DOE：DSD 之后是全面定制设计还是增强设计？我有 7 个连续因子和 2 个离散数字因子（存在/不存在）。 我想使用 DOE 来确定哪些因素在响应中发挥作用，确定因素之间是否存在任何相互作用，并最终确定最佳响应的因素范围。
我可以想到两种方法来做到这一点，但我不确定哪一种可以为我提供更准确的模型来识别因素和相互作用。
1) 我记得两年前DOE课堂培训中JMP现在更喜欢用户使用定制设计。 我使用了定制设计并研究了所有 9 个因素的主要效应和第二个相互作用。 我有 52 次跑步。 然后我需要建立另一个采用 RSM 设计的 DOE 来识别二次效应。
2) 我使用 DSD 并进行了 25 次运行。 分析 DSD 的数据后，我应该能够缩小到几个关键因素（例如 4-5 个因素），我将用这 5 个因素来增强设计，并添加第二个交互作用和二次效应。 我将使用 DSD 的分析来修复其他因素。 然后我需要设置 9 个额外的运行并将它们分组到一个新块中。
我的第二种方法允许我减少 18 次运行（52 次与 25+9 次相比），并且可以灵活地根据增强设计中的某些因素更改我的范围。 我知道，如果我更改某些因素的范围，我需要更多的运行来降低预测方差。
我只能看到进行增强设计的优点。 同时考虑所有因素进行定制设计有什么优势？ 我什么时候应该使用增强设计与定制设计？
谢谢。
实验设计回复：DOE：DSD 之后全面定制设计还是增强设计？谢谢。 我现在对规划 DOE 有了更好的理解。
当我第一次了解 DOE 时，我被教导使用定制设计或 DSD 来查看主效应和交互作用，以排除一些因素。 然后我将使用响应面模型来识别是否存在非线性效应并最大化响应。 无论我可以进行多少次运行或我正在测试的因素有多少，我总是遵循这种方法。 阅读您的评论后，我想我可以在一个自定义设计中完成这一切，并理解为什么我可以做到这一切。 我们的团队将进行 32 次运行，看看效果如何。
感谢您提醒我使用广泛的因子范围。 这是我一直牢记并告诉其他人的一件事。
回复：DOE：DSD 之后全面定制设计还是增强设计？我不知道您从哪里得到这样的想法：对于 (1)，您需要一个具有 52 次运行且需要增强的自定义设计。 同样，我不知道您从哪里得到这样的想法：对于 (2)，您必须增强 DSD 才能估计出比主效应更多的结果。
DSD 是 RSM 模型的别名最优定制设计的特例。 DSD 就是这样被发现的。
您可能不必增强 DSD。 如果不超过 3 个因子处于活动状态，则 9 个因子的 DSD 将支持完整的二次模型，该模型通常在响应范围内足够准确。 添加额外的运行将增加设计的能力和覆盖范围，因为您实际上是添加了“假”因素。 这种变化使得“效果稀疏”原则更有可能实现。
当其中一种特殊设计方法（例如 DSD）不合适或不适用时，定制设计仍然是最佳选择。 例如，如果您有难以改变的因素，那么您不应该使用DSD。 它还提供其他筛选机会。 您可以指定 RSM 模型，然后将所有高阶项的可估计性从“必要”更改为“如果可能”。 这个定义将大大减少最小运行次数。 然后为您期望处于活动状态的每个潜在术语添加回 3-4 次运行。 例如，如果我期望两个非线性效应以及与 7 个连续因子和 2 个分类因子的三个交互作用，则我的自定义设计将为 10 + (2+3)*4 = 30 次运行。 我将来应该不需要增强这个设计。 如果效应大小至少是响应标准差的两倍，则这种贝叶斯 I 最优设计会表现出非常高的功效。
评估模型准确性的唯一方法是确认其预测。 我建议至少两种预测：最佳响应的设置和较差响应的设置。 如果模型能够预测任何地方的响应，我会更加信任它。
最后，请确保始终对所有连续因子使用较宽的因子范围，以确保最大功效和最小估计标准误差。 不要因为您认为您知道任何实验中的最佳设置在哪里而更改、限制或减小因子范围。 当宽因子范围可以为您提供更多经验数据和更经济的设计经验时，为什么要添加额外的运行呢？ 为什么要本地化模型？
