确定性筛选设计 (DSD) 或部分因子分析<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />大家好，
我想我应该联系 SE 社区来回答我的客户问题，如下：
你可以吗提供我对部分因子设计比 DSD 更好的情况有一些见解？
谢谢，
- 玛丽
回复：确定性筛选设计 (DSD) 或分数阶乘关于 1., 我应该提到，覆盖数组并不是为了使用线性模型，而是为了确定性（通常是二项式）响应。 尤其如此，因为即使对于主效应模型，它们通常也会过饱和。 也就是说，它们确实具有很有前景的投影特性，可用作超饱和设计。
我在《2》中也看到了与你的观点相同的事情。 那些已经习惯了常规分数阶乘设计的人可能会被 DSD 的二因子相互作用中的部分混叠吓跑，并且宁愿在分辨率 IV 设计中遇到完全混淆，他们稍后会尝试将其分离。 即使您对二次项不感兴趣（或有 2 级分类因子），我仍然可能会采用别名最优设计，但我的观点有点偏见 
如上所述，如果您有资源来运行设计，如果想要估计所有相互作用，当然可能会优先考虑分辨率 V 设计，或者如果想要所有这些效果，则可能优先选择 RSM 设计。
干杯，
瑞安
回复：确定性筛选设计 (DSD) 或分数阶乘好吧……我在玛丽的问题上睡着了，并提出了一些其他的想法：
1. 覆盖阵列可能是一种合适的设计方法的情况怎么样？ 覆盖阵列不是一种分段设计吗？因为我们有意选择治疗组合来估计特定效果……而不是所有可能的效果。 我想我会将任何不允许独立估计所有可能影响的设计称为“部分因子设计”形式？
2. 还有田口 3**(kp) 关卡设计爱好者。 在大家认为我已经失去理智之前……请继续阅读。 这些人坚持将他们的设计强行纳入他的 L（运行次数）构造中。 在这种情况下，设计选择更多地受到参与计划实验的人的个人偏好和偏见的影响，而不是统计/建模效率、功效、可估计性等。在我的职业生涯中，我常常不得不与一个相对不擅长的人保持沉默。对于能源部来说，让他们进行任何设计的实验（即使有其他更有效的选择）是一个重大突破。 因此，有时我们必须相处融洽，我们会沿着这条路走下去，我希望在未来的工作中，我们能够看到其他更高效的设计系列和路径。
回复：确定性筛选设计 (DSD) 或分数阶乘玛丽，
该问题专门针对分数阶乘与 DSD 的比较
一种情况是需要检查少量因素（<6）（尽管我会挑战任何实验者考虑更多因素）。
第二种情况可能是效果稀疏性对某人不利，RES V 的分析难度较小。
话虽如此，了解多项式主动效应的额外优势远远超过了建模挑战因为增强和验证是你的朋友。
在处理多级分类、裂区场景和约束的分数阶乘比较领域之外，自定义 DOE 成为灵活性冠军。
回复：确定性筛选设计 (DSD) 或分数阶乘我想我在 Stu Hunter 的某个地方看到了一段视频，其中采访者（我想是我们自己的 Anne Milley？）问 Stu Hunter 对 DSD 的看法。 我认为 Stu 的回应是这样的：“我认为他们本质上使 2**(kp) RES III 和 IV 设计过时了。” 与贸易历史筛选设计中的这些库存相比，对 DSD 的评价相当高。
我想我可以为某些 RES V 设计提出一个论点，即我想要一个响应面模型（因此我必须运行附加到我的 RES V 2**(kp) 的 CCD，或者我们过去所说的弗兰肯斯汀设计？），我用样本大小来打击设计以提高功率......但这进入了无限预算的土地。 坦率地说，对于经典的关键因素筛选问题，实验行为的经济性至关重要，因此我很乐意运行 2**(kp) RES III 或 IV 设计......我很难想出与 DSD 相比，运行这些“部分因子设计”之一的原因。 我支持 Stu Hunter...我希望 DSD 是在我在柯达工作期间发明的。 我怀疑我永远不会回头......
