使用 DSD 方法实施不允许的因素组合和/或线性约束？大家好，
我目前正在努力将 DSD 平台的优势与定制设计平台结合起来，但没有找到可行的解决方案。
任务是通过尽可能少的运行（目前约为 90 次）来研究大约 30 个连续变量和 8 个类别变量，并丢弃基于过程知识没有意义的组合。 最重要的是，我们主要对相互作用感兴趣，因为我们已经知道存在很多主要影响（单独存在）。
欢迎任何建议。
亲切的问候
埃贡
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？大家，早安，
非常感谢您的意见，我们将在该项目中与我的同事进行内部讨论。 我会让你知道结果。
亲切的问候
埃贡
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？好的， @马克贝利，你激励我做出贡献。 我有一些想法@egon_gross 。
1. 从纯粹逻辑的角度来看，您对实际上可以将所有 38 个因素设置为每种治疗组合规定的所需水平有多大信心？ 你说你想要所有的主要效果和一些未指定的交互集合......以未指定的效果顺序（2 路、3 路或更多？）。 因此，我们假设您想要所有可能的两个因素相互作用的一半，并保留一些自由度用于效果估计目的……所以您正在考虑至少很多治疗组合。 有38个因素！ 我的经验是，当我在团队中执行设计好的实验时，即使因素少于 10 个，无论我们多么努力，事情都会变得一团糟。 有人错误地设置了水平，意外地重复了治疗组合和/或没有执行所需的治疗组合......这将对效果估计产生巨大影响。 或者可能将组合放在错误的块中......或者其他一些实验性执行失败模式。 更糟糕的是，我们常常不知道自己犯了错误！ 说到阻塞……再考虑一下。
2. 通过大型实验，我可以设想可能需要阻塞的场景。 例如，如果实验必须执行超过一天，并且人们担心可能会产生日复一日的影响，那么一天应该成为一个阻碍因素。 或者为了最大限度地缩短时间，有人决定在两个、三个或更多（例如反应容器）上进行实验，情况又如何呢？ 另一个阻碍因素。 由于阻塞是受限随机化的一种形式……接下来是我的第三个想法。
3. 作为@马克贝利建议，你能完全随机化实验执行顺序吗？ 如果不需要某种裂区设计，那么您肯定属于 JMP 的定制设计驾驶室。 现在谈谈我的最后一个想法。
祝您一切顺利...如果实验成功，并且您愿意分享，也许 JMP 博客条目将是一个很棒的故事！
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？回复的顺序不是按时间顺序排列的。 这取决于您单击哪个回复按钮。 希望这个回复能在最后！
一个同事， @P_巴特尔，提出了两个非常重要的问题。 第一个问题是，考虑到如此多的因素，随机化是多么不切实际。 该问题意味着您必须使用自定义裂区设计，而不是 DSD。 第二个问题是您如何能够很好地控制具有如此多因素的实验中的每次运行。
我希望 Peter 将他对这两个问题的深入见解添加到这个帖子中。
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？只是添加到马克的优秀帖子中。 我必须说我有点困惑。 您已经知道有 38 个影响因素吗？ 现在您想研究二阶项吗？ 这是非常不寻常的。 它不遵循实验原则之一：效果稀缺？ 通常，当有很多因素需要调查时，我会建议进行某种定向抽样（变异成分）研究，以将数量减少到更易于管理的实验规模。 我无法想象有一个包含这么多项的预测模型。 该模型实际上不可能适用于“现实世界”。 我的另一个想法是你根本不讨论噪音。 从噪声的短期因素（例如测量误差）到长期因素（例如环境条件、输入变量的批次间变化）。 我必须说，我对你正在学习的东西的兴趣已经达到了顶峰。
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？手动消除 DSD 中的运行或调整现有运行中的级别将破坏独特分析所依赖的折叠结构。 此时，最终的设计不再是 DSD，也不再提供 DSD 的优点。 我同意@ian_jmp我们应该能够找到可行的定制设计。
我不喜欢建议以下方法，因为我相信最真实的数据来自于所有相关因素的实验，但这种方法并不总是可行。 另一种方法是将这些因素分为两个或多个实验。 这种方法存在分离相互作用的因素的风险。 您将无法对这些交互进行建模，它们可能是流程行为的关键特征。 它需要足够的关于相互作用的过程知识来做出关于分离哪些因素的低风险决策。
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？DSD 有点僵化，并没有为每种情况提供解决方案。 这种情况就是您应该使用定制设计的时候。 我的回复的其余部分基于定制设计。
这38个因素你都筛选了吗？ 有数据吗？ 是否可以扩充现有数据以适应新模型并测试交互？ 增强是利用新证据了解更多信息同时利用现有数据促进经济发展的好方法。
当您说“毫无意义”时，您的意思是这些治疗在物理上是不可能的，还是意味着它们可能会产生不良结果（不良反应）？ A测试是一种用于“选出获胜者”的猜谜游戏。 一个实验是一个旨在收集数据以适应模型的设计计划，无论响应的期望如何。 这两种方法及其背后的思维方式之间存在很大差异。 如果您的情况是前者，那么有一些方法可以消除无意义的运行。 如果你的情况是后者，那么我不会消除任何基于偏见的跑步。
我会添加所有两因素相互作用。您了解有关交互作用的流程知识吗？ 如果您知道不可能进行交互，请删除该术语。 如果您知道交互处于活动状态，请保留它（主要效果）。 对于其余的人，改变他们的可估计性从必要的到如果可能的话（潜在影响）。 这一变化将产生一个贝叶斯优化设计。 它重置最小运行次数，该最小运行次数始终等于估计所需的参数数量。 这一变化将有助于设计的经济性满足您的预算。 我们建议使用超过最小运行次数。 一个好的方法是考虑潜在的交互并决定有多少交互实际上是活跃的。 当然，您不知道这个数字，但可以做出有根据的猜测。 为其中每一种效果添加 3-4 次运行。 例如，如果我有 30 次潜在交互，但我预计其中只有 4 次处于活动状态，那么我将最少添加 12 到 16 次运行。
这项研究主要是为了筛选效果吗？ 您表示您已经知道 30+8 因子是活跃的，因此您不需要筛选因子。 如果是这样，则保留推荐标准：D-最优。 如果您的主要目标是选择模型然后进行优化，则将标准更改为 I 最优。 如果您的目标是筛选效果和优化的组合，则将标准更改为 A 最优。
您希望平衡经济性需求与模型参数或响应良好估计的需求。 模型中的大量项会导致大量运行，但不一定会产生大量误差自由度，这些误差自由度将用于为您的决策建立置信区间和假设检验。 因此，您通常希望效果是响应标准差大小的 3-4 倍。 确保扩大连续因子的范围，以产生最大的效果。 不要缩小您期望的最佳水平的范围。 这是一种测试方法。 更广泛的支持和实验方法。
回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？在使用自定义设计创建多个设计选项时，我遇到了极高的实验工作量，这是毫无疑问的。 第二种方法——创建 DSD，手动消除不允许的组合，然后进行设计评估——也以死胡同告终。 尽管如此，我还是会给定制设计一个暗示几个线性约束的机会。回复：使用 DSD 方法实施不允许的因子组合和/或线性约束？鉴于您所说的，我认为定制设计将是最好的途径。 但您也暗示您对通过这种方法得出的设计不满意，因此也许还有更多要说的。 当然，如果您提到的“过程知识”可以通过一系列线性约束来表达，并且如果您有先验技术知识，需要估计一些联合效应，而有些则没有意义，那么定制设计就是正确的方法。
