您好，我很好奇您对如何为自定义 DOE 选择模型的想法（例如两个连续因子）。 我知道如果我的目标是优化，我会选择一个 RS 模型，JMP 会在靠近设计空间中心的地方添加游程，但是当我检查设计点时，我总是觉得所选的因子水平之间存在许多巨大差距通过 JMP（我使用散点图检查）。 这让我担心我可能会错过优化的最佳位置。 如果我增加运行次数，我最终会得到更多的重复，而不会缩小这些差距。 我发现我将不得不尝试使用高阶模型（幂：4 次或 5 次）来填充这些空间。
我对 DOE 有点陌生，所以我想弄清楚这是否是正确的思考方式，或者只是相信如果我确保某些指标（方差），我不会错过 RSM 的最佳位置,power)在设计评价中看起来不错。 谢谢！
我希望每一个实验不是包括“甜蜜点”作为跑步。 即便如此，我还是总是每当我需要从经验证据中了解某事如何运作时，我都会进行实验。
任何刚从 mere 毕业的人都遇到过一个共同的困惑点测试到试验，所以不要为此感到难过。 一个实验的目的是获取最佳数据以拟合充分描述对因子变化的响应的模型. 这不是测试。 这个概念是成为大师、贪婪实验者的重要一步。
设计原则在任何设计方法中都适用。 我们将使用定制设计。
- 如有必要，您可以选择一个或多个有意义的回答。
- 您考虑影响响应的所有因素并选择其中一组进行研究。 其余的将在整个实验过程中保持不变。
- 您尽可能使用连续因子。 您对每个因子使用最宽的范围，以确保具有最大功效和最有效估计的大效应。
- 您为线性回归模型选择项来表示这些因素的所有影响，包括主效应、交互效应和足够阶的非线性效应。 通常，二阶效应在因子范围内就足够了，但允许更高阶的项。
- 您选择最优性标准：D-最优以强调参数估计和测试或 I-最优以强调预测。 （特殊情况还有其他标准。）
- 您决定此实验的运行预算并进行设计。
- JMP 确定因子水平最翔实的关于模型。 也就是说，它们共同提供了最好的数据来支持模型参数的估计。
（请注意，在设计实验以说明一般思维过程时，我故意忽略了许多考虑因素。）
最后一项任务不再是你的工作了。 不再期望单独运行会产生答案，即最佳点，就像在简单测试中那样。 这种方法是由模型驱动的，它是以模型为中心的。 例如，如果您知道这些因素没有非线性影响，那么端点以外的任何因素水平将提供较少的影响信息（斜率参数）。 一个贪婪的实验者永远不会浪费一次提供少于最大可用信息的条件的运行。
最佳点是通过模型预测的实验来确定的。 它不是特定条件测试的结果。 （当然，这个预测必须通过经验来证实。）
为设计选择模型是通过以下几种方法之一及其相关信念完成的：
- 从包含表示所有潜在影响的项的最大可能模型开始。 例如，JMP 中的默认 RSM 模型包括所有主效应、双因子交互效应和二阶非线性效应的项。 就运行次数而言，这种选择是最昂贵的。 不过，它可能不需要进一步的实验（为了经济而增加原始设计）。
- 从包含仅表示主要影响的项的最小可能模型开始。 JMP 中的默认模型提供了这组最小项。 如果存在高阶效应并且它们的估计值与主效应的估计值相关，则此设计将产生有偏估计。 这些难题可以通过在期间使用附加项对新模型进行额外运行来解决设计增强.
- 从您认为最合适的模型开始。 您不使用默认模型。 您为每个个案选择主效应、交互效应和非线性效应。 定制设计为每个术语提供了进一步的选择：如果可能的话可以估计。 此选项意味着您可以在模型中包含一个项，即使您在运行实验之前不确定它是否为非空项。 该设计对于一个模型不是最优的，而是在给定潜在项的所有可能模型的集合中最优的。
请注意，我从来没有考虑过达到最佳点的因素水平。 我不必。 我不应该。 该任务不是设计的角色。 该任务是模型的作用，所以让我们尽可能地获得最好的模型。 该结果需要最好的数据设计来估计我们的模型。
我希望这个简短的解释能有所帮助。 它缺乏有关 DOE 教育的完整课程，但希望它能阐明 DOE 中最佳点的来源以及应如何选择因子水平（通过设计，而不是您）。
见 JMP帮助>图书>实验设计有关将定制设计与 JMP 结合使用的更多信息。
看 ”实验的优化设计：案例研究方法" 由 Peter Goos 和 Bradley Jones 提供的现代实验方法，如果你喜欢自己学习的话。
看JMP 软件：定制实验设计如果您更喜欢专家的课堂教学。
