RSM、DSD、增強 DSD、空間填充增強 DSD你好社區，
伸出援手是因為，目前正處於選擇何種模式的困境。 我之前運行過 5 因子 CCC RSM，並成功建立了 R 平方值高於 0.95 的二次關係。 很棒吧？ 而且它是半因子設計，因此 27 次運行（1 個中心點，因為它們是模擬）。
這次，我計劃運行另一個 5 因素 RSM 或 DOE。 需要注意的是，以前的 RSM 阿爾法點很容易設計。 這次情況並非如此，限制是硬限制。 我考慮過 CCF 或 CCI（內切），但這兩種方法在精度或覆蓋整個感興趣的設計空間方面存在風險。
問題：您會向 CCC 推薦多少次運行或哪種替代型號？ 如何使用等於或少於 27 次遊程的替代設計充滿信心地預測線性、雙向交互作用和二次項？ 我害怕使用 DSD 或增強 DSD，甚至可能使用增強空間填充 DOE 的 DSD，因為與傳統 RSM 相比，相關矩陣存在差異。
CCC 被排除在外，因為有些設計是不可能實現的。
感謝你們！
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD歐普，
我對你的陳述和要求感到有點困惑。 馬克提出了一些很好的問題。 我希望你不介意，但我還有一些其他評論/問題和個人想法。
在不了解情況的情況下提供建議是極為困難的。 您試圖優化哪些反應變數？ 正在操縱哪些因素（以及與選擇這些因素相關的假設是什麼？）這是您正在運行的模擬，對嗎？ 你是如何模擬噪音的？ 意識到模擬中有一個程式演算法。 如果您正在操縱的因素不在該演算法中，它們將顯示為微不足道。 仿真軟體是誰寫的？ 您對模擬預測現實的信心有多大？ R 方並不能說明整個故事。 每次為模型增加自由度時，R 方都會增加。 我對 R 方和調整後的 R 方之間的增量感興趣。 調整後的 R 方應該是您的預設報告值。 如果這是模擬，為什麼要關心減少運行次數？ 你缺乏運算能力嗎？
考慮順序實驗（Box 博士的響應曲面方法），您可以從篩選設計（大量 x、預測變數）開始，以減少顯著性（感興趣）因素的數量。 這是基於稀缺性和效果等級原則。 然後，您迭代那些表現出興趣的內容（例如，數據中實際重要的、有趣的模式，與您的預測相比不尋常）。 最終，您可能想要最佳化並創建一些預測多項式（在現實世界中有用的多項式，而不是在模擬中有用的多項式）。 注意：複雜的非線性模型難以預測和管理。 如果您確實處於最佳空間，那麼進化操作（EVOP）之類的策略可能是更好的策略。
乾杯，
帳單
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD謝謝馬克，我認為相關性最小化是根本。 我現在正在將它們與臨時方法進行比較。 客製化設計比增強 DSD 少得多，這讓我有信心嘗試這種方法。
感謝你的寶貴時間！ 期待透過您的軟體和這些論壇了解更多！回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD沒問題。 我只想說清楚。
一些中心複合設計提供了消除模型別名的運行，但不是全部。 客製化設計將最大限度地減少或消除估計之間的相關性。 在進行特定設計之前，您還可以選擇要考慮的最優性標準和設計評估資訊。
我不建議透過空間填充設計來增強 DSD。 首先，使用 DSD 的主要好處之一是，如果篩選原則成立，則無需進行增強。 其次，增加空間填充設計的運作是一種臨時方法，不會利用任何關於原始設計 (DSD) 的資訊。 最後，有一個有針對性和有原則的方法：增強設計。 該平臺本質上是定制設計，但它從先前實驗的運行開始，並在您更改參數（因子範圍、模型項等）時補充這些運行。
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD標記，
感謝您澄清該術語。
我的意思是「興趣之窗」是我們可以創建設計的唯一視窗。 我想在使用 Design Expert 並設定 RSM 後，您可以評估您的設計，並且基於經典 CCD，沒有發現一階和二階項的混疊項。 我認為這就是我習慣使用的術語的根源，並且可能會造成混淆。
DSD + 空間填充，我一直在閱讀空間填充對於計算模擬的好處，但是基於“10N”規則，純粹的空間填充是昂貴的，其中 N 是因子的數量。 一位同事建議將 DSD 和空間填充相結合，這就是為什麼我想接觸並了解這是否是一條路徑。
順便說一句，我真的很喜歡自訂設計，所以感謝您的建議，它在 JMP 上使用起來非常簡單。 Design Expert具有自訂設計功能，但限制難以設定。
馬克，我真的很感謝你的回覆！ 能夠更好地了解他們真的很興奮。
——卡洛斯
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD我認為「確認的良好預測」是指您使用模型在先前未經測試的條件下預測了新的反應，並且結果與預測並不矛盾。
軸點（不是“α 點”）對於您使用的設計方法來說是唯一的。 中心複合設計使用軸點來估計特定因子的二階項（非線性效應）。 製作資料表後，您可以隨時將因子等級變更為更實用的值。 舊的 CCD 方法較不靈活。 順便說一句，客製化設計不使用軸點進行施工，因此避免超出原始係數範圍。
為什麼說RSM不存在術語混疊或混淆？ 你如何證明這說法的合理性？ 我認為您不理解“別名”和“混淆”這兩個術語的含義和用法。 此外，這些概念僅在因子設計的舊設計方法中才有意義。 相關性是一個更普遍和更具包容性的術語，適用於舊設計和新設計。
一旦選擇模型就將使用估計效率和功率分析的說法是無稽之談。 它們用於在觀察響應數據之前評估設計。 模型是在觀察響應後選擇的，此時估計效率和功率沒有任何意義。
小心“興趣之窗”心態。 我希望您的意思並不是說您選擇的因子範圍會受到預期最佳設定的限制。 這種方法通常會產生難以估計和測試的微小影響。
我看到另一個關於將 DSD 和空間填充設計結合使用的參考。 你能告訴我你是在哪裡找到這個想法的嗎？
祝你好運。
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD感謝馬克的快速回复，很難用幾段話來解釋所有內容，所以我會盡力回答你提出的一些觀點。
- 在第一種情況下，這是一個令人羨慕的 R 平方結果。 模型確認了嗎？
- 先前的 RSM 證實了良好的預測和調整的 r 平方值，這些值與測試數據一致，因此半階乘模型被認為非常適合我們的目的。
- 「阿爾法點很容易設計」、「限制是硬限制」和「對精度或覆蓋整個感興趣的設計空間造成風險」是什麼意思？
- 我所說的alpha 點是指，對於CCC 設計，alpha 點是「誇張」的設計，有助於優化窗口，這對於以前的RSM 來說很好，但這個新的設計更加複雜，並且轉到這些alpha 點是現在不可能了。 假設因子 4 的下限為 0，則 alpha 點會產生負值。
- 問「有多少次運行或哪種替代模型」是在進行「蘋果與橘子」的比較。 樣本大小是為了可估計性和效力而考慮的。 該模型考慮了偏差和方差。 你在問什麼？
- 是的，我知道 RSM 不存在混疊，也沒有直到二次關係的混淆項。 另一方面，具有增強設計（空間填充或任何方式）的 DSD 會混淆其中一些術語，但最終仍可以點預測與 RSM 相同的值。
- 你問 ”如何使用等於 27 次或更少的替代設計充滿信心地預測線性、雙向交互作用和二次項？ 」 估計效率和功耗分析可以幫助您回答這個問題。
- DSD 是為了篩選，所以只有當篩選原則抓住。 例如，您預計五個因素中最多有兩個會產生正面影響嗎？
- 你說“有些設計是不可能實現的。 」 為什麼？
- 這個更多的是 alpha 點，但如果它位於感興趣的視窗內，並且模型能夠在該視窗內很好地預測，那麼我們就成功了！ 我知道會有一定程度的混淆術語，但如果它能夠像 RSM 一樣充滿信心地進行預測，那麼我認為這是我願意探索的東西。
- 我一直在閱讀 DSD 和充滿空間的 DOE 來實現類似 RSM 的東西，但我想我不敢踏出這一步並嘗試它，因為這是一個巨大的時間投資。
- 像您建議的替代方案，我將使用自訂設計功能，看看什麼樣的功效和相關矩陣與其他矩陣相比。
謝謝馬克的寶貴時間！
——卡洛斯
回覆：RSM、DSD、增強 DSD 與空間填充增強 DSD你好像到處蹦蹦跳跳！ 讓我們冷靜下來，重新開始。
最終目標是適應成功的模式。 您選擇的模型是使用線性預測器的多元迴歸模型。 您可以收集任何您想要的數據並適合這樣的模型。 不過，您的數據可能會為擬合帶來問題。 因此設計試圖尋找線性模型的最佳數據。 不過，設計並不是一成不變的。
此外，設計原則也是不可避免的。 設計方法是可以互換的。 我推薦客製化設計，因為它是一種提供最大靈活性的現代方法。 如果它產生的設計具有不切實際或不可能的處理方法，只需改變它們。
我們來談談你的情況。
- 在第一種情況下，這是一個令人羨慕的 R 平方結果。 模型確認了嗎？
- 「阿爾法點很容易設計」、「限制是硬限制」和「對精度或覆蓋整個感興趣的設計空間造成風險」是什麼意思？
- 問「有多少次運行或哪種替代模型」是在進行「蘋果與橘子」的比較。 樣本大小是為了可估計性和效力而考慮的。 該模型考慮了偏差和方差。 你在問什麼？
- 你問 ”如何使用等於 27 次或更少的替代設計充滿信心地預測線性、雙向交互作用和二次項？ 」 估計效率和功耗分析可以幫助您回答這個問題。
- DSD 是為了篩選，所以只有當篩選原則抓住。 例如，您預計五個因素中最多有兩個會產生正面影響嗎？
- 你說“有些設計是不可能實現的。 」 為什麼？
