在最終的螢幕設計中將值分配給因子水平大家好，
對於 DOE，我有七個連續的三級因素。 Definitive Screen Desgin (DSD) 似乎更符合我的目的。 對於每個因素，我都有三個物理測試樣本分配給三個等級。 但是，它們並不代表因子的最大值和最小值。 如何將物理值分配給設計中的每個因子水準？
謝謝，
約翰
回覆：在最終的螢幕設計中將值分配給因子水平首先，我對延遲回覆表示歉意。
從你的問題可以清楚看出，你需要接受實驗設計的教育。 在這樣的論壇上進行討論，很難透過簡短的交流來教育任何人。 我想向您推薦一些有幫助的書籍。
- 在 JMP 中，選擇幫助>圖書>實驗設計。
- 取得古斯和瓊斯所寫的《實驗的最佳化設計》副本。
我們也提供有關實驗設計的培訓。 假設您已經熟悉 JMP 以及變異數分析和迴歸的分析方法，參加以下課程將使您受益匪淺：
至於你的具體問題：
- PB 設計不直接解決交互作用或非線性效應。 如果成立的話，效應的稀疏性和投影原理可能有助於獲得有關交互效應的資訊。
- 如果您最終有 2-3 個活躍因子，則 7 個因子的 DSD 可能會起作用。
- 不包括高階項。
- 在假設等級和遺傳原則成立的情況下，選擇主要效應後就會發現它們。
- 或者，如果您尚未更改級別，則可以使用新的 Fit DSD 方法。
- 田口方法可能包括三個等級的因素。
- 它不會公開估計模型參數。 不存在交互作用或非線性效應本身。
- 這是一種基於外部陣列層級上適當的信噪比在現有的一組內部陣列運行中「挑選獲勝者」的方法。
- 沒有建模，因此沒有預測（內插或外推）。
- 如果存在非加性效應，田口設計可能會導致次優結果。
- 面向模型的方法是客製化設計。
- 田口方法絕對是不是以模型為導向。
- 除了只有主效果的簡單情況之外，田口方法會失敗。
- 田口設計並不是最經濟的設計。
- 設計導向的方法僅僅意味著專注於設計方法的方法（例如，因子設計），模型是一個結果（完整的因子項）。 面向模型的方法，如客製化設計，專注於模型，設計是結果。
回覆：在最終的螢幕設計中將值分配給因子水平你好@馬克貝利,
我花了一段時間才消化你們所有的意見。 讓我試著用以下問題來總結我的理解：
關於螢幕方法：
- 設計導向
- “這些設計僅假設主要效果。” 那麼它們不是為了研究交互作用或二次項而設計的？
- “PB 設計比常規部分因子設計處理交互效應（即更好的估計機會）。” 這意味著 PB 設計可以處理主要因素交互作用的實驗，但這並不意味著我們可以在模型中包含交互項，對吧？
- DSD：“不變的 DSD 將允許您估計設計中最多大約一半因素的主效應（效應稀疏性）以及一些相互作用和二次效應（假設效應遺傳）。” 假設我有七個因素，DSD可以估計三到四個因素的影響，但不是全部七個？ DSD 可以估計一些交互作用和二次效應，但模型中不包括交互作用和二次項，對嗎？
田口法
- 它可以是分數階乘或基於 PB 的
- 假設包括因素之間的成癮性（正交），因此交互作用會導致問題
- 不是連續的，因此不用於篩選目的
- “它通過兩級組合跨越設計空間來同時進行篩選，並根據從觀察到的響應（而非建模）的平均值和標準差得出的信噪比‘挑選獲勝者’來進行優化。”
- 問題：田口方法實際上鼓勵使用三個水平因子來捕捉非線性效應。 為什麼說因素大多是兩個層面的？
對於我的條件和目標：
1. 我有 7 個連續的 3 水平因子
2. 因素之間會有交互作用，但不知道到底是哪些因素
3. 目標：優化系統性能（透過研究因素影響）
面向模型：如果我知道我想研究什麼（主要項、交互項和二次項），客製化設計是有效的。 另外，如果滿足加性條件，田口法是有效的。
以設計為導向：如果我不太了解主項、交互項和二次項的影響，則採用篩選設計的順序方法是有效的。
請評論/回答我的理解/問題。
謝謝，
約翰
回覆：在最終的螢幕設計中將值分配給因子水平我們這次討論有多個主題。 我會嘗試以連貫的方式回答他們。
正交陣
不，你是對的。 田口設計對設計的內部和外部陣列使用“正交陣列”。 這些通常是部分因子設計，但也可以是 PB 設計。 它們通常限於兩個級別。 田口不用於篩選，本身。 田口實驗方法不是連續的。 它同時透過兩級組合跨越設計空間進行篩選，並根據從觀察到的響應（而非建模）的平均值和標準差得出的信噪比「挑選獲勝者」進行優化。 你之前的解釋從來沒有讓我想起田口。
PB 設計為實驗產生正交因子列，因此，主效應的估計也是正交的。 不過，高階項不一定是正交的。
有一種新的設計方法，也稱為“正交陣列”。 在沒有許多二因素交互作用的情況下，這些設計通常比「常規部分因子」設計表現得更好。
因此，混亂來自於同一術語在不同上下文中的不同用法。
我認為如果篩選假設在您的情況下有效，您可以使用 PB L27 設計進行篩選。 與常規部分因子設計相比，PB 設計可以處理互動效應（即更好的估計機會）。 不過，如果您懷疑主動互動效果，我不會使用較新的 OA。
新增互動術語
在「擬合模型」對話方塊中沒有「交互指令按鈕」。
您絕對可以使用“擬合模型”對話方塊選擇模型中的所有項目。 看幫助>圖書>擬合線性模型。
點擊之前無法新增互動效果術語製作表格在裡面篩選設計平台。 這些設計僅假設主要效果。
建構主效應篩選設計
第二種選擇產生較新的 OA 設計，而不是 PB 設計。 （PB 設計可與使用第一個選項的常規部分因子設計一起使用。）
更改 DSD 因子水平
是的，您可以在製作 DSD 後更改因子等級。 不過，這些變更將損害使用 DSD 的效能和優勢。 DSD 是特例別名最優客製化設計。 它是基於一個定義結構由一個組成折疊對每個因子的運行次數，其中給定因子設定為中間值，其他因子設定為其低值或高值。 中心點也被添加。 DSD 的聲明是基於此結構。 建造設計後更改因子等級將破壞此結構，因此您不應期望修改後的設計是 DSD 或像 DSD 一樣執行。 它不再是 DSD 了。
但是更改等級是完全合法的，最終的設計可能會支援某些分析和建模，但與原始 DSD 的方式或程度不同。 這不是DSD方法的本意。 DSD 是嚴格的。 它並未處理所有有必要且有效的篩檢案例。 （例如，很難改變因素。）您有讀過 Brad 的部落格文章嗎？正確和不當使用 DSD ？
新增篩選設計的術語
用於實驗設計的 JMP 介面分為多個部分平台專門針對給定的方法設計。 您選擇了篩選設計平台。 它實現了Box的規則分數階乘法和PB的不規則分數階乘法。 這些方法都沒有直接解決與模型中的項的交互效應。 常規部分因子設計方法可讓您更改產生單字為了透過更改因子設計列來更改模型估計列的混疊。 您無法變更 PB 設計中的別名。 您也選擇了 DSD 平台。 這種方法的限制性更大。 您可以添加兩個阻塞和高於最小數量的額外運行，但僅此而已。 作為回報，不變DSD 將允許您估計設計中最多約一半因素的主效應（效應稀疏性）以及一些交互作用和二次效應（假設效應遺傳）。
因此，您是正確的，篩選設計和最終篩選設計平台不允許您為模型添加術語，因為該操作不是它們所基於的方法的一部分。 這些方法是以設計為導向。 您從潛在的正面影響開始的想法是相反的：面向模型的設計。 這種方式就是客製化設計。
為什麼不使用客製化設計？
我們提供兩門 JMP 培訓課程，可能對您有幫助。 第一門課程是我們對 DOE 的介紹，它完全基於客製化設計：實驗的客製化設計。 另一門課程專門討論篩檢的特殊情況：現代放映設計。 （請注意，第二門課程是高級課程，並假設您已經參加了第一門課程的課程。）
當然，JMP 實驗設計指南也非常有幫助（幫助>圖書）。
回覆：在最終的螢幕設計中將值分配給因子水平你好@馬克貝利,
很抱歉造成混亂。 讓我試著澄清它們：
固態硬碟
“我不知道你所說的‘SSD’是什麼意思，但我認為它是分數階乘或 Plackett-Burnam 設計。”
答：SSD 一詞代表 JMP 13 使用者指南中使用的標準篩選設計。 它位於 DOE\Classical\Screening Design 下。
選項1：
「所以你使用的是正交數組？ L27 設計是 PB 設計，而不是 OA。”
答：我以為這裡的 L27 是田口 L27 OA。 根據你的描述我錯了。
我確實相信這裡或那裡有互動。 因此，根據您的建議，我不應該在這個階段使用田口 L27 OA。
“添加 11 對二階交互作用是什麼意思？” 您無法在設計期間新增術語。 如果您的意思是您稍後在單擊“製作表格”後在“擬合模型”對話框中添加了這些項，那麼您是如何從潛在的21 個雙因素交互效應中選擇這11 個項的？ 為什麼要在初始分析中添加這些術語？”
答：是的，我“稍後在單擊“製作表格”後在“擬合模型”對話框中添加了這些術語”並單擊“交互”命令按鈕。 我無法選擇要使用的互動。 我想研究互動的效果，但在單擊“製作表格”之前找不到添加互動的方法。
選項2：
在 DOE\Classical \Screening Design 中，選擇因子等級和類型後，JMP 為我提供了兩個選項：「從部分因子設計清單中選擇」或「建立主效應篩選設計」。 我使用了後一個選項，並指定我要進行 27 次測試。 點擊“製作表格”後，我添加了互動。
DSD
「你說可以增加 9 個交互項是什麼意思？ 是的，您將有足夠的運行次數，但該模型將飽和。 你怎麼知道從 21 個中選擇哪 9 個呢？”
A：同樣，我在點擊“製作表格”後點擊“互動”，但無法選擇要使用的互動。
是的，我剛剛發現我可以更改運行次數，並且有上限。
「是的，你可以改變因子水準。 此類變更可能會嚴重損害最終設計的效能。 最好的方法是選擇因子列，然後選擇列 > 重新編碼。”
答：DSD 採用 3 級連續變數。 我可以在進行設計之前指定每個因素的低值和高值。 之後，JMP 自動擬合平均值作為中位數。 如果我的實體樣本的中間值不同，我將必須在單擊“製作表格”後手動更改它。 這會出現問題嗎？
是的，客製化設計非常通用。 我可以添加二階相互作用和二次項。 然而，在我看來，JMP 篩選設計（SSD 或 DSD）不支援在主要因素之外添加術語。 請澄清並解釋原因。
謝謝，
約翰
回覆：在最終的螢幕設計中將值分配給因子水平首先，我想談談您的一般方法。 我們強烈地提倡原則連續實驗首先由 Box、Hunter 和 Hunter 提出。 然而，這種策略並不總是適用。 特別是，篩檢並不總是必要的。 此外，篩選設計沒有能力如果篩選的假設是無效。 另外，方法連續實驗的過程不斷發展。 今天，您擁有強大但不靈活的 DSD 和最強大且最靈活的自訂設計方法。 也就是說，這些新方法改變了您在此策略中使用的策略。現在回答您的具體問題...
固態硬碟
我不知道“SSD”是什麼意思，但我認為它是分數階乘或 Plackett-Burnam 設計。
選項1 ：
- 所以你使用的是正交數組？ L27設計是PB設計，不是OA。
- 這些 OA 設計專門針對僅主效應模型和系統。 即使您的回應中存在幾個交互效應，也會嚴重影響您的分析。 如果您懷疑是這種情況，請勿使用 OA。
- 如果它確實是 PB 設計，那麼您很有可能估算出很大的影響。 幾乎沒有混雜因素，且估計值的相關性通常小到足以允許估計。
- 「增加 11 對二階交互作用」是什麼意思？ 您無法在設計期間新增術語。 如果您的意思是您稍後在單擊“製作表格”後在“擬合模型”對話框中添加了這些項，那麼您是如何從潛在的21 個雙因素交互效應中選擇這11 個項的？ 為什麼要在初始分析中加入這些術語？
選項2 ：
DSD
- 您可以新增 9 個交互項是什麼意思？ 是的，您將有足夠的運行次數，但該模型將飽和。 您如何知道從 21 個中選擇哪 9 個？
- 是的，您可以更改因子等級。此類更改可能會嚴重影響最終設計的效能。 最好的方法是選擇因子列，然後選擇科爾斯>重新編碼。
- 在提交設計之前，您可以透過點擊更改設計平台中的運行次數製作表格。 我們強烈建議至少添加 4 次運行。 當因子數為奇數 (7) 時，DSD 中的最小遊程數為 2k+3 = 2(7)+3 = 17。 預設的額外試驗次數為 4，因此您的設計為 21 次試驗。
請花時間仔細解釋你想知道什麼、你做了什麼以及你得到了什麼結果。 這些快速、簡潔的陳述是含糊的，在您獲得所需的所有幫助之前，會導致多次交流以進行澄清和全面披露。
回覆：在最終的螢幕設計中將值分配給因子水平你好@馬克貝利
非常感謝您的回答。 我想優化一個有 7 個控制因素的機械系統，每個因素可以有三個等級。 在 DOE 的早期階段，我希望先實現篩選，其次進行表徵，第三步進行一定程度的優化。 我有能力在此階段運行大約 30 次測試。
我測試了幾種設計如下：
SSD（在 Classical\Screen 下）使用 3 級離散數值變數：
- 選項 1：JMP 提供 L27 OA。 透過JMP Color Map分析主要因素之間的相關性以及二階和三階交互作用。 我還能夠添加 11 對二階交互作用。
- 選項 2：我手動選擇 27 輪實驗來測試主要因素並添加二階交互作用（JMP 允許 19 對）
使用連續變數的 DSD
- JMP 產生 21 次運行的設計，並允許我添加 9 對二階交互作用。
- 根據您的訊息，我認為我可以用測試樣本值替換每個因子等級。 正確的？ 什麼是有效的方法來做到這一點，而不是手動逐一更改因子等級？
- 能否將測試次數從21改為27以便與SSD比較？
謝謝，
約翰
回覆：在最終的螢幕設計中將值分配給因子水平你做這個實驗的目的是什麼？ DSD 比其他什麼設計更適合？ 在什麼方面呢？
與其他篩選設計一樣，當您的案例符合篩選假設時，DSD 很可能會成功。 這些假設是效應稀疏性,效果等級， 和效應遺傳。 不然的話，很可能不會成功。
您的具體問題的答案有兩個：
- 您可以手動更改任何設計中任何因素的等級。 迴歸分析可能不會得到給定模型的最優設計的支持，但它可能會起作用。 如果影響很大，那麼你仍然應該找到它們。
- 您無法更改 DSD 的等級並期望它像 DSD 一樣運作。 您將引入相關性並打破新分析所依賴的折疊對結構。 您仍然可以使用迴歸分析，但在像 DSD 這樣的經濟設計中，您沒有大量備用數據，因此任何層級的變更都會比大型設計產生更明顯的影響。
透過選擇 DOE > 設計診斷 > 評估設計來檢查等級變更的影響。 請按照啟動對話方塊進行操作，然後查看設計診斷大綱以了解詳細資訊。 將此資訊與原始 DSD 的資訊進行比較。
此外，您還可以模擬更改因子水準之前和之後的反應，並比較迴歸分析。
