配方A使用第一批原料，配方B使用第二批原料，检测结果相差明显，能否说明配方B更好？单看两组均值，还回答不了。原料批次与配方同时变化，差异可能来自其中一项，也可能两项都有影响。在JMP中，需要先核对处理怎样分配到批次，再建立与试验结构相符的模型。把两个变量都放进去，并不代表它们一定能被分开估计。

　　一、JMP如何在方差分析中区分批次效应与处理效应

　　下面以连续型检测指标为例。数据表应保留响应值、处理、批次及样品编号；同一样品重复检测时，还要留下重复测量标记，避免把检测次数当作独立试验次数。

　　1、将处理与批次同时纳入模型

　　如果每个批次都安排了多种处理，可以在批次内部比较处理，再综合各批次的信息。仅比较这些指定批次时，可将批次作为固定效应。批次编号即使写成数字，也应按分类变量处理。

　　①点击【Analyze】→【Fit Model】，将检测指标指定为【Y】。

　　②选择处理列和批次列，点击【Add】加入模型效应。

　　③在【Personality】中选择【Standard Least Squares】，点击【Run】。

　　基础模型可先包含处理和批次主效应，但它假定处理差异在各批次间一致。若要研究处理是否随批次改变，需要有足够的数据支持交互作用及误差估计，不能把所有项一股脑加入。

　　2、根据研究范围选择随机批次效应

　　若观察到的批次代表更大范围的生产批次，研究还关心未来批次间的波动，可以考虑随机批次效应。选择依据是批次的来源和推断范围，不取决于哪一种设置更容易得到显著结果。

　　①在模型效应列表中选中批次，点击【Attributes】→【Random Effect】。

　　②将【Method】设为【REML】，运行后查看【Fixed Effect Tests】和【REML Variance Component Estimates】。

　　固定效应检验用于检查处理差异，方差分量用于描述批次等随机来源的波动。两者回答的问题不同。批次数过少时，对批次方差的判断也应留有余地。

　　二、JMP批次效应与处理效应混杂时如何判断

　　混杂要从试验安排查起。有些数据只是各组合数量不均，有些则根本没有可用于分离效应的比较。两种情况不能用同一个办法处理。

　　1、查看批次与处理的组合分布

　　先数清每个批次做过哪些处理。若第一批只有A、第二批只有B，且每种处理都只有这一个批次，两项变化便完全重合。每批再测很多样品，也没有增加独立的批次比较。

　　①点击【Analyze】→【Fit Y by X】，将分类建模类型的处理列放入【Y,Response】，批次列放入【X,Factor】。

　　②运行后展开【Contingency Table】，查看各组合的记录数。

　　列联表在这里用于检查数据分布。是否存在空单元格、是否有共同处理，比关联检验的显著性更值得关注。

　　2、检查模型是否出现不可估计项

　　当固定效应模型中的批次和处理完全重合时，预测变量之间存在依赖，JMP可能给出奇异性说明。某个参数被置零，也不表示它没有影响，可能只是无法单独估计。

　　①在拟合报告中展开【Singularity Details】，查看涉及哪些模型项。

　　②检查【Parameter Estimates】，再进入处理项的【LSMeans Table】查看是否出现不可估计提示。

　　删除批次后模型能够运行，只说明软件不再同时估计两项。原来混在一起的差异仍然存在，不能据此把结果全部归给处理。

　　3、区分不平衡、嵌套与完全混杂

　　不是每批都包含全部处理，并不一定无法分析。若不同批次之间有共同处理形成连接，在相应模型假设下，部分或全部处理比较仍可能估计，但精度可能较低。

　　另一种情况是每种处理安排了多个独立批次，每批只接受一种处理。这属于批次嵌套于处理的设计，应明确嵌套关系，并以批次层面的重复支持处理比较。它与“每种处理仅有一个批次”不同，不能都简单归为无法分析，也不能把批内样品当成批次重复。

　　三、复核结果时怎样避免把批内重复当成处理证据

　　有时数据表已经有几百行，真正独立生产的批次却只有两个。记录多，看起来结果很充分，但如果A、B各占一个批次，增加检测次数仍然无法分清处理差异和批次差异。

　　1、回到样品编号，查清每行记录的来源

　　同一样品测三次、同一批次抽三件、独立生产三批，代表的重复层级不同。建模前要核对原始记录，确认处理究竟施加在样品上，还是整批物料上。整批接受同一种处理时，批内样品不能直接充当独立的处理重复。

　　①点击【Analyze】→【Fit Y by X】，将批次列与处理列分别指定为【X,Factor】和【Y,Response】。

　　②展开【Contingency Table】，对照样品编号与生产记录，核实每个组合包含多少独立批次。

　　2、把批次加入模型后，检查变化发生在哪里

　　处理原本显著，加入批次后不显著，不能马上解释为“处理没有作用”。可能是原来的差异包含了批次影响，也可能是估计精度不足。需要继续看调整后的差异有多大、区间有多宽，以及比较是否可估计。

　　①在【Effect Details】中打开处理项的【LSMeans Table】，查看调整后的均值与标准误。

　　②对可估计的多组处理比较，选择【LSMeans Tukey HSD】，查看差异及置信区间。

　　如果已经出现不可估计提示，就应回查试验安排。把批次改成随机效应，也不能自动补上缺失的独立比较。

　　总结

　　一份方差分析报告，最好能让人对照生产记录看懂：处理在哪些批次实施，样品如何抽取，结论适用于哪些条件。尤其是整批处理的试验，批内测得再细，也不能替代批次层面的重复。发现资料不足，可以先保留当前组合的差异描述，再安排后续验证。希望这些提醒能帮助大家少走分析上的弯路；需要进一步了解相关应用，欢迎与我们沟通。