指定要显示的逐步回归方法、参数和详细信息。对默认设置所做的更改将保留到您再次更改它们，即使退出 Minitab 也是如此。每次使用下列某种分析时，Minitab 将使用您在此处指定的设置︰
混料设计与其他工具有两种区别。如果您选择转发信息标准作为默认方法，则混料设计的默认方法保持为无。另外，混料设计的结果始终显示相同的详细信息。
- 默认方法
-
- 无：采用您在项中指定的所有项来拟合模型。
- 转发信息标准：向前信息标准过程在每个步骤中向模型中添加具有最低 p 值的项。如果分析设置允许考虑非分层项，但是要求每个模型都分层，则在步骤 1 中可以向模型中输入其他项。Minitab 为每个步骤计算信息标准。在大多数情况下，该过程一直持续，直到出现以下某种情况为止：
- 该过程在连续 8 个步骤中都未找到标准的新最小值。
- 该过程拟合整个模型。
- 该过程拟合的模型保留 1 个误差自由度。
如果您为该过程指定的设置要求每个步骤都使用分层模型，并且一次只允许输入一项，则该过程将持续到其拟合整个模型或者拟合的模型保留 1 个误差自由度为止。Minitab 对于针对选定的信息标准（AIC 或 BIC）具有最小值的模型显示分析结果。
- 逐步︰从空模型开始，然后在模型中添加或删除对应于每个步骤的项。可以指定要在模型中包括的一组初始项。
- 前进法︰从空模型开始，然后向模型中添加对应于每个步骤的最显著的潜在项。
- 后退法：从模型中的所有潜在项开始，然后删除对应于每个步骤的最不显著的项。
- 转发信息
-
指定要在向前选择中使用的信息标准。
AICc 和 BIC 评估模型的似然，然后将用来添加项的惩罚应用于模型。惩罚会降低趋势，以使模型过度拟合样本数据。趋势降低可能会生成性能通常更佳的模型。
一般准则是，当参数个数相对于样本数量较小时，BIC 对于添加每个参数所施加的惩罚比 AICc 大。在这些情况下，最小化 BIC 的模型往往比最小化 AICc 的模型小。
在一些常见情况（如筛选设计）下，参数个数相对于样本数量通常较大。在这些情况下，最小化 AICc 的模型往往比最小化 BIC 的模型小。例如，对于包含 13 个游程的明确筛选设计，在一组包含 6 个或多个参数的模型中，最小化 AICc 的模型往往比最小化 BIC 的模型小。
有关 AIC 和 BIC 的更多信息，请参见 Burnham 和 Anderson。1
- 逐步参数
-
- 入选用 Alpha︰指定用于将新项输入模型的标准。
- 删除用 Alpha︰指定用于从模型中删除项的标准。
- 前进法参数
-
- 入选用 Alpha︰指定用于将新项输入模型的标准。
- 后退法参数
-
- 删除用 Alpha︰指定用于从模型中删除项的标准。
- 显示模型选择详细信息表
-
在表中显示关于逐步过程的信息。
- 该方法的详细信息：显示用于在模型中添加和/或删除项的逐步过程类型和 alpha 值。
- 包含每个步骤的详细信息：针对过程的每一个步骤显示系数、p 值、Mallows Cp 和模型汇总统计量。
1 Burnham, K. P. 和 Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection.（多模型推断：了解模型选择中的 AIC 和 BIC）。
Sociological Methods & Research（社会学方法和研究）33(2)，第 261-304 页。doi:10.1177/0049124104268644
