RSM、DSD、增强 DSD、空间填充增强 DSD你好社区，
伸出援手是因为，目前正处于选择何种模式的困境中。 我之前运行过 5 因子 CCC RSM，并成功构建了 R 平方值高于 0.95 的二次关系。 很棒吧？ 而且它是半因子设计，因此 27 次运行（1 个中心点，因为它们是模拟）。
这一次，我计划运行另一个 5 因素 RSM 或 DOE。 需要注意的是，以前的 RSM 阿尔法点很容易设计。 这次情况并非如此，限制是硬限制。 我考虑过 CCF 或 CCI（内切），但这两种方法在精度或覆盖整个感兴趣的设计空间方面存在风险。
问题：您会向 CCC 推荐多少次运行或哪种替代模型？ 如何使用等于或少于 27 次游程的替代设计充满信心地预测线性、双向相互作用和二次项？ 我害怕使用 DSD 或增强 DSD，甚至可能使用增强空间填充 DOE 的 DSD，因为与传统 RSM 相比，相关矩阵存在差异。
CCC 被排除在外，因为有些设计是不可能实现的。
感谢你们！
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD欧普，
我对你的陈述和要求感到有点困惑。 马克提出了一些很好的问题。 我希望你不介意，但我还有一些其他评论/问题和个人想法。
在不了解情况的情况下提供建议是极其困难的。 您试图优化哪些响应变量？ 正在操纵哪些因素（以及与选择这些因素相关的假设是什么？）这是您正在运行的模拟，对吗？ 你是如何模拟噪音的？ 意识到模拟中有一个编程算法。 如果您正在操纵的因素不在该算法中，它们将显示为微不足道。 仿真软件是谁写的？ 您对模拟预测现实的信心有多大？ R 方并不能说明整个故事。 每次为模型添加自由度时，R 方都会增加。 我对 R 方和调整后的 R 方之间的增量感兴趣。 调整后的 R 方应该是您的默认报告值。 如果这是模拟，为什么要关心减少运行次数？ 你缺乏计算能力吗？
考虑顺序实验（Box 博士的响应面法），您可以从筛选设计（大量 x、预测变量）开始，以减少显着性（感兴趣）因素的数量。 这是基于稀缺性和效果等级原则。 然后，您迭代那些表现出兴趣的内容（例如，数据中具有实际意义、有趣的模式，与您的预测相比不寻常）。 最终，您可能想要优化并创建一些预测多项式（在现实世界中有用的多项式，而不是在模拟中有用的多项式）。 注意：复杂的非线性模型难以预测和管理。 如果您确实处于最佳空间，那么进化操作（EVOP）之类的策略可能是更好的策略。
干杯，
账单
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD谢谢马克，我认为相关性最小化是根本。 我现在正在将它们与临时方法进行比较。 定制设计比增强 DSD 少得多，这让我有信心尝试这种方法。
感谢你的宝贵时间！ 期待通过您的软件和这些论坛了解更多信息！回复：RSM、DSD、增强 DSD 与空间填充增强 DSD没问题。 我只想说清楚。
一些中心复合设计提供了消除模型别名的运行，但不是全部。 定制设计将最大限度地减少或消除估计之间的相关性。 在进行特定设计之前，您还可以选择要考虑的最优性标准和设计评估信息。
我不建议通过空间填充设计来增强 DSD。 首先，使用 DSD 的主要好处之一是，如果筛选原则成立，则无需进行增强。 其次，添加空间填充设计的运行是一种临时方法，不会利用有关原始设计 (DSD) 的任何信息。 最后，有一个有针对性和有原则的方法：增强设计。 该平台本质上是定制设计，但它从先前实验的运行开始，并在您更改参数（因子范围、模型项等）时补充这些运行。
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD标记，
感谢您澄清该术语。
我的意思是“兴趣之窗”是我们可以创建设计的唯一窗口。 我想在使用 Design Expert 并设置 RSM 后，您可以评估您的设计，并且基于经典 CCD，没有发现一阶和二阶项的混叠项。 我认为这就是我习惯使用的术语的根源，并且可能会造成混淆。
DSD + 空间填充，我一直在阅读空间填充对于计算模拟的好处，但是基于“10N”规则，纯粹的空间填充是昂贵的，其中 N 是因子的数量。 一位同事建议将 DSD 和空间填充相结合，这就是为什么我想接触并了解这是否是一条路径。
顺便说一句，我真的很喜欢自定义设计，所以感谢您的建议，它在 JMP 上使用起来非常简单。 Design Expert具有自定义设计功能，但限制很难设置。
马克，我真的很感谢你的回复！ 能够更好地了解他们真的很兴奋。
——卡洛斯
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD我认为“确认的良好预测”是指您使用模型在先前未经测试的条件下预测了新的响应，并且结果与预测并不矛盾。
轴点（不是“α 点”）对于您使用的设计方法来说是唯一的。 中心复合设计使用轴点来估计特定因子的二阶项（非线性效应）。 制作数据表后，您可以随时将因子水平更改为更实用的值。 旧的 CCD 方法不太灵活。 顺便说一句，定制设计不使用轴点进行施工，因此避免超出原始系数范围。
为什么说RSM不存在术语混叠或混淆？ 你如何证明这一说法的合理性？ 我认为您不理解“别名”和“混淆”这两个术语的含义和用法。 此外，这些概念仅在因子设计的旧设计方法中才有意义。 相关性是一个更普遍和更具包容性的术语，适用于旧设计和新设计。
一旦选择模型就将使用估计效率和功率分析的说法是无稽之谈。 它们用于在观察响应数据之前评估设计。 模型是在观察响应后选择的，此时估计效率和功率没有任何意义。
小心“兴趣之窗”心态。 我希望您的意思并不是说您选择的因子范围会受到预期最佳设置的限制。 这种方法通常会产生难以估计和测试的微小影响。
我看到过另一个关于将 DSD 和空间填充设计结合使用的参考。 你能告诉我你是在哪里找到这个想法的吗？
祝你好运。
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD感谢马克的快速回复，很难用几段话来解释所有内容，所以我会尽力回答你提出的一些观点。
- 在第一种情况下，这是一个令人羡慕的 R 平方结果。 模型确认了吗？
- 之前的 RSM 证实了良好的预测和调整的 r 平方值，这些值与测试数据一致，因此半阶乘模型被认为非常适合我们的目的。
- “阿尔法点很容易设计”、“限制是硬限制”和“对精度或覆盖整个感兴趣的设计空间造成风险”是什么意思？
- 我所说的 alpha 点是指，对于 CCC 设计，alpha 点是“夸张”的设计，有助于优化窗口，这对于以前的 RSM 来说很好，但这个新的设计更加复杂，并且转到这些 alpha 点是现在不可能了。 假设因子 4 的下限为 0，则 alpha 点将生成负值。
- 问“有多少次运行或哪种替代模型”是在进行“苹果与橙子”的比较。 样本大小是为了可估计性和功效而考虑的。 该模型考虑了偏差和方差。 你在问什么？
- 是的，我知道 RSM 不存在混叠，也没有直到二次关系的混淆项。 另一方面，具有增强设计（空间填充或任何方式）的 DSD 会混淆其中一些术语，但最终仍然可以点预测与 RSM 相同的值。
- 你问 ”如何使用等于 27 次或更少的替代设计充满信心地预测线性、双向相互作用和二次项？ ” 估计效率和功耗分析可以帮助您回答这个问题。
- DSD 是为了筛选，所以只有当筛选原则抓住。 例如，您预计五个因素中最多有两个会产生积极影响吗？
- 你说“有些设计是不可能实现的。 ” 为什么？
- 这个更多的是 alpha 点，但如果它位于感兴趣的窗口内，并且模型能够在该窗口内很好地预测，那么我们就成功了！ 我知道会有一定程度的混淆术语，但如果它能够像 RSM 一样充满信心地进行预测，那么我认为这是我愿意探索的东西。
- 我一直在阅读 DSD 和充满空间的 DOE 来实现类似 RSM 的东西，但我想我不敢迈出这一步并尝试它，因为这是一个巨大的时间投资。
- 像您建议的替代方案，我将使用自定义设计功能，看看什么样的功效和相关矩阵与其他矩阵相比。
谢谢马克的宝贵时间！
——卡洛斯
回复：RSM、DSD、增强 DSD 与空间填充增强 DSD你好像到处蹦蹦跳跳！ 让我们冷静下来，重新开始。
最终目标是适应成功的模式。 您选择的模型是使用线性预测器的多元回归模型。 您可以收集任何您想要的数据并适合这样的模型。 不过，您的数据可能会给拟合带来问题。 因此设计试图寻找线性模型的最佳数据。 不过，设计并不是一成不变的。
此外，设计原则也是不可避免的。 设计方法是可以互换的。 我推荐定制设计，因为它是一种提供最大灵活性的现代方法。 如果它产生的设计具有不切实际或不可能的处理方法，只需改变它们。
我们来谈谈你的情况吧。
- 在第一种情况下，这是一个令人羡慕的 R 平方结果。 模型确认了吗？
- “阿尔法点很容易设计”、“限制是硬限制”和“对精度或覆盖整个感兴趣的设计空间造成风险”是什么意思？
- 问“有多少次运行或哪种替代模型”是在进行“苹果与橙子”的比较。 样本大小是为了可估计性和功效而考虑的。 该模型考虑了偏差和方差。 你在问什么？
- 你问 ”如何使用等于 27 次或更少的替代设计充满信心地预测线性、双向相互作用和二次项？ ” 估计效率和功耗分析可以帮助您回答这个问题。
- DSD 是为了筛选，所以只有当筛选原则抓住。 例如，您预计五个因素中最多有两个会产生积极影响吗？
- 你说“有些设计是不可能实现的。 ” 为什么？
