Design Expert中的完整二次模型往往带有多个交互项和平方项，其中一部分对响应贡献不大。适当降阶能让模型更简洁，但删项之后，方差分析会重新计算，所以原来显著的项可能变弱，原来不显著的项也可能发生变化。处理“Design Expert模型降阶怎么操作Design Expert模型降阶后显著性为什么发生变化”，不能只盯着单个P值，还要一起看模型层级、预测能力和残差表现。

　　一、Design Expert模型降阶怎么操作

　　模型降阶一般在完成响应分析、确定初始模型阶次后进行。响应面设计可以先从完整二次模型开始，再根据统计结果和工艺经验删掉贡献较小的项。

　　1、先确定初始模型

　　①在左侧【分析】中打开目标响应。

　　②进入【拟合汇总】页面。

　　③查看线性、二因素交互和二次模型。

　　④排除混杂或无法估计的高阶模型。

　　⑤选择建议的初始模型。

　　中心复合设计通常用于拟合二次模型，但最终不一定要保留全部二次项。软件会通过顺序平方和、失拟检验和模型统计量给出建议，选好初始阶次后，再到模型页面处理具体项。

　　2、手动删除不显著项

　　①进入【模型】页面。

　　②将选择方式设为【手动】。

　　③查看方差分析中的各项P值。

　　④取消贡献较小的模型项。

　　⑤出现层级提示时选择保留层级。

　　⑥返回【方差分析】查看新结果。

　　一般可以从P值较大、又缺少实际意义的高阶项开始。别一下删掉好几项，最好每次处理一项，再看模型统计量怎么变。这样虽然慢一点，但不容易把问题藏起来。

　　交互项AB还在模型中时，主效应A和B通常也要保留；平方项A²仍在时，A也不能随便删除。Stat-Ease强调，缺少父项的非层级模型会受到编码方式影响，实际方程和部分拟合统计量也可能失去稳定性。

　　3、使用自动降阶

　　①在【模型】页面点击【自动选择】。

　　②选择【后退法】、【前进法】或【逐步法】。

　　③选择P值、AICc、BIC或调整后R²标准。

　　④使用P值时设置移出阈值。

　　⑤点击【开始】查看删项过程。

　　⑥确认结果后点击【接受】。

　　后退法会从完整模型开始，每次删掉当前贡献较小的一项，再重新计算。使用P值标准时，软件教程常以0.10作为移出阈值；使用AICc时，则会比较删项前后的模型信息损失和复杂度。

　　对普通响应面模型，可以先试AICc加后退法。数据共线性比较明显时，再用前进法跑一次，两种结果接近，模型通常更让人放心。自动选择只是帮忙筛选，最终还得结合实际过程判断。

　　4、降阶后重新检查模型

　　①查看整体模型P值。

　　②检查失拟项是否显著。

　　③对比调整后R²与预测R²。

　　④打开残差正态图和残差对预测值图。

　　⑤查看是否存在异常点和高影响点。

　　⑥再检查等高线和三维曲面是否合理。

　　调整后R²与预测R²差距较大，常见原因之一就是模型中保留了太多无效项。Stat-Ease建议两者差值尽量不要超过0.2，但这只是诊断提醒，还要结合残差和实际预测结果判断。

　　二、Design Expert模型降阶后显著性为什么发生变化

　　P值不是某个因素固定不变的属性。它是在当前模型、当前误差和其他模型项共同存在的条件下计算出来的。模型结构一改，统计结果跟着变很正常。

　　1、剩余项会重新分配解释能力

　　删除一个模型项后，它原来解释的一部分响应变化，会被其他相关项或残差重新分配。

　　两个项关联较强时，完整模型中可能会“分摊”同一部分变化。删掉其中一个，另一个承担的解释量增加，P值就可能变小。反过来，删项后误差估计变大，原来显著的项也可能变得不显著。

　　所以不要拿降阶前后的P值直接横向比较，然后认定软件算错了。它们来自两套不同模型，参照条件已经变了。

　　2、误差自由度发生变化

　　模型项减少后，模型使用的自由度下降，残差自由度会相应增加。均方误差、标准误差和F值都要重新计算，最终自然会影响各项显著性。

　　但删项并不一定让模型更显著。如果被删除的项确实解释了有效变化，这部分变化进入误差池后，剩余项的检验反而可能变弱。

　　3、模型项之间存在相关性

　　设计点缺失、实验运行不平衡，或者因素之间存在一定共线性时，各项效果会相互影响。

　　Stat-Ease公开案例中就出现过某个平方项单独看比较显著，但因为层级项进入模型后，显著性发生改变的情况。它并不是算法前后矛盾，而是该项在不同模型环境中的独立贡献发生了变化。

　　4、保留层级会留下不显著项

　　自动降阶后，模型中仍可能出现P值大于0.05的主效应。看到这种结果不用马上再删。

　　例如AB显著，A本身不显著，A仍要作为父项保留。此时A留在模型里主要是为了维持层级和正确解释交互关系，并不表示A单独作用一定很强。

　　三、模型降阶后结果变化较大怎么处理

　　显著性轻微波动很常见。若模型整体P值、预测R²或曲面形状都出现明显变化，就要回头比较降阶前后模型，别急着把简化模型定下来。

　　1、恢复上一版模型进行比较

　　①回到【模型】页面。

　　②恢复完整模型或前一个模型。

　　③记录两版模型统计量。

　　④比较预测R²、调整后R²和失拟结果。

　　⑤查看两版模型的预测曲面。

　　简化模型不一定比完整模型好。少了两个项，方程看着清爽，但预测R²明显下降，这种降阶就没多少价值。

　　2、不要完全按照P值删项

　　一个项的P值略高于0.05，不代表它对过程毫无意义。已有机理、历史实验或工艺经验认为该交互确实存在，可以保留并继续验证。

　　Stat-Ease也明确提出，自动模型降阶必须由专业知识引导，不能把算法结果直接当作最终结论。

　　3、失拟显著时别继续硬删

　　模型降阶后失拟变得显著，说明简化模型可能没有描述完整的响应变化。此时继续删除模型项，通常只会让预测更差。

　　可以检查异常数据、响应变换和实验范围。若更高阶模型有必要但当前设计无法估计，则要考虑补充实验点，而不是靠反复删项凑出显著结果。

　　总结

　　“Design Expert模型降阶怎么操作Design Expert模型降阶后显著性为什么发生变化”反映的是模型简洁性与预测能力之间的取舍。降阶之后出现P值变化属于正常现象，最终应结合模型层级、失拟检验、预测统计量和专业经验综合判断。方程短一些固然好，但能够稳定解释实验数据、给出合理预测更重要。希望本文对大家进行Design Expert模型筛选和结果判断有所帮助。