尾的一个小的误差。所以这里面的话，我们就通过我这个案例，然后我们简单的从这个概念上面对我们这个公式进行了一个简单的理解，为了能够使大家更清晰的进行一个理解，然后咱们 同样的通过这个案例，我们用我们的命令胎宝来进行一个深入的一个研究。 这里面我们主要用的工具就是我们学到的一个迷你胎爆的一个工具。然后我们双叉分析的话，我们会用这个工具从四个纬度进行一个分析，那我们这个四个五纬度分别是主效应分析、 交叉作用图分析、因子显著分析跟长沙分析。首先我们一起来看一下我们主消音分析，我们主消音分析的话， 我们的在迷你胎宝的路径是统计方差分析，主效应图这里面我们可以看到我们主效应的一个判定转折，当他是斜线的时候，他是显效应显著，当他是直线的横线的时候，他的效应不显著。那我们的 通过我们的软件，我们的案例可以看度看出我们的一个配方跟我们的温度与我们硬化实验的一个主效应的一个关系。 从主效应图可见，温度配方显效应显著，这边大家都很能看出来， 这不是一个直线，是一个斜线，而且是带有坡度的，特别是我们的温度，大家看一下坡度还是非常的大，从我能理解的话，他可能温度的这个主效应的显著程度是高于我们配方的，而这两个的话同样都对这个是有显著效应的。 来下面我们再来看一下我们的交付作用图，那交付作用图的话，我们同样的也是通统计方差分析交付作用图，那我们的判定准则是 两条线相交叉，那他就属于有交互作用，两条线相平行，他就无交付作用，那从我们的按钮来看，也是很明显的看到温度配方存在的一个交付作用 交叉因子对硬化时间会有影响。从交物图上还可以看到，配方二硬化时间对温度的影响是不太敏感的，而配方三对温度的时间是非常 敏感的，大家可以看一下这个图啊，是非常清晰的， 下面我们看第三个是因子显著分析，我们的路径是统计方差分析一般线型模型，礼盒一般线型模型，而我们的判定转折在 p 小于零点零五啊，平方大于百分之八十。然后我们的案例通过面对胎宝最终输出的结果。首先在里面要强调一下，我们首先是要看先看 p 啊 p 的网，我们这我们这个案例的网是 p 等于零点零零零， 是小于零点零零五的，所以代表他的效率还是比较显著的，那配方的话这边是零点零零九六，他是大于零点零零五的。从这一张绘画框来看的话， 配方相对的话效应是不是非常的显著的。 下面我们再看一下模型的一个汇总的一个绘画框，这里面两个或两个一字以上，我们就需要看调整这一难啊。我们的准则是 大于等于百分之八十，但实际上我们这做出来的这个绘画框的话，嗯是在七十六点八六，那跟虽然嗯小于百分之八十，但是跟百分之八十还是比较接近的，那这个里面还是有干扰的，但是干扰的话 可能受环境啊或等等因一些因素的营养还是有的，但是的话这边应该是可以忽略的。而 七十六点八六，百分之七点八六小于百分之八十，这里面是模型解释了我们所有数据波动的比例 是粘总体比例的，是百分之七十六点八六，这是一个解释。 最后我们一起来看，再看一下残差，残差的话我们的路径是统计方差分析，一般现行模型礼盒，一般现行模型图形四合一，那这里面的话，对于残差而言的话，我们我们最终的一个期望的结果是残他服从正态分布， 礼盒的波动成稳定分布，无明显规律，包括我们的弹擦的波动随观测顺序成稳定分布，无明显趋势。那看我们这个案例，首先看第一张， 第一张图是正太概率图，那概概率图中的点大家都可以看到，他是比较靠近我们这个，靠近我们这个直线， 那第二个的话，我们再看我们的脂肪毒，我们脂肪毒的话，它是成一个正在分布的。 然后再看一下我们的礼盒图，整个礼盒图来看的话，这个点的话，他也没有很明显的一个规律。最后我们再看一下我们一个顺序图，整个顺序图来看的话还是一个一个稳定的分布，所以的话，嗯， 跟我们那个期望的结果还是比较相似的，所以代表的话他还是有一定的关联性的。然后我这边的汇报就结束了，谢谢大家的聆听。 好的，谢谢宅同学的分享啊，非常的专业，非常的完整。那同样这三个方面来做一个简单点评，内容上完整度是非常足够的哈。而且，呃，这个逻辑性也是大家能 明显听到，他的逻辑虽然是比较简单的就是沃特跟号，但是对于他这个主题的呈现来说是很合适的。而且在讲沃特的时候还分了理论和实践。拆开来讲我其实只是告诉你是什么。我 先是说，哎，理论上这个模型是什么样子的？有几个部分，那再结合一个具体的实力来讲，每一个部分是什么意思？这个我觉得是一个很好的一个设计，那准确性上。
32翟猛
03:27查看AI文稿AI文稿好，我们来看到这一题，这题主要考的是生成员，他也是必考题型之一啊。 在实验设计中，过去观察六个音质 a、 b、 c、 d、 e、 f。 但经费所限，最多只能进行二次实验，而中心点在内。此实际问题要求除六个有效应还需估计之外，还必须估计出 a、 b、 a、 c、 c、 e、 d、 f 这个二级交物作用。请问下面哪个生成员选择是可行的？好，谈到生成员的话，我们首先来说一点 分寸员的计算方法是同字母相乘可以抵消啊，同字母相乘抵 show， 同字母相乘消除。 好，记住这一点。然后后面的全部就是用这一点就可以计算出来。好，我们看到这一题的题干，估计出 这些二阶交互作用啊。就是说 a b 不等于 b， c 不等于 c， e 不等于 d f。 那么看一下四个选项当中有没有会出现他们当中相等的。 打这个两边同时乘以 c， 就等于 a， b， c 乘以 c。 好，这个化减之后等于什么？ 是不是就是 a b 等于 c e？ 好，那么同样看到 b 档， 这个 b c 等于 d， f 是不是违反了它？好，所以 d 答案也不选。那么跳过 c， 我们先看到 d 答案， d 答案有一点技巧。好，我跟你说一下，你就知道了。它是这个和这个两个等式，两边分别相乘，它就等于 e， f 等于两个 a、 b 互相抵消了，它就变成 c、 d。 那这时候 怎么变换一下， 两边同时乘以 b 一是不是就等于 c， 一就等于 d， f 是不是违背了他？好，排除掉三个选项，只剩下 c 选项，所以我们就应该选 c。 答案。好，我们。
32James
15:00查看AI文稿AI文稿可以设定为两百度，这就是一个水平，也可以设为两百一十度，这就是第二个水平，也可以设置为两百二十度，这就是第三个水平啊， 所以呢，温度设定为两百度，两百一十度，两百二十度，我们就称之为三个水平，这个就是一个三水平的一个因子，这个因子呢就叫温度啊，比如说我们下面也举例了我的班次，我有两个班，分别是 a 班和 b 班，这就相当于是两个水平啊， ok， 我们来看处理，我们按照因此的水平的一个组合就可以去做一个实验，比如说，哎，我温度设定为两百度，哎， 我的压力设定为一个大气温，大气压，我的温度两百度下，哎，压力是一个大气压下，我就可以安排一次实验， 我们就称之为这就是一个处理，所以有些书上也叫处理组合，那我们一般直接用一个英文单词叫 rap 啊，就可以做一次试验，就是 rap， 一次运行啊，这个就是处理。呃，所以呢，我这边呢问大家一个问题啊， 如果我有两个因子哎，每个因子设定三个水平，那我总共有多少个处理呢？ 啊？三的二次方啊，九个处理啊，感兴趣的呃，同学呢，可以去自己去写一写哈，把这九个处理的配置可以写出来啊。 那这就是我们跟大家介绍的水平和处理 下来呢，我们来介绍模型和误差啊，我们的模型呢，记住， y 等于 fx 加 fl 这块的这个 fclon 呢，我们可以称之为误差，而我们的模型啊，就是 fx， 也就说我们的 fx 呢，是模型中啊可以解释的部分确定的模型函数，而我们的 fclon 呢，误差啊，就是模型无法解释的部分。 在这边呢，我们的模型啊，你可以认为是 y 等于 fx 加 fxl， 而 fx 是 确定的部分，而 f 四路呢，是，哎，呃，无法确定的啊，当然这个 f 四路呢，我们可以简单的先理解他为误差，其实呢，他的真实的含义呢，是叫残差啊，等我 我们讲到数据分析的时候呢，大家自然就会明白误差和残差的一个概念，呃，这一对概念呢，我在这块呢，不想太多的解释。等我们讲到数据分析的时候呢，其实呢，关于我们的模型和误差呢，大家理解的会更透彻， 那我们的丢一的本质呢，其实就是一个建模的过程啊，那我们在这边呢，呃，我们的模型呢，我们可以有三种啊，分为三种，一种叫白箱子，一种叫黑箱子，还有一种叫灰箱子啊， 所谓的白箱子呢，就是我这个模型呢，是完全可以呃了解的，他的函数呢，甚至是知道的啊，那我们这个时候呢，可以直接去改变来去得到我们希望的歪啊，那这种呢，一 一般是，嗯，可能不特别需要用 die 来做了啊。而黑箱子啊， 那也就说，哎，我可能只知道哎，哪些 x， 只知道哪些 y， 但是呢，这些 x 怎么变化， y 怎么变化我并不清楚，所以呢，哎，我们就可以用 d u e 来解决这类问题，还有一类呢，叫灰箱子，这类应该说呢是我们工作中用到的最多的， 就是我知道了哎，这些 x 变化外会怎么变化，但是他们之间的精确的函数关系其实并不是很清楚，所以我们还要继续深入的去研究啊， 这个我们也称之为灰箱子啊，那我们大多数的工程问题呢，都是灰箱子 啊，这边呢，我们可以列举我 我们的呃工作中生活中的一些呃状况案例啊问题，那这些问题呢？哎，大家来思考一下，他到底是白箱子灰箱子还是黑箱子啊 啊？我们的线上课程呢，可能这些练习呢就嗯不做了啊，我们来继续啊。那基本术语这块呢，我们会来再介绍一组术语，叫做主效应和交互作用啊。交互效应， 主效应呢，就是我们因子的水平变化对指标产生影响的大小，我们就称之为主效应啊， 比如说在这边呢，我们有一个实验呢，是通过改变他的水量和肥量来实现他的产产量的一个呃变化啊，那在这边呢，我们去研究水量少和水量多的时候 他的产量的一个变化，那这就是水量的一个主效应啊。我们水量下， 比如说，哎，我的水量多是一百五和一百二，这两个取了一个平均值之后减去水量少的时候，一百和一百三的一个均值啊，得到的这个二十呢就是水量的主效应， 那肥量的主效应同样的我们可以算到三十，那这块呢，哎，他们的绝对值，我们会发现呢，肥量的效应的绝对值呢，要大于水量的效应，那这块我们就说明了，哎，肥量的影响呢要大于水量的影响。 好，我们下来呢，接着来看一下交互作用的概念，一个因子的效应受另一个因子的水平的影 影响，因此而引起的指标变化称之为交互效应啊。我读这段话基本上呃听不懂，哈哈。呃，我称这个这个专业的定义呢叫做鬼话，那我们用一些形象的比喻呢，我称之为人话啊，那我下来用人话来跟各位来介绍介绍啊。 呃打一个呃比喻啊，我们很多人呢都见过那种带门把手的门啊，这样的话，我们如果想要把这个门打开，那我们要先旋转门把手，然后再拉一下啊，门就打开了啊，这块呢，我们来将呃门打开的角度记为歪， 这个时候呢我们会有两个 x 啊，我们记呃玄门把手的力这样的一个因子 x 呢，我们既作为 a 因子而 拉门把手的这个力这样的一个因子呢，我们记为 b 因子。我们来看一什么叫一个因子的效应，就是 a 因子啊，旋转门把手这样的一个因子想要 产生对于 y 的影响，就是把门打开这个就称之为 a 因子的效应啊，就是 a 啊变化想要让 y 也产生变化啊，这个就是 a 的效应，他受到另一个因子的水平的制约，就是我们的拉不拉门啊， 你玄门把手这样的力对于 y 的影响是否显著呢啊，那他取决于你有没有拉门的这样的一个力的存在，所以这就是 a 因子对于 y 的影响，依赖于 b 因子的一个水平设定，我们就称之为 a 和 b 呢存在交互作用。反言之啊，我拉门这样的一个 b 因子能不能对 y 产生影响，那他也受制于啊 a 因子的一个水平设定， 所以呢他的定义就是 a 因子的效应，就是 a 因子对 y 的影响，受到另一个因子就是 b 因子的水平的一个影响啊，那我们就称 a 和 b 存在交互作用。 下面呢，我们有列出了一个两因子的两水平的一个交互作用的一个具体的算法啊。呃，因为我们这次课程呢，也不会涉及到太多的手算啊，所以呢，这部分呢，大家了解一下就可以了。 那我们会看到，呃，右边呢有一张图啊，我来标记一下。 大家在这张图上呢，我们可以看到这里有两根线啊，那这两根线如果我们给他延长下去呢，他们最终会相交，他相交所加成的这个锐角， 他这个角度呢，越大啊，那我们就称之为他的交互作用影响就越大，所以最大呢就是九十度啊，就是说两个线的垂直相交啊， 那最小呢就是平行啊，零度啊，也就是说这两根线越趋向于平行哎，他的交互效应呢，就越小， 而这两根线呢，越取向于垂直相交啊，他的这个交互效应呢，影响就越大。当然呢，这个呢，看图的方法呢，仅适用于两因子两水平啊，当然呢，呃，三水平，四水平呢，看法呢就会更加复杂一些。 那我们到底应该如何做实实验计划呢啊？我们到底应该如何实施实验呢啊？ 那他的方法有非常多，我们这块呢列举三种，第一种呢叫失误法啊，就尝试错误。第二种呢叫单因子变化法，一次改变一个因子。第三个呢叫全因子实验法啊，就是同时改变多个因子的水平啊， 那到现在而言呢，这个失误法呢，基本上已经是一个被淘汰的方法。这块呢，我不太想说他的太多啊，失误法呢，呃，凭的是经验，感觉啊，运气， 当然努力哈。那爱因斯坦就是一个爱迪生就是一个很好的证明啊，他一生呢做了大量的用了，呃实验，最后 呢，哎，试验出了这个，呃这个灯丝啊，所用的材料啊，那当然呢，你说啊，他呢？呃勤奋啊，但是呢也有运气，如果说，呃用事物法有可能还是他的运气啊， 如果说他运气相当的差，他可能失业一辈子也不一定能找到最终的一个呃材料，所以事务法呢他的缺陷是非常之大的啊。 我们来看一下单因子变化法，呃，比如说我们想要降低一个车子的油耗，这个时候呢我们有很多的因子，比如说胎压啦，速度啦，哎洗车上蜡啦等等这些啊， 那这个时候呢，我们的单因子变化法呢，就是一次只改变其中一个因子的水平啊，另外两个因子的水平呢？先 固定下来。比如说，哎我们研究这个 油耗跟胎压的关系的时候呢，我们把这个速度给他固定下来，我们只变化胎压啊，这个时候我们发现呢胎压二点五的时候，哎，油耗最低，然后呢我们再把速呃胎压固定下来，就固定二点五，然后我们研究他的速度的变化， 这个是我们研究下来哎，速度是每小时九十公里， ok， 这个时候我们就得到结论啊，胎压二点五啊，速度九十的时候，哎，我们的油耗是最低的。当然我们来看看这个方法， 那如果我们画一个二维的图啊，我们从一开始呢啊，从一开始呢，我们去先去改变他的胎压 啊，变变变，最后变到这个，呃，二点五啊，那胎压当时的初始设定速度是八十， 然后呢我们再去调他的这个速度啊，变变变变变啊，最后我们变到这里，哎，我们发现他的油耗最低，也就是我的速度是九十啊，胎压是这个二点八的时候，我的油耗是八点零， ok， 这个是我们目前找到的对最优质，但这个是不是我们真正的最优质呢？啊？因为我们这里有太多的试验点，并没有被设试验到， 而我们的实际的最优质其实在这里只有七点零。好，我们来看单因子变化法所需 需要的一个实验次数啊的一个比较，比如说我们这块呢，用三个因子啊，每个因子取三个水平啊， 那我们的初始设定呢是幺五零，三点零，幺八零啊，我们刚开始呢，先变化电压，哎，电压变化到一百六，然后呢我们再改变时间，哎，时间改变到四点零，那最后我们再改变转速啊，这个呢，我们就认为呢找到了最佳，当然呢， 有可能他并没有找到最佳，比如说我，如果我的最佳是，哎，举一个例子是幺七零，三点五，幺八零，而这个实验呢，在整个的实验中呢，是没有被做到的， 所以从这块呢，我们来看，如果说我们这样的一个实验呢，只需要做七次实验啊，初始设定做一次，然后每个因子 在变化的时候呢，哎，做 r 减一就是他的因此的水平数是 r 减一，这样的话，我们只要做七次实验，但是七次实验所拿到的实验结论并不一定是最佳， 所以在这边呢，很多人就提出了，哎，如果说我第一轮做完之后 啊，这样相当于三七次是一轮，第一轮做完之后，哎，我可以在这个初始设定一下，幺六零四点零和幺九零下，我做第二轮实验，第三轮实验啊，每一轮呢其次直到找到他的最佳。那这样的话，为了达到同样的实验设计估计精度，那我们需要更多的实验。 第二个呢，就是说这样的一个单因子变化法的，他的最大的一个缺陷呢，就是不能评估交互作用啊，另外呢，他不能在实验区呢进行全面的 有所寻求最好的水平，也就是说，比如说我的电压，我的设定如果是一百五十二，那这样的单一子变化法是永远找不到的， 这就是他的最大的缺陷。而我们全因子设计法呢，哎，他呢能够克服这个缺这些缺陷啊，当然呢，他的代价呢就是实验次数比较多，那这样的话，我们要做二十七次实验， 并且呢还要做重复实验啊，比如说做啊，重复两次啊，那做五十四次实验啊，这样的话我们就能够找到实验点的最佳， 所以呢他的一个最大的缺点呢，就是他的实验次数过多。那另外呢还有一个缺点呢，如果说我们。
12:14查看AI文稿AI文稿呃，大家晚上好，今天跟大家一起学习一下这个呃统计学生的一个交互作用。嗯，交互作用一般就是指呃母因素的作用随着其他因素 啊变化而变化，也就是说呃随着其他因素水平的不同，而不同的两个因素更多作用呢？他他不等于两个因素的单独作用之和，也就是相加交互作用，或者是成绩，也就是呃相持的这一个交互作用。 那交互作用一般在统一上有哪几类呢？我们可以看一下，一般有以下五类，第一个就是这个插身分析，第二就是那个分散分析啊，再就是那个多因素逻辑的回归，嗯，还有处理多个因素间交互作用这个广义相对危险度 模型以及这个多维因子降为法这个插身分析。呃，如果没有听说的话，我给我给大家简单介绍一下，他一般呢是用于这个清于环境的这一个交付作用 啊。我以简单的这一个这个图表给大家说一下，就是这个，嗯，比方说某一个基因还有一个环境因子，呃造成某一个疾病的一个发生。我们看一下基因有这个比方说 他缺失或者是不缺失或者突变，正好表示表示一个突变符号，表示没有突变，还要还隐，因此有或者是没有，然后他就他就存在这个病组，对照组存在这样的一个这样一个呃数字，然后呢这个 这个联合作用就是 a， 他应该等于呃 ah 乘以这个对角线的 ah 乘以 bg， 这就是可以说明这个基因和环境这样的一个嗯共同作用。然后 然后这个嗯金的一个作用，他就是 c h 乘以 d g， 然后这个环境的这个呃担当作用应该就是 这个 eh 乘以 fg， 对不对？那么我们就有这样的一个后来的这样一个三类的三种 a o r 值，也就是联合作用 o r 值，但基因单独做的 o r 值和这个和这个环境单独做成这个 o r 值，那么嗯，这样，这个这样一个表， 我的这样的一个介绍就属于这个，这个这个查身分析。然后呢？嗯，现在我们来回到这个呃交付作用，交付作用，我们要知道这个 在现行模型中，这个呃他的成绩相，他是反映的这个呃相加的这一个模型，但是如果是这个裸机的回归或者是可可的回归模型的话，嗯，这个相乘的这个模型呢，就是我们所所说的成绩相， 他不能，他如果有同学意的话，他不能说明他的这个相加的一个交互作用，或者说他没有同学意，也不能说明有无这个相加交互作用。所以说这个而且这个而且这个 相乘的这个交物作用，它并不能说明生物学上的一个相交的交物作用。嗯，因此的这个呃，有个同学家他就用了三类指标呃来表示了这个呃，如果评价这个 两婚类这个模型下两模型下的这个呃交付中的这个定量评价指标， 我们我们可以从这个呃，这段话上可以看着就是这就是这个，首先是这个，嗯，交付作用指数就是 s， 他应该就是，嗯两运动共同作用的 o r 值减一除以，呃， 所以嗯，比方说 a e 速单独作用下的一个 o r 值， b e 速单独是， 而这这个简易的一个和他是一个比值，也就是说如果他等于一的话，就没有这个交付作用，对不对？而且 s 呃绝对值越大，说明交付作用越强。因此呢，如果 s 的执行执行包括一的话，那么就说明没有这个这个交付作用就不存在。 还有个就是这个超好香的危险度 r i r i r i 他是，他是，他是用的是两用途从事存在的这个偶尔之来 来来减去这个单独作用之和的一个差值，对吧？无非就是减这边还减了个一，然后他应该就是嗯跟零作为一个比较，如果他没有添加交互作用的话，那么他的最新出现应该包括零，还有这个交互作用归音笔 根部作用规矩，我们可以看一下，应该就是这个这个呃超过危险度除以这个两两亿从共同作用的这个 o r 值，对不对？它表示的就是疾病的总危险动作可归于交物作用的一个比例，对不对？ 他因为二二一，因为二幺幺是表示同时存在的这个偶尔制嘛，他是一个总的一个危险度，所以说这个那么 ap 他应该也就是和您作为一个比较，如果，如果，也就是说如果在 我们做一个分析，结果出来后，我们可以看到起超过危险度以及呃，以及这个交通归因。比如果他都包含他的 执行出行包含零，而且这个 s 这个出行包含一的话，那么就没有这个交付作用，对不对？没有这个相加交付作用，那么那么在诺基斯回归中，这个这个这个就是这个，我们常见诺基斯回这个，呃，他是怎么计算的呢？ 我们可以从这幅图片上我们可以看一下。嗯，我先给大家解释一下，就是这个 a e b 一，它是表示 a b 同时存在下这个位置， a o b e 表示 b 因素单独存在下这个 o r 值， a b， 我的表 a 因素单独存在下这个，剩下这个 o r 值，对不对？ 然后这个，嗯，诺基斯回归这个就是两因素。诺基斯回归这个模型中，他这个 这个 o r a 一比一，还有这个 a 零 b 一，还有 a 一比零，他这个 o r 值怎么计算的呢？我们可以先理合这个二分类逻辑图跟这种模型用 o r 值应该就是吸走的这个，这个 e s 就是他的这个意思。方一的 贝塔一，对不对，就是表示 a 因素单独所有人刷的一个 o r 值，然后还有这个 b 因素单独所有人刷了一个 o r 值，然后还有同时我们得注意一下这个， 就是这个两个一组同时做下这个袜子，他应该就是，呃，这个系数之和的这个一层就是一，就是他的这个 exp， 而不是这个北大三，就是 eexp 的北大， 这个得大家得注意一下。那么那么在在 r 语言中我们是如何完成这个这个操作呢？呃，当然如果你们不想这么复杂的话，你们可以用哑边量来表示这个构建逻辑的会模型， 也就是说产生一个变量，这个变量就包括 ab 同时存在 a， a 存在， b 存在，在 a 不存在， b 存在，我们同，而且 a 不存在 b b 零，主页不存在，把它作为，而且准备把 也不存在，必不存在这种情况作为他这个参照，像这样的话构建在这个逻辑的会模型的，这个呃贝塔，这个就是这个共同作用，这个 os 就应该直接就是呃这个 啊，北大三的这个椰子，椰子皮，这个北大三 让我们看一下在嗯二运动是如何实现的啊？为了这些时间我还是给大家构造了就是随便弄的一组数据。然后我们首先你和这个 这个模具图跟模型，让我们来看一下这个会不会模型 来运行一下，我们可以看到这个就是只有这一个 a c h o l e 这个配料他是有同学意义的，而且这个沉香是没有同学意义的，对不对 啊？我们给儿子给展示出来，这个就是我们普通模具回归的结果。那那如何 分成这个胶布？做到了三类指标了，我们可以用这个这个函数，这个这个函数是在这个是用什么包的？在这个我们可以看一下是在是在这个 呃 in interaction r 一一一批 i r 这两个包里面，我们是要试试，是要加载这两个包的， 让我们预习一下这个这个结果我们可以看到， 可以看到这个就是这三，这个这个就是呃超过危险，就是这个 r e i r 就是相对超过危险度的一个 一个一个纸，还有他的巨型区间，这个就是这个这个 ap， 也就是这个嗯，胶布作用的硅音笔。第三个就是这个 s， 也就是这个胶布作用指数 s， 我们可以看一下他们，他们三个人都是前两个都是包含的，这个包含一说明他们并没有存在一个相加交付作用，那么我们有没有一个可视化的一个一个方法的结果可视化，我们可以用这个，这个 inter action boot 这个这个这个函数，然后我们可以 用运营一下折腾代码，他就可以把这个 把杰克给直观的呈现，而且是一个表格的形式来呈现， 我们可以很直观的看到这个，呃，这个 r， e， s， r， e， p 和 s， 对不对？ r， e， p， s， r 和 s 都是包含零，而且这个 s 还是包含，包含 e 的，说明他们说明这个数据所呈现的这两个因素之间并没有存在一个相加交互作用， 同样我们可以一刻实画看不开，可以看到他都是包含零零，然后这个是包含一的，这样的话结果就比较直观。那对于这个， 嗯，那对于这个，呃分层分析，然后大家肯定也是比较了解，在宾利对照宾利介绍研究中是用的比较多的。然后这个插身分析，如果有兴趣的话，大家可以可以自己去查一下本线，还有这个广 一，呃相对危险模型，还有这个多维应急降压法，呃，感兴趣的小伙伴可以自己学习，或者是呃呃，可以给我留言，大家一起来探讨一下。好，今天的内容就我说到这里，谢谢大家。
38落叶梧桐
05:57查看AI文稿AI文稿一下关于音质分析或者是组成分分析的第二种方法啊，因为有很多，现在有很多人他问我，哎，为什么？呃，有的人在第一步去标准化，有的人在做完过后，第二步做完过后，然后再去标准化，其实这是最主要是什么？主音的分析和 主因组成的分析和因子分析，他这个是有两种方法的，所以大家可能会呃迷糊，甚至有的时候会会做错，也就是这个原因。 然后现在我给大家展示第二种方法，我建议是用第二种方法，第二种方法啊，如果熟练的话，他会特别好上手，呃特别清晰。然后第一步比较麻烦，因为第一步需要转两步，就是 用 a 一，转到 b 一，再转到 z 一，然后但是第二步就只需要一步，就直接在第一步进行标准化啊，然后再进行转一下就好了。首先我们点开这个，这是这是数据，我们点完这个数据，然后就直接先标准化， 首先要标准化，标准化在哪里？在描述统计分析里面，然后我们把这所选的值进行标准化的，然后标准化为 z 值，我们在这里就直接去去进行一个标准化，标准化完了过后，呃这个就会出现这种 z 带 z 的值， 然后在飞的都是标准化的值，可以看到我这个已经标准化的，然后下面我们就是下面还是一样的，就跟第一种方法是一样的，首先我们要降为因子，然后把这这时候我们要选的是这个标准化之后的值 移过来，移过来，然后我们进行操作 降维，然后我们点描述系数 km 五指，我们一定会要的显著水水平，其实要不要无所谓，单边量描述啊，这个应该不需要的，然后相关信息这个碎视图我们也要，要的 旋转，因为是因子分析嘛，所以我们要用最大放大，如果不是因子是组成的分析的话，我们就选一个无也行，然后再和图，我们也要的， 然后继续得分，我们是保存为变量。呃，得分系数，这个我们需要的选项，这个我们就不需要，然后点击确定 这个我们就出来一个 km 五指，看 km 五指零点四八八，还行，一般是零点五以上，但是接近于零点五，我们讲视频就说啊，六十四点，六十四点八四四，嗯，这个主音就可以看到，在第四个下单， 然后一般情况下我们要百分之八十以上，然后我们应该选三个因子，三个因子之后再跑一次，就点分析，点降为点因子的，然后在这里提取里面选择这个选择三就好了。在这里我们讲视频就不做那么麻烦， 然后这里也可以看到成分，可以看到成分成分在这里，然后也可以看到这个斜斜方叉的矩阵，然后是碎式图成分矩阵， 嗯，然后我们这时候就要计算，开始计算了，点击分析转换，转换，然后这里写一， 然后因为这因子吗过来，然后乘以，记住这里不是开哥，是不是那个第一种方法那种，然后这里我们要找再和因子，是四十一点啊，四十一点四八二括号， 然后点击确定， 然后四十一点，哎，计算错了，好像是计算错了，那个计算错了，二点应该是二点二点零五八，嗯， 对，应该是二点零五八，然后再计算，然后 zl 的字， zl 的字是用它，然后乘以 s q r t s q r t 是开根号的意思，在这里一点一八五， 一点一八五，括号 啊。好了，这时候我们就会计算出 z 一和 z 二的字 a 一和 z 二值，大家可以看到在这里应该已经出来， z 一和 z 二的值已经出来， a 和 z 二的值出来过后，我们要其实要算一个思考呢，最终的一个得分，最终的一个得分他是怎么算的呢？他是用呃，这个 人，人以人啊去得出来一个人，然后我们再进去，其实再继续就是一个再继续转换的一个过程，他就是等于，呃， s c 五二一，看我呢，然后一点零六七， 然后就等于这个是我们要看一下这个在哪里，总方差减四十二点 五八，乘以零点一，然后再加上一点一八五，乘以零二， 然后再括号，然后再除以括号，二点一五二，加上一点一二五，括号，对，就是这样，然后就就可以计算出一个最终的得分了。好了，今天的视频讲解结束。
174stata小铺
01:48查看AI文稿AI文稿学术型博士毕业可能还需要加点工作量啊，加什么呢？当然可以，加的东西非常多，酸菜老师推荐的只有一个啊，你不要问我为什么，你记住我推荐的一定是综合下来性价比最高的啊。这个套路叫转录因子交互作用啊。转录因子是什么呢？ 人有三万个基因，其中大概有两千多个啊，被称之为叫 transcription factor。 转入因子啊，就是能够调节转入的蛋白，这一类蛋白是位于细胞核里面调节基因转入的 缩写是 t f， 对吧？那么整个转录的过程呢？这个 r a 聚合酶啊，它有点像机器啊，它来执行整个从 dna 为模板复制 m r a 的过程。那么转录因子是什么呢？它控制了一个基因 d a 到 m r a 产物生成的过程，它借导了 转录的起始啊，那个聚合酶啊，他就是一个没有特异性的机器，但是转录因子的特异性调控作用，使得我们对于下游经的这个是否表达的这个控制啊，是非常精细的。在转录这个事情当中，有两个发生结合 interaction 交互作用结合作用的分子类型，一个就是啊，基因转入位置那个编码区域，五撇端上游的一段 promoter 启动子区域啊，这段区域呢，就是用来结合这些转入调控蛋白的。另外一个就是调节转入的蛋白 t f 白和 dna 之间结合，影响了 dna 到 rna 的转入过程。这个逻辑要理清楚啊，这个概念，如果你这个还没有领会的话，回去再查一些资料啊。记住，他的交互对象是一个蛋白，一个 dn 影响的过程是从 dna 到 rna 生成的过程。
12:15查看AI文稿AI文稿哈喽，大家好，这期视频是六七八黑带考试题解析的第九集啊，实验设计的深圳园内，计算和重心符合设计好，从事过六七八项目 或者是参与关键情脉项目的人，大部分都知道实验设计是非常非常重要的，而且啊，不管你是在绿带或者黑带的考试或者是啊实际的运用当中，他都占有非常大的比例， 所以说接下来的内容是非常重要的。好，我们还是先从题目开始。 第一题，在一个实验设计问题中，需要考察 六个因子， abcd、 g、 f， 但经费所限，最多只能进行二十次实验啊，中心点包含在内， 此，实际问题要求除了六个因子的主效应必须估计外，还必须得估计出 abbcc 一及 df 四个二阶交互效应。问，下面哪一个申请员的选择是可行的？ 我们来看一下生成员的计算的一些基本方法 啊，这里在红宝书或者蓝宝书上都有非常详细的讲解， 我希望大家能够去看一下书本。好，如果你说我现在就是时间非常紧张，没，没关系，我可以 把重点的重点给你挑出来，但是我还是希望你就是啊，有时间的时候能啊静下心来把红宝书和蓝宝书翻过来看一下，把这部分知识真正的就是啊能变成自己的。 好，我们看到这个 a 乘以 a 等于一，这个就是解决这道问题的啊，核心的核心， a 乘以 a 等于一啊，以此类推， b 乘以 b 也等于一，只要同字母相乘的都可以等于一。好， 我们再来回到题目， abbcce 及 d、 f 四个二级交互效应，他是要估计出来的，那么就意味 是什么呢啊，他们是不能混杂的，就是 ab 不能等于 bc 不等于 c， 一不等于第二步，然后我们根据这个 啊不等式两边同时乘以一个字母的话，通过这个 bc 和 df， 我们两边同时乘以 d 的话， 是不是就会得出 f 不等于 bcd， 因为这边 dcd 他等于一，他就相当于把它消除了。好，我们看一下题目当中 b 选项 他是不是有一个等级是 f 等于 bcd， 所以这样我们就可以把 b 选项给排除掉。好，接下来我们用同样的方法可以得到一不等 abc， 那么一不等于 abc 是怎么得到的呢？ c 和 ab 两边同时乘以 c， 然后这边 c 乘以 c 抵降，这边 abc 好，是不是 a 选项也被排除掉？好，如果做到这里 还剩下 c 选项和 d 选项啊，大部分的考生的话，就不知道啊，我接下来该怎么做啊， c 选项 d 选项随便蒙一个来。其实啊，我们从题干到选项这个过程 其实啊，是非常自然的，但是如果呃，我们要反过来的时候，通常就是啊，很多人就比较不容易想到 这道题呢，它的啊，最大的好处就是，呃，不仅从题干中可以提取消息，如果一旦你这个信息有限的时候，我们可以从选项中，然后再反推题干中的内容。好， 我们用啊这样一个反向的思维来从选项入手，看一下有没有收获。 我们来看一下 d 选项， d 选项一等于 abd 和 f 等于 abc， 我们把两个等式两边分别相乘，就是一乘 f 等于 abd 乘以 abc。 好，最后 ab 乘以 ab 是都等于一的，然后所以他抵消，最后就得到这个等式 啊， e f 等于 cd， e f 等于 cd， 我们把上面这个等式同乘以 d 一，然后就得出一个等式， c 一等于 d f， c， e 等于 d f， 之后呢？ 是不是就出现矛盾呢？这边推导出来的是 c 一，他是不等于 df 的，所以这两个选项是不能有混杂的，所以 d 选项也被排除掉，然后最后的结果是不是就只剩下 c 选项了？ 所以这道题应该选 c？ 好啊，这是第一题，我们下面来看到第二题。 第二点，在提高压缩板断裂强度的全因子实验中，对于音质 a 温度两水平分别取为二百二十摄氏度及二百四十摄氏度。因子 b 压力两水平分别取为三百六十帕及四百帕。 进行的含三个中心点共七次实验后，发现响应曲面有严重的弯曲现象，而为此希望进行响应曲面设计，得到二阶回归方程。而由于压力， 由于压力机最高只能取四百帕，本实验成本又是比较高的，希望能在归纳出二阶回归方程的条件下，尽量减少实验次数。而最好的办法是什么？ 好，看一下选项给我们提供了哪几种？一种， ccc、 ccicc f。 好，我们先来 就是把知识点整理一下，那这道题是比较重要的，基本上呃，每年的呃黑带或者绿带考试都会考到。第一点，有血惯性。有血惯性意味着什么呢？ 他就可以利用前面的实验数据，然后减少我们总共的实验次数，是不是就可以节省成本？好，这点非常重要。第二个，有旋转性， 实验精度有比较好的保证。好，我们来看一下这些 他具体的啊，是否有旋转性或是否有啊？血管型。呃， 题目当中是不是明确要求了我们要减少时间次数，那么肯定就要有续惯性。好，我们看 一下有血惯性的有哪些？ ccfccdccc。 哦，有些同学就是不明白 ccc 和 ccd 的关系，把这里书本上的原话我节选下来了 啊，中心符合血管设计。 ccc 他是 ccd 最常用的一种，所以他跟 ccd 的性质是一样的。 然后还有一点就是因子水平的取值在。 呃，凡是他有旋转性的，他的曲子都会产生一定的变化，那因为他要保证他的精度，我们看一下 ccd 他是音质水平的，曲子是往外扩张的，然后 cci 他是往内缩的啊。 cf 他是不变的，因为他没有旋转性，所以他不用去呃变化他的那个因子的这个水平。好，这样就带来一个什么问题呢？啊，如果你要做 ccd 的话， 你的音质水平就必须高于你的最高水平，那么这就会带来一个问题，如果你的音质水平无法取之高于你的高水平的话，那么你这个就没有办法进行。好，我们再回来看题目， 压力机最高只能取四百，怕 这样的话，而且实验成本又比较高。好，我们反复的看这 句话，然后是不是就可以排除两个选项，还有 c 选项，因为他是没有蓄惯性，他前面的实验数据是无法使用的，所以他会增加实验成本。好， ccc 呢， ccc 是 ccd 的一种，所以他保同时保持续惯性和旋转性，但是音质水平的曲子会 往外扩张，就是他会取值会高于四百帕，但是我们现有的条件是压力机是无法达到四百帕以上的，所以 a 选项也会被排除掉， 然后只剩下 c 选项和 d 选项，他们都是 ccf， 那唯一的不同点是，呃， d 选项只还要再加三个中心实验点好， 呃，我们是不是说 cc f 是有蓄惯性，他可以使用之前的一些实验数据？之前我们是不是已经进行了啊，包含三个中心点，在这个七次实验，这些数据他都是可以用的好， 那是不是？而这个三个中心点就不必再加了，因为我们的实验成本是有限的。好，这样的话 d 选项也排除掉，所以这道题的最后答案应该选 c 好啊，这道题就是这样的啊，我们反过来就是啊，看一下这两道题目就是联系到我们现实当中的一些操作啊，我们有很多企业他是就是有烟花中心的啊，有烟 中心他必然就有研发费用。呃，对一个企业来讲，研发的费用是啊，非常大的一个支出，那么我们怎么样能在就是，呃，有限的研发经费能做出啊比较理想的结果呢？ 那，那我首先推荐的就是如果采用六星吗这个管理方式的话 啊，从这两个题目来看，就会觉就会给你的第一感觉就是他是非常节省成本的， 他能把实验次数和实验的条件降到最低，然后又能得出一个满意的这个预期。 好，如果你是正在进行这个研发中心的这个开发的话， 推荐你一定要考虑一下运行码管理。好，今天的视频就到这里， 谢谢大家的观看啊，如果你对本期视频的内容有任何的问题啊，或者是你有什么新的问题，都可以在啊评论区留言，或者是啊发邮件到下面这个邮箱啊，我会及时的给出回复。 好，最后祝大家在六起码黑带考试中能够取得优异的成绩。
131James
