確定性篩選設計 (DSD) 或部分因子分析<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />大家好，
我想我應該聯繫 SE 社群來回答我的客戶問題，如下：
你可以嗎提供我對部分因子設計比 DSD 更好的情況有一些見解？
謝謝，
- 瑪麗
回覆：確定性篩選設計 (DSD) 或分數階乘關於 1., 我應該提到，覆蓋數組並不是為了使用線性模型，而是為了確定性（通常是二項式）響應。 尤其如此，因為即使對於主效應模型，它們通常也會過度飽和。 也就是說，它們確實具有很有前景的投影特性，可用作超飽和設計。
我在《2》中也看到了與你的觀點相同的事。 那些已經習慣了常規分數階乘設計的人可能會被 DSD 的二因子相互作用中的部分混疊嚇跑，並且寧願在分辨率 IV 設計中遇到完全混淆，他們稍後會嘗試將其分離。 即使您對二次項不感興趣（或有 2 級分類因子），我仍然可能會採用別名最優設計，但我的觀點有點偏見 
如上所述，如果您有資源來運行設計，如果您想要估計所有交互作用，當然可能會優先考慮解析度 V 設計，或者如果您想要所有這些效果，則可能優先選擇 RSM 設計。
乾杯，
瑞安
回覆：確定性篩選設計 (DSD) 或分數階乘好吧……我在瑪麗的問題上睡著了，並提出了一些其他的想法：
1. 覆蓋陣列可能是合適的設計方法的情況怎麼樣？ 覆蓋陣列不是一種分段設計嗎？因為我們有意選擇治療組合來估計特定效果…而不是所有可能的效果。 我想我會將任何不允許獨立估計所有可能影響的設計稱為“部分因子設計”形式？
2. 還有田口 3**(kp) 關卡設計愛好者。 在大家認為我已經失去理智之前…請繼續閱讀。 這些人堅持將他們的設計強行納入他的 L（運行次數）建構中。 在這種情況下，設計選擇更多地受到參與計劃實驗的人的個人偏好和偏見的影響，而不是統計/建模效率、功效、可估計性等。在我的職業生涯中，我通常不得不與一個相對不擅長的人保持沉默。對於能源部來說，讓他們進行任何設計的實驗（即使有其他更有效的選擇）是一個重大突破。 因此，有時我們必須相處融洽，我們會沿著這條路走下去，我希望在未來的工作中，我們能夠看到其他更有效率的設計系列和路徑。
回覆：確定性篩選設計 (DSD) 或分數階乘瑪麗，
此問題專門針對分數階乘與 DSD 的比較
一種情況是需要檢查少量因素（<6）（儘管我會挑戰任何實驗者考慮更多因素）。
第二種情況可能是效果稀疏性對某人不利，RES V 的分析難度較低。
話雖如此，了解多項式主動效應的額外優勢遠遠超過了模型挑戰因為增強和驗證是你的朋友。
在處理多層次分類、裂區場景和限制的分數階乘比較領域之外，自訂 DOE 成為彈性冠軍。
回覆：確定性篩選設計 (DSD) 或分數階乘我想我在 Stu Hunter 的某個地方看到了一段視頻，其中採訪者（我想是我們自己的 Anne Milley？）問 Stu Hunter 對 DSD 的看法。 我認為 Stu 的回應是這樣的：“我認為他們本質上使 2**(kp) RES III 和 IV 設計過時了。” 與貿易歷史篩選設計中的這些庫存相比，對 DSD 的評價相當高。
我想我可以為某些 RES V 設計提出一個論點，即我想要一個響應曲面模型（因此我必須運行附加到我的 RES V 2**(kp) 的 CCD，或者我們過去所說的弗蘭肯斯汀設計？），我用樣本大小來打擊設計以提高功率......但這進入了無限預算的土地。 坦白說，對於經典的關鍵因素篩選問題，實驗行為的經濟性至關重要，因此我很樂意運行 2**(kp) RES III 或 IV 設計......我很難想出與DSD相比，運行這些“部分因子設計”之一的原因。 我支持 Stu Hunter...我希望 DSD 是在我在柯達工作期間發明的。 我懷疑我永遠不會回頭......
