DOE：DSD 之後是全面定制設計還是增強設計？我有 7 個連續因子和 2 個離散數字因子（存在/不存在）。 我想使用 DOE 來確定哪些因素在響應中發揮作用，確定因素之間是否存在任何相互作用，並最終確定最佳響應的因素範圍。
我可以想到兩種方法來做到這一點，但我不確定哪一種可以為我提供更準確的模型來識別因素和相互作用。
1) 我記得兩年前DOE課堂培訓中JMP現在更喜歡用戶使用定制設計。 我使用了定制設計並研究了所有 9 個因素的主要效應和第二個相互作用。 我有 52 次跑步。 然後我需要建立另一個採用 RSM 設計的 DOE 來識別二次效應。
2) 我使用 DSD 並進行了 25 次運行。 分析 DSD 的數據後，我應該能夠縮小到幾個關鍵因素（例如 4-5 個因素），我將用這 5 個因素來增強設計，並添加第二個交互作用和二次效應。 我將使用 DSD 的分析來修復其他因素。 然後我需要設置 9 個額外的運行並將它們分組到一個新塊中。
我的第二種方法允許我減少 18 次運行（52 次與 25+9 次相比），並且可以靈活地根據增強設計中的某些因素更改我的範圍。 我知道，如果我更改某些因素的範圍，我需要更多的運行來降低預測方差。
我只能看到進行增強設計的優點。 同時考慮所有因素進行定制設計有什麼優勢？ 我什麼時候應該使用增強設計與定制設計？
謝謝。
實驗設計回复：DOE：DSD 之後全面定制設計還是增強設計？謝謝。 我現在對規劃 DOE 有了更好的理解。
當我第一次了解 DOE 時，我被教導使用定制設計或 DSD 來查看主效應和交互作用，以排除一些因素。 然後我將使用響應面模型來識別是否存在非線性效應並最大化響應。 無論我可以進行多少次運行或我正在測試的因素有多少，我總是遵循這種方法。 閱讀您的評論後，我想我可以在一個自定義設計中完成這一切，並理解為什麼我可以做到這一切。 我們的團隊將進行 32 次運行，看看效果如何。
感謝您提醒我使用廣泛的因子範圍。 這是我一直牢記並告訴其他人的一件事。
回复：DOE：DSD 之後全面定制設計還是增強設計？我不知道您從哪裡得到這樣的想法：對於 (1)，您需要一個具有 52 次運行且需要增強的自定義設計。 同樣，我不知道您從哪裡得到這樣的想法：對於 (2)，您必須增強 DSD 才能估計出比主效應更多的結果。
DSD 是 RSM 模型的別名最優定制設計的特例。 DSD 就是這樣被發現的。
您可能不必增強 DSD。 如果不超過 3 個因子處於活動狀態，則 9 個因子的 DSD 將支持完整的二次模型，該模型通常在響應範圍內足夠準確。 添加額外的運行將增加設計的能力和覆蓋範圍，因為您實際上是添加了“假”因素。 這種變化使得“效果稀疏”原則更有可能實現。
當其中一種特殊設計方法（例如 DSD）不合適或不適用時，定制設計仍然是最佳選擇。 例如，如果您有難以改變的因素，那麼您不應該使用DSD。 它還提供其他篩選機會。 您可以指定 RSM 模型，然後將所有高階項的可估計性從“必要”更改為“如果可能”。 這個定義將大大減少最小運行次數。 然後為您期望處於活動狀態的每個潛在術語添加回 3-4 次運行。 例如，如果我期望兩個非線性效應以及與 7 個連續因子和 2 個分類因子的三個交互作用，則我的自定義設計將為 10 + (2+3)*4 = 30 次運行。 我將來應該不需要增強這個設計。 如果效應大小至少是響應標準差的兩倍，則這種貝葉斯 I 最優設計會表現出非常高的功效。
評估模型準確性的唯一方法是確認其預測。 我建議至少兩種預測：最佳響應的設置和較差響應的設置。 如果模型能夠預測任何地方的響應，我會更加信任它。
最後，請確保始終對所有連續因子使用較寬的因子範圍，以確保最大功效和最小估計標準誤差。 不要因為您認為您知道任何實驗中的最佳設置在哪里而更改、限製或減小因子範圍。 當寬因子範圍可以為您提供更多經驗數據和更經濟的設計經驗時，為什麼要添加額外的運行呢？ 為什麼要本地化模型？
