JMP 自定义 DOE 与全因子 DOE你好，
我是 JMP 新手。 我想学习和理解自定义 DOE 设计和全阶乘 DOE 设计之间的区别。 我正在设计一个使用 4 个变量的实验（每个变量 2 个级别，第四个变量是 calcategories）。 全阶乘需要 16 次运行。 然而，当我在自定义设计中构建实验时，JMP 中的默认运行次数为 12。 为什么每个项目的运行次数不同？ 我明白为什么它的全阶乘 (2^4) 是 16。 但为什么 JMP 在定制设计中只推荐 12 个？ 这些设计中的每一个都假设/考虑了什么？
我将非常感谢对此的任何帮助！
谢谢，
沙吉斯
回复：JMP 自定义 DOE 与全阶乘 DOE我有不同的看法，但在提出之前，我只想说实验设计的策略和原则对于设计方法的选择是不变的。
经典（常规）部分因子设计的缺点是令人困惑。 （我希望你也不喜欢 Plackett-Burman 设计，因为它们也会导致相关效应，而不是混杂效应。）混杂可能很容易理解（我不这么认为），但我仍然无法估计很多的效果。 关键筛选原则指导我对混杂效应的决定，但这些原则并不能得到保证，因此我的结论也不能得到保证。 对于大多数用户来说，混杂模式是任意的（最小像差设计）。 我可以在有限的范围内选择混杂因素，但这并不容易，如果我先验知识很少，我会改变什么？ 所以经典的设计也有一定的风险。
定制设计要求我预先指定我想要估计的内容。 当模型不确定时，它进一步使我能够识别主要和潜在的影响，以产生对一组模型而言最佳的设计。 然后，它最小化估计之间的相关性（D 最优），以便可以对每种效应进行估计，尽管如果无法消除相关性，则方差会更大。 在 DOE 策略中，无论采用何种设计方法，我都会尽一切可能最大化效应大小，同时最小化方差。 我什至可以通过别名优化设计更轻松地管理相关性。
尽管存在相关估计，但使用单纯形设计的最简单的混合实验仍能成功。 在我看来，这些设计没有混淆效果是一件好事。
在部分因子设计中添加中心点也会引入效应相关性。
JMP 中的增强设计方法（具有固定运行集的自定义设计）并不困难。 这是我所知道的计划下一轮实验和增加经验证据的最简单、最灵活的方法。 我可以指定新的因子范围、新的模型项和新的运行次数。 没有牺牲。
当定制设计对于因子、模型、随机化和分块的给定设计规范来说是最佳的时，它将产生经典结果。 但定制设计可以使所有其他设计介于经典选择之间。 除了经济性之外，定制设计还具有许多优点。 那么为什么我应该从经典设计开始呢？
回复：JMP 自定义 DOE 与全阶乘 DOE@SajithD不要对第二篇文章进行过于精细的梳理，显示仅具有主效应的模型规范窗口和 12 次运行的设计...您可以估计选择的两个因子相互作用。 原因是你有足够的自由度来这样做。 但作为@statman指出...您需要确保花几分钟时间使用设计评估平台来了解参数估计之间的相关性。 12 次运行设计将最有效地仅估计主效应...但您可以估计两个因素的相互作用。
回复：JMP 自定义 DOE 与全阶乘 DOE添加两个想法@cwillden和@statman的合理建议：
1. 最佳设计方法允许实验计划团队阐明您不希望包含在实验设计中的特定组合（该短语通常称为“不允许的组合”）。 有时，特定的组合并不令人感兴趣，或者可能会导致所研究的系统发生灾难性故障，或者对设备、人员或环境造成安全隐患。 因此，JMP 的定制设计规划部分允许实验者禁止这些组合。 通过经典设计，您可以根据因素的数量、选择的别名（如果对设计进行细分）及其级别来获得结果。
2. 通常，资源比其他任何因素都更能决定实验中的运行次数。 材料、设备时间、测试工作量，都会起到约束作用。 这就是为什么 JMP 的自定义设计平台允许您指定要包含在实验中的确切运行次数。 同样，经典设计的运行次数是“你得到你得到的”，而无法使实验适应资源限制。
回复：JMP 自定义 DOE 与全阶乘 DOE正确，卡梅伦的解释相当好。
我想说的是，对于最佳设计的使用存在不同的意见......最佳设计可以提供更少的运行/资源的好处，但并非没有风险。
经典分数阶乘的优点是能够轻松理解混叠，不存在部分混叠。 您可以选择要估计的内容和要混淆的内容。 当您要进行迭代时，这非常有用。 最佳设计的潜在问题是部分混叠……解释没有工程或科学意义的结果可能具有挑战性。 计划和执行下一个消除混杂效应的实验可能很困难。 诚然，我对自己的经历抱有极大的偏见。 我发现实验最好按顺序进行（在第一个实验中以最佳水平测试正确因素的可能性有多大？）。 第一个实验的目的是设计一个更好的实验。 因此，所需的全部“运行”次数与第一个实验无关，而是与整个研究无关。 虽然最优设计可以节省资源，但它们可能会牺牲迭代运行的多个分数设计的可加性优势。 关于设计选择的另一个考虑因素是您将如何处理噪声......但这是另一个讨论。
回复：JMP 自定义 DOE 与全阶乘 DOE太感谢了！ 这个解释非常有帮助。
我猜测在自定义设计下我需要指定我希望模型估计哪些高阶交互。 例如，下面是我的设计的屏幕截图。 基于此，我的设计只能估计主效应，对吗？ 如果我需要高阶交互，我猜我需要在模型下指定？
再次非常感谢您的帮助，卡梅伦！
沙吉斯
回复：JMP 自定义 DOE 与全阶乘 DOE这是该问题中包含的整个研究过程，但我会尽力总结。定制设计建立在完全不同的“最佳”或“算法”设计范例之上。全因子设计是 DOE 的经典类型。他们在设计中强制执行所有可能的因素水平组合。这为设计提供了一些非常理想的属性，例如正交效应（模型项之间没有相关性，因此对于给定的运行次数以最大精度估计系数）。您还可以估计 n 个因子的所有主效应和高阶项，直至 n 向交互。然而，您会发现这些设计的尺寸很快就会爆炸。包含 8 个因子（每个因子有 2 个水平）的全阶乘有 2^8 = 256 次游程。在大多数情况下，运行次数太多了。
在经典设计中，您会寻求分数阶乘来减少运行次数。这些设计策略性地混淆了高阶模型项，以显着减小设计尺寸。在许多情况下，实验者只对主效应和两因素相互作用感兴趣。因此，失去估计 8、7、6、5、4 向交互的能力并没有什么影响。例如，我可以在仅 64 次运行中进行 8 个因子的分数阶乘（比 254 低很多！），并且仍然具有不相关的主效应和 2 因子交互作用，甚至可以估计比这更高的阶数，具体取决于细分化程度。这些设计，以及许多其他经典设计，都是源自理论。
最佳设计是由计算机算法生成的，您基本上将所需的内容描述为算法的输入，然后它会返回具有最佳设计点集的设计，以满足您的实验目标。它通过在设计空间内重新排列设计点（也称为运行条件）的过程来实现这一点，直到优化某些优化标准（针对某些标准最大化或针对其他标准最小化）。有 2 个非常突出的最优性标准：D 最优性和 I 最优性。D 最优性强调模型系数的精确估计（使其成为一个非常好的全面选择，但在筛选人们通常选择部分因子设计的情况时表现出色）。I-最优性强调低预测方差，并且与响应曲面设计更相关。基本思想是，虽然经典设计非常严格且不妥协，但最佳设计可以根据您的需求定制实验。我可以通过 48 次运行对 8 因子情况进行不错的设计，并且仍然能够估计我关心的所有模型项（主效应和 2 因子交互作用）。我通过允许模型项之间存在一些部分相关性来支付这种便利，但这通常没有什么影响。
您将在定制设计中找到其他最优标准。A-最优性是一个较新的补充，我认为它们是非常引人注目的设计。
