実験の1つ以上の要因が連続している場合、多くの研究者は設計領域の中央に複数の分析を追加することを好みます。このプラクティスは2つのことを達成します。
１）全体的な曲率の試験を可能にする。
2）それは複製された実行を提供します。 JMP 誤差分散の不偏推定値を計算できます。Fit Modelプラットフォームは、自動的に不適合テストを行います。
デザイン作成後にJMP 9でセンターランを追加できます。事前指定はどのように役立ちますか？
指定の一部としてセンターランを追加する実験計画カスタムデザイナーがこれらのランを最適に追加することを可能にします。すべての要因が連続的であれば、これは問題ではありません。ただし、因子がカテゴリカルである場合は、連続因子の中でセンターランを最適に割り当てることで設計を改善できます。
カテゴリファクタの各レベルに対して1つのセンターランを追加するのが最善ではありませんか？
驚くべきことに、これは必ずしも正しいとは限りません。
12の実行を使用した主効果モデルで調査したい3つのサプライヤと5つの連続的な要因がある設定を想像してみてください。あなたは3つのランをセンターランにしたいと決めました。サプライヤごとに1つのセンターを運営しないほうが、統計的に効率的です。
表1に、サプライヤへのセンターランの最適配分のための係数設定を示します。
3つのサプライヤそれぞれに4つの実行があり、サプライヤCには2つのセンター実行があり、サプライヤBにはない実行があることに注意してください。
この設計を、各サプライヤに1つのセンターランを追加した3つのサプライヤに最適な9ランの設計と比較できます。あなたは表2でこのデザインを見ることができます。
私は均等配分でより快適に感じます。私は何を失いますか？
まず、デザインの予測の最大分散は、均等割り当てのデザインでは50％以上大きくなります。また、予測の平均分散は10％以上大きくなります。
図1は、センターランを均等に割り当てる設計では、推定係数の分散が大きいことを示しています。すべてのパラメーターについて、センターランが均等に割り当てられている設計では、分散インフレ率（VIF）が大きくなります。
図2は、2つのデザインの列相関を比較した並列プロットです。センターランを均等に配分するための設計は、面倒で一般的に高い列相関を持ちます。
この例は面白いですが、このような結果は一般的ですか。
私は、センターランをブロックに割り振っても、カテゴリファクタのレベルでも、最適になることが多いと思います。同じシナリオで12回ではなく21回を実行する場合、最適設計ではサプライヤごとに1回のセンターランを割り当てます。
最後の言葉…
率直に言って、私はデザイン、特にスクリーニングデザインにセンターランを追加することは大好きではありません。最終的なスクリーニングデザインがそうであるように、私はどちらかと言えば応答の中の曲率の原因を特定することができるでしょう。複製については、興味のある効果を見積もるのに役立つ点を複製することを好みます。センターランは、切片以外のパラメータの推定には役立ちません。
