使用 DSD 方法實施不允許的因素組合和/或線性約束？大家好，
我目前正在努力將 DSD 平台的優勢與定制設計平台結合起來，但沒有找到可行的解決方案。
任務是通過盡可能少的運行（目前約為 90 次）來研究大約 30 個連續變量和 8 個類別變量，並丟棄基於過程知識沒有意義的組合。 最重要的是，我們主要對相互作用感興趣，因為我們已經知道存在很多主要影響（單獨存在）。
歡迎任何建議。
親切的問候
埃貢
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？大家，早安，
非常感謝您的意見，我們將在該項目中與我的同事進行內部討論。 我會讓你知道結果。
親切的問候
埃貢
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？好的， @馬克貝利，你激勵我做出貢獻。 我有一些想法@egon_gross 。
1. 從純粹邏輯的角度來看，您對實際上可以將所有 38 個因素設置為每種治療組合規定的所需水平有多大信心？ 你說你想要所有的主要效果和一些未指定的交互集合......以未指定的效果順序（2 路、3 路或更多？）。 因此，我們假設您想要所有可能的兩個因素相互作用的一半，並保留一些自由度用於效果估計目的……所以您正在尋找至少很多治療組合。 有38個因素！ 我的經驗是，當我在團隊中執行設計好的實驗時，即使因素少於 10 個，無論我們多麼努力，事情都會變得一團糟。 有人錯誤地設置了水平，意外地重複了治療組合和/或沒有執行所需的治療組合......這將對效果估計產生巨大影響。 或者可能將組合放在錯誤的塊中......或者其他一些實驗性執行失敗模式。 更糟糕的是，我們常常不知道自己犯了錯誤！ 說到阻塞……再考慮一下。
2. 通過大型實驗，我可以設想可能需要阻塞的場景。 例如，如果實驗必須執行超過一天，並且人們擔心可能會產生日復一日的影響，那麼一天應該成為一個阻礙因素。 或者為了最大限度地縮短時間，有人決定在兩個、三個或更多（例如反應容器）上進行實驗，情況又如何呢？ 另一個阻礙因素。 由於阻塞是受限隨機化的一種形式……接下來是我的第三個想法。
3. 作為@馬克貝利建議，你能完全隨機化實驗執行順序嗎？ 如果不需要某種裂區設計，那麼您肯定屬於 JMP 的定制設計駕駛室。 現在談談我的最後一個想法。
祝您一切順利...如果實驗成功，並且您願意分享，也許 JMP 博客條目將是一個很棒的故事！
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？回复的順序不是按時間順序排列的。 這取決於您單擊哪個回复按鈕。 希望這個回復能在最後！
一個同事， @P_巴特爾，提出了兩個非常重要的問題。 第一個問題是，考慮到如此多的因素，隨機化是多麼不切實際。 該問題意味著您必須使用自定義裂區設計，而不是 DSD。 第二個問題是您如何能夠很好地控制具有如此多因素的實驗中的每次運行。
我希望 Peter 將他對這兩個問題的深入見解添加到這個帖子中。
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？只是添加到馬克的優秀帖子中。 我必須說我有點困惑。 您已經知道有 38 個影響因素嗎？ 現在您想研究二階項嗎？ 這是非常不尋常的。 它不遵循實驗原則之一：效果稀缺？ 通常，當有很多因素需要調查時，我會建議進行某種定向抽樣（變異成分）研究，以將數量減少到更易於管理的實驗規模。 我無法想像有一個包含這麼多項的預測模型。 該模型實際上不可能適用於“現實世界”。 我的另一個想法是你根本不討論噪音。 從噪聲的短期因素（例如測量誤差）到長期因素（例如環境條件、輸入變量的批次間變化）。 我必須說，我對你正在學習的東西的興趣已經達到了頂峰。
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？手動消除 DSD 中的運行或調整現有運行中的級別將破壞獨特分析所依賴的折疊結構。 此時，最終的設計不再是 DSD，也不再提供 DSD 的優點。 我同意@ian_jmp我們應該能夠找到可行的定制設計。
我不喜歡建議以下方法，因為我相信最真實的數據來自於所有相關因素的實驗，但這種方法並不總是可行。 另一種方法是將這些因素分為兩個或多個實驗。 這種方法存在分離相互作用的因素的風險。 您將無法對這些交互進行建模，它們可能是流程行為的關鍵特徵。 它需要足夠的關於相互作用的過程知識來做出關於分離哪些因素的低風險決策。
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？DSD 有點僵化，並沒有為每種情況提供解決方案。 這種情況就是您應該使用定制設計的時候。 我的回复的其餘部分基於定制設計。
這38個因素你已經篩選了嗎？ 有數據嗎？ 是否可以擴充現有數據以適應新模型並測試交互？ 增強是利用新證據了解更多信息同時利用現有數據促進經濟發展的好方法。
當您說“毫無意義”時，您的意思是這些治療在物理上是不可能的，還是意味著它們可能會產生不良結果（不良反應）？ A測試是一種用於“選出獲勝者”的猜謎遊戲。 一個實驗是一個旨在收集數據以適應模型的設計計劃，無論響應的期望如何。 這兩種方法及其背後的思維方式之間存在很大差異。 如果您的情況是前者，那麼有一些方法可以消除無意義的運行。 如果你的情況是後者，那麼我不會消除任何基於偏見的跑步。
我會添加所有兩因素相互作用。您了解有關交互作用的流程知識嗎？ 如果您知道不可能進行交互，請刪除該術語。 如果您知道交互處於活動狀態，請保留它（主要效果）。 對於其餘的人，改變他們的可估計性從必要的到如果可能的話（潛在影響）。 這一變化將產生一個貝葉斯優化設計。 它重置最小運行次數，該最小運行次數始終等於估計所需的參數數量。 這一變化將有助於設計的經濟性滿足您的預算。 我們建議使用超過最小運行次數。 一個好的方法是考慮潛在的交互並決定有多少交互實際上是活躍的。 當然，您不知道這個數字，但可以做出有根據的猜測。 為其中每一種效果添加 3-4 次運行。 例如，如果我有 30 次潛在交互，但我預計其中只有 4 次處於活動狀態，那麼我將最少添加 12 到 16 次運行。
這項研究主要是為了篩選效果嗎？ 您表示您已經知道 30+8 因子是活躍的，因此您不需要篩選因子。 如果是這樣，則保留推薦標準：D-最優。 如果您的主要目標是選擇模型然後進行優化，則將標準更改為 I 最優。 如果您的目標是篩選效果和優化的組合，則將標準更改為 A 最優。
您希望平衡經濟性需求與模型參數或響應良好估計的需求。 模型中的大量項會導致大量運行，但不一定會產生大量誤差自由度，這些誤差自由度將用於為您的決策建立置信區間和假設檢驗。 因此，您通常希望效果是響應標準差大小的 3-4 倍。 確保擴大連續因子的範圍，以產生最大的效果。 不要縮小您期望的最佳水平的範圍。 這是一種測試方法。 更廣泛的支持和實驗方法。
回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？在使用自定義設計創建多個設計選項時，我遇到了極高的實驗工作量，這是毫無疑問的。 第二種方法——創建 DSD，手動消除不允許的組合，然後進行設計評估——也以死胡同告終。 儘管如此，我還是會給定制設計一個暗示幾個線性約束的機會。回复：使用 DSD 方法實施不允許的因子組合和/或線性約束？鑑於您所說的，我認為定制設計將是最好的途徑。 但您也暗示您對通過這種方法得出的設計不滿意，因此也許還有更多要說的。 當然，如果您提到的“過程知識”可以通過一系列線性約束來表達，並且如果您有先驗技術知識，需要估計一些聯合效應，而有些則沒有意義，那麼定制設計就是正確的方法。
