最终筛选设计
当研究人员想要确定对反应影响最大的因素时，他们会使用筛选设计。
筛选设计使您能够在相当小的实验中研究大量因素。
[在屏幕上]
许多标准筛选设计侧重于估计主效应。
明确筛选设计可以避免模型模糊性，使您能够更快、更高效地识别重要因素。 如果某个特定因素的影响强烈弯曲，传统的筛选设计可能会错过这种影响并筛选掉该因素。
[在屏幕上]
明确的筛选设计可以避免效应混淆，并可以识别对响应具有非线性影响的因素。
让我们看看 JMP 中的最终筛选。
假设您需要确定六个因素中的哪一个会影响提取过程的产量。
如果你有一个，我发现首先打开因子数据表会更容易。 该文件的链接如下。 请记住，我们可以从 DOE 平台的红色三角形中保存响应、因子和约束。
从提取因子数据表 > 选择 DOE > 最终筛选 > 最终筛选设计。
双击响应名称下的 Y 并输入产量。
从红色小三角菜单中，选择负载系数。
因子名称和范围与默认模型交互一起添加到因子大纲中
单击继续。
设计选项大纲打开。 您可以在此处指定阻塞结构。 本示例中无需阻止，因此您接受默认选择“无需阻止”。
您还可以选择添加额外运行，这大大增强了您检测二阶效应的能力。 强烈建议至少进行四次额外运行，但对于此演示，我将其保留为 0。
最终筛选设计将为每个因素添加一次运行，并添加 1 次附加运行以在我们的分析中获得中心点或曲率
对于此演示，在红色三角形下，我将随机种子设置为“123”，以便您可以重现这些结果。
然后，选择进行设计。
最终筛选设计窗口更新以显示设计大纲和设计评估大纲。
打开设计评估 > 相关性轮廓上的颜色图
相关性颜色图将颜色强度标度分配给所有主效应和两因素相互作用之间相关性的绝对值。 我在下面有更多关于此的信息。
[在屏幕上]
相关性彩色图
深蓝色实线区域表明主效应之间或主效应与两因素交互作用之间不存在相关性。
浅蓝色和灰色区域表示两因素相互作用之间的绝对相关性很小。
红色实心方块表示绝对相关性为 1。 这些都出现在对角线上，反映了效果与其自身的预期相关性。
将“运行顺序”保留或设置为“随机化”。
选择创建数据表
这是我们进行实验运行和收集数据的地方。 现在，我将打开链接的提取数据，并通过在表面板中选择绿色箭头来运行最终筛选拟合模型脚本。
选择运行。
我们可以查看分析报告并探索从第一阶段主要效应顶部开始筛选的因素。
使用链接的提取样本数据集自行尝试最终筛选设计。
实验设计回复：最终筛选设计我明白了这一点。 谢谢你让这一切变得如此简单。
回复：最终筛选设计很有帮助，视频！我喜欢与我的客户分享这个。谢谢你！
