JMP 自定義 DOE 與全因子 DOE你好，
我是 JMP 新手。 我想學習和理解自定義 DOE 設計和全階乘 DOE 設計之間的區別。 我正在設計一個使用 4 個變量的實驗（每個變量 2 個級別，第四個變量是 calcategories）。 全階乘需要 16 次運行。 然而，當我在自定義設計中構建實驗時，JMP 中的默認運行次數為 12。 為什麼每個項目的運行次數不同？ 我明白為什麼它的全階乘 (2^4) 是 16。 但為什麼 JMP 在定制設計中只推薦 12 個？ 這些設計中的每一個都假設/考慮了什麼？
我將非常感謝對此的任何幫助！
謝謝，
沙吉斯
回复：JMP 自定義 DOE 與全階乘 DOE我有不同的看法，但在提出之前，我只想說實驗設計的策略和原則對於設計方法的選擇是不變的。
經典（常規）部分因子設計的缺點是令人困惑。 （我希望你也不喜歡 Plackett-Burman 設計，因為它們也會導致相關效應，而不是混雜效應。）混雜可能很容易理解（我不這麼認為），但我仍然無法估計很多的效果。 關鍵篩選原則指導我對混雜效應的決定，但這些原則並不能得到保證，因此我的結論也不能得到保證。 對於大多數用戶來說，混雜模式是任意的（最小像差設計）。 我可以在有限的範圍內選擇混雜因素，但這並不容易，如果我先驗知識很少，我會改變什麼？ 所以經典的設計也有一定的風險。
定制設計要求我預先指定我想要估計的內容。 當模型不確定時，它進一步使我能夠識別主要和潛在的影響，以產生對一組模型而言最佳的設計。 然後，它最小化估計之間的相關性（D 最優），以便可以對每種效應進行估計，儘管如果無法消除相關性，則方差會更大。 在 DOE 策略中，無論採用何種設計方法，我都會盡一切可能最大化效應大小，同時最小化方差。 我什至可以通過別名優化設計更輕鬆地管理相關性。
儘管存在相關估計，但使用單純形設計的最簡單的混合實驗仍能成功。 在我看來，這些設計沒有混淆效果是一件好事。
在部分因子設計中添加中心點也會引入效應相關性。
JMP 中的增強設計方法（具有固定運行集的自定義設計）並不困難。 這是我所知道的計劃下一輪實驗和增加經驗證據的最簡單、最靈活的方法。 我可以指定新的因子範圍、新的模型項和新的運行次數。 沒有犧牲。
當定制設計對於因子、模型、隨機化和分塊的給定設計規範來說是最佳的時，它將產生經典結果。 但定制設計可以使所有其他設計介於經典選擇之間。 除了經濟性之外，定制設計還具有許多優點。 那麼為什麼我應該從經典設計開始呢？
回复：JMP 自定義 DOE 與全階乘 DOE@SajithD不要對第二篇文章進行過於精細的梳理，顯示僅具有主效應的模型規範窗口和 12 次運行的設計...您可以估計選擇的兩個因子相互作用。 原因是你有足夠的自由度來這樣做。 但作為@statman指出...您需要確保花幾分鐘時間使用設計評估平台來了解參數估計之間的相關性。 12 次運行設計將最有效地僅估計主效應...但您可以估計兩個因素的相互作用。
回复：JMP 自定義 DOE 與全階乘 DOE添加兩個想法@cwillden和@statman的合理建議：
1. 最佳設計方法允許實驗計劃團隊闡明您不希望包含在實驗設計中的特定組合（該短語通常稱為“不允許的組合”）。 有時，特定的組合併不令人感興趣，或者可能會導致所研究的系統發生災難性故障，或者對設備、人員或環境造成安全隱患。 因此，JMP 的定制設計規劃部分允許實驗者禁止這些組合。 通過經典設計，您可以根據因素的數量、選擇的別名（如果對設計進行細分）及其級別來獲得結果。
2. 通常，資源比其他任何因素都更能決定實驗中的運行次數。 材料、設備時間、測試工作量，都會起到約束作用。 這就是為什麼 JMP 的自定義設計平台允許您指定要包含在實驗中的確切運行次數。 同樣，經典設計的運行次數是“你得到你得到的”，而無法使實驗適應資源限制。
回复：JMP 自定義 DOE 與全階乘 DOE正確，卡梅倫的解釋相當好。
我想說的是，對於最佳設計的使用存在不同的意見......最佳設計可以提供更少的運行/資源的好處，但並非沒有風險。
經典分數階乘的優點是能夠輕鬆理解混疊，不存在部分混疊。 您可以選擇要估計的內容和要混淆的內容。 當您要進行迭代時，這非常有用。 最佳設計的潛在問題是部分混疊……解釋沒有工程或科學意義的結果可能具有挑戰性。 計劃和執行下一個消除混雜效應的實驗可能很困難。 誠然，我對自己的經歷抱有極大的偏見。 我發現實驗最好按順序進行（在第一個實驗中以最佳水平測試正確因素的可能性有多大？）。 第一個實驗的目的是設計一個更好的實驗。 因此，所需的全部“運行”次數與第一個實驗無關，而是與整個研究無關。 雖然最優設計可以節省資源，但它們可能會犧牲迭代運行的多個分數設計的可加性優勢。 關於設計選擇的另一個考慮因素是您將如何處理噪聲......但這是另一個討論。
回复：JMP 自定義 DOE 與全階乘 DOE太感謝了！ 這個解釋非常有幫助。
我猜測在自定義設計下我需要指定我希望模型估計哪些高階交互。 例如，下面是我的設計的屏幕截圖。 基於此，我的設計只能估計主效應，對嗎？ 如果我需要高階交互，我猜我需要在模型下指定？
再次非常感謝您的幫助，卡梅倫！
沙吉斯
回复：JMP 自定義 DOE 與全階乘 DOE這是該問題中包含的整個研究過程，但我會盡力總結。定制設計建立在完全不同的“最佳”或“算法”設計範例之上。全因子設計是 DOE 的經典類型。他們在設計中強制執行所有可能的因素水平組合。這為設計提供了一些非常理想的屬性，例如正交效應（模型項之間沒有相關性，因此對於給定的運行次數以最大精度估計係數）。您還可以估計 n 個因子的所有主效應和高階項，直至 n 向交互。然而，您會發現這些設計的尺寸很快就會爆炸。包含 8 個因子（每個因子有 2 個水平）的全階乘有 2^8 = 256 次遊程。在大多數情況下，運行次數太多了。
在經典設計中，您會尋求分數階乘來減少運行次數。這些設計策略性地混淆了高階模型項，以顯著減小設計尺寸。在許多情況下，實驗者只對主效應和兩因素相互作用感興趣。因此，失去估計 8、7、6、5、4 向交互的能力並沒有什麼影響。例如，我可以在僅64 次運行中進行8 個因子的分數階乘（比254 低很多！），並且仍然具有不相關的主效應和2 因子交互作用，甚至可以估計比這更高的階數，具體取決於細分化程度。這些設計，以及許多其他經典設計，都是源自理論。
最佳設計是由計算機算法生成的，您基本上將所需的內容描述為算法的輸入，然後它會返回具有最佳設計點集的設計，以滿足您的實驗目標。它通過在設計空間內重新排列設計點（也稱為運行條件）的過程來實現這一點，直到優化某些優化標準（針對某些標準最大化或針對其他標準最小化）。有 2 個非常突出的最優性標準：D 最優性和 I 最優性。D 最優性強調模型係數的精確估計（使其成為一個非常好的全面選擇，但在篩選人們通常選擇部分因子設計的情況時表現出色）。I-最優性強調低預測方差，並且與響應曲面設計更相關。基本思想是，雖然經典設計非常嚴格且不妥協，但最佳設計可以根據您的需求定制實驗。我可以通過 48 次運行對 8 因子情況進行不錯的設計，並且仍然能夠估計我關心的所有模型項（主效應和 2 因子交互作用）。我通過允許模型項之間存在一些部分相關性來支付這種便利，但這通常沒有什麼影響。
您將在定制設計中找到其他最優標準。A-最優性是一個較新的補充，我認為它們是非常引人注目的設計。
