DOE 具有 5 個多層分類。 尋找最優的最佳順序方法？你好，
希望您對這個有趣的問題有一些想法。
我們的目標是找到優化化學反應產量的設定。
對於反應物、試劑、配體、溶劑的不同選擇，有5個分類因子（附因素表）。 這些因素有 3 到 12 個等級。
因子水準有 4608 種可能的組合。 運行所有這些是不可行的！
可以同時進行 48 次運行，大約需要 2 天的實驗室工作時間。
因此，在第一階段，我們運行了 48 次運行的自訂主效應篩選設計（附後）。
第一個運行區塊揭示了一些有用的見解：
- Reactant_1 和 Reactant_2 的影響最大。
- 一些組合的產率>90%。
Distribution of %Yield and 5 Factors for 48 run screening experiment.Distribution of %Yield and 5 Factors for 48 run screening experiment.48 輪篩選實驗的%產率和 5 個因素的分佈。
問題是：接下來怎麼辦？ 接下來的 48 輪比賽應該是什麼？
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？謝謝， @Ryan_Lekivetz 。 我肯定會與您聯繫，因為我認為這可能會成為一篇有趣的論文，但我們才剛開始考慮這一點。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？@班弗朗西斯問及使用預測模型進行增強的想法，所以我想我會將其發佈在這裡，以防它對其他人有用。
在 Augment_example.jmp 中，我創建了一個簡單的 12 次試驗設計，其中包含 3 個連續因子和 1 個 3 水平因子。 模擬響應基於 X3 的係數 3 和 X4 第一級的係數 2（因此第三級的係數為 -2）。 我根據這個原始資料集保存了擬合模型中的預測公式，並透過刪除冒號並將匹配替換為對每個層級的引用，將其「轉換」為不允許的組合。 然後我將其設定為不允許預測響應小於 3 的點。 也就是說，公式：
(-0.488118773193337) + 0.0500127592094168 * :X1 + 0.090943953251116 * :X2
+3.44923140690808 * :X3 + 匹配( :X4,
“L1”，1.81325700252147，
“L2”，0.117965718890636，
“L3”，-1.93122272141211，
。
）
變成：
(-0.488118773193337) + 0.0500127592094168 * X1 + 0.090943953251116 * X2
+3.44923140690808 * X3 + (X4 == 1) * 1.81325700252147 + (X4 == 2) *
0.117965718890636 + (X4 == 3) * -1.93122272141211 < 3
「帶有 disallowed.jmp 的增強設計」顯示了最終的設計，並仔細檢查了預測響應值是否全部高於 3。請注意，它最終不會選擇「L3」處的 X4 或 -1 處的 X3。 我必須看看是否有什麼原因它仍然沒有稍微改變 X3，但它提供了一個想法。
當主要是連續輸入時，我也使用了相同的方法使用 FFF 設計將設計空間限制在模型看起來有趣的地方。
希望這可以幫助，
瑞安
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？嘿@菲爾_凱,
這是一個有趣的問題... 我不熟悉文獻，但似乎根據您正在做的事情作為“如果”將其視為設計的實驗來發表一些東西可能是值得的。 一段時間以來，我一直在考慮討論此類問題的途徑（全階乘與子集），所以如果您還沒有走上發布之路，也許我們應該聊聊。 這讓我想起幾年前的一段話：
http://www.acadiau.ca/~hchipman/talks/ChipmanSSC2015.pdf
關於增強問題，請隨意在內部願望清單中添加一些內容 - 在未來的實驗中刪除等級會很好。
我過去也取得了成功，我使用第一個設計的預測模型作為不允許的組合（這對於分類來說有點痛苦，因為你必須轉換它）。 您採用預測公式並不允許預測值低於某個值（例如 80）的組合。 並作為@尼克謝爾頓如上所述，您也可以禁止這些等級。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？順便說一句，這個例子來自發表的論文他們實際上運行了完整的階乘（運行了 4608 次！）。
這是一個非常好的資料集（附加 JMP 表）。 儘管很難知道數據的準確性或精確度。
如果沒有別的辦法，你可以製作一個漂亮的熱圖：
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？謝謝。 這確實很有幫助， @尼克謝爾頓。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？在增強設計中，您無法刪除分類級別，但可以設定因子約束以防止新運行使用某些級別。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？我喜歡這個主意@班弗朗西斯。
理想情況下，我們會選擇一組 48 次運行，它們是：
- 根據我們目前的模型預測會有高產量
- 最適合測試有興趣的模型
所以也許我們可以：
- 產生一個非常大的候選集，包含 1000 次運行（例如，完整的階乘），然後
- 從中選擇預計產量高於某個閾值的 100 次運行的子集。
- 使用這些作為候選集和自訂設計與協變量因素來確定最佳 48 來測試模型
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？謝謝@班弗朗西斯和@尼克謝爾頓。
兩個都是好主意。
圍繞當前預測的最佳設定進行一些確認運行似乎是個好主意。 但我認為我們可能希望在接下來的 48 場比賽中做更多的事情。
根據 Ben 的建議，我查看了比例估計值，發現某些因素的類別水平明顯比其他因素差，例如配體 [Xantphos]。
（Xantphos 是有史以來最糟糕的配體，不是嗎？ 就我個人而言，我永遠不會使用 Xantphos 做任何事情:) ）。
從進一步的運行中刪除這些類別級別似乎是合理且合理的。
同樣，我們有理由去除 2 個反應物 2 的水平並僅使用硼酸。
有人嘗試過對分類變數使用 Augment 嗎？ 我似乎無法弄清楚如何在增強之前刪除類別等級。
乾杯，
菲爾
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？好點子@缺口，也許我們可以使用模擬器找出一組預測的高收益（Obj>0.95）候選者？ 這導致了附件中的 23 個候選集。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？如果將反應物 1 和 2 之間的交互作用納入模型中，則分析器中的因子組合可將產率提高到 99%。 與其透過後續 DOE 探索其他因素組合，也許現在最好進行一組驗證性實驗，以驗證這些已確定的設定在實踐中的收益率可達 99%。
回覆：DOE 有 5 個多層分類。 尋找最優的最佳順序方法？嗨菲爾，
感謝您強調這個範例，這對於許多專注於大型實驗而不是順序方法的客戶來說似乎很重要。 這是一個令人頭痛的問題，所以我渴望探索每個人的想法！
考慮我們是否有理由篩選出不同程度的因素可能會有所幫助。 使用效果詳細資訊（比我的Fit Y by X 初始建議更好）和TK HSD（盡可能保守），也許有理由刪除6-Cl-Q（反應物1）和三氟硼酸鹽（反應物2 ）作為水平？ 同樣有趣的是，雖然配體的「無」是平均產率第二低的，但試劑 1 的「無」是中等產率。 它與零因子不同，但也許關注的是一些具有負面影響的試劑 1 在接下來的 48 中是否有用？
親切的問候，
本
