您好，我很好奇您對如何為自定義 DOE 選擇模型的想法（例如兩個連續因子）。 我知道如果我的目標是優化，我會選擇一個 RS 模型，JMP 會在靠近設計空間中心的地方添加遊程，但是當我檢查設計點時，我總是覺得所選的因子水平之間存在許多巨大差距通過 JMP（我使用散點圖檢查）。 這讓我擔心我可能會錯過優化的最佳位置。 如果我增加運行次數，我最終會得到更多的重複，而不會縮小這些差距。 我發現我將不得不嘗試使用高階模型（冪：4 次或 5 次）來填充這些空間。
我對 DOE 有點陌生，所以我想弄清楚這是否是正確的思考方式，或者只是相信如果我確保某些指標（方差），我不會錯過 RSM 的最佳位置,power)在設計評價中看起來不錯。 謝謝！
我希望每一個實驗不是包括“甜蜜點”作為跑步。 即便如此，我還是總是每當我需要從經驗證據中了解某事如何運作時，我都會進行實驗。
任何剛從 mere 畢業的人都遇到過一個共同的困惑點測試到試驗，所以不要為此感到難過。 一個實驗的目的是獲取最佳數據以擬合充分描述對因子變化的響應的模型. 這不是測試。 這個概念是成為大師、貪婪實驗者的重要一步。
設計原則在任何設計方法中都適用。 我們將使用定制設計。
- 如有必要，您可以選擇一個或多個有意義的回答。
- 您考慮影響響應的所有因素並選擇其中一組進行研究。 其餘的將在整個實驗過程中保持不變。
- 您盡可能使用連續因子。 您對每個因子使用最寬的範圍，以確保具有最大功效和最有效估計的大效應。
- 您為線性回歸模型選擇項來表示這些因素的所有影響，包括主效應、交互效應和足夠階的非線性效應。 通常，二階效應在因子範圍內就足夠了，但允許更高階的項。
- 您選擇最優性標準：D-最優以強調參數估計和測試或 I-最優以強調預測。 （特殊情況還有其他標準。）
- 您決定此實驗的運行預算並進行設計。
- JMP 確定因子水平最翔實的關於模型。 也就是說，它們共同提供了最好的數據來支持模型參數的估計。
（請注意，在設計實驗以說明一般思維過程時，我故意忽略了許多考慮因素。）
最後一項任務不再是你的工作了。 不再期望單獨運行會產生答案，即最佳點，就像在簡單測試中那樣。 這種方法是由模型驅動的，它是以模型為中心的。 例如，如果您知道這些因素沒有非線性影響，那麼端點以外的任何因素水平將提供較少的影響信息（斜率參數）。 一個貪婪的實驗者永遠不會浪費一次提供少於最大可用信息的條件的運行。
最佳點是通過模型預測的實驗來確定的。 它不是特定條件測試的結果。 （當然，這個預測必須通過經驗來證實。）
為設計選擇模型是通過以下幾種方法之一及其相關信念完成的：
- 從包含表示所有潛在影響的項的最大可能模型開始。 例如，JMP 中的默認 RSM 模型包括所有主效應、雙因子交互效應和二階非線性效應的項。 就運行次數而言，這種選擇是最昂貴的。 不過，它可能不需要進一步的實驗（為了經濟而增加原始設計）。
- 從包含僅表示主要影響的項的最小可能模型開始。 JMP 中的默認模型提供了這組最小項。 如果存在高階效應並且它們的估計值與主效應的估計值相關，則此設計將產生有偏估計。 這些難題可以通過在期間使用附加項對新模型進行額外運行來解決設計增強.
- 從您認為最合適的模型開始。 您不使用默認模型。 您為每個個案選擇主效應、交互效應和非線性效應。 定制設計為每個術語提供了進一步的選擇：如果可能的話可以估計。 此選項意味著您可以在模型中包含一個項，即使您在運行實驗之前不確定它是否為非空項。 該設計對於一個模型不是最優的，而是在給定潛在項的所有可能模型的集合中最優的。
請注意，我從來沒有考慮過達到最佳點的因素水平。 我不必。 我不應該。 該任務不是設計的角色。 該任務是模型的作用，所以讓我們盡可能地獲得最好的模型。 該結果需要最好的數據設計來估計我們的模型。
我希望這個簡短的解釋能有所幫助。 它缺乏有關 DOE 教育的完整課程，但希望它能闡明 DOE 中最佳點的來源以及應如何選擇因子水平（通過設計，而不是您）。
見 JMP幫助>圖書>實驗設計有關將定制設計與 JMP 結合使用的更多信息。
看 ”實驗的優化設計：案例研究方法" 由 Peter Goos 和 Bradley Jones 提供的現代實驗方法，如果你喜歡自己學習的話。
看JMP 軟件：自定義實驗設計如果您更喜歡專家的課堂教學。
