用于优化的最终筛选设计嗨，社区成员，
我搜索了明确的筛选设计，并在 JMP 中阅读了很多有关该主题的内容。
我了解到，明确筛选设计用于确定模型中的有效主力、二阶功效和双因子相互作用。
我有10个参数，我的邮件目标是进行优化。 第一步，使用 RSM 或定制设计模型（包括主效应+二阶幂+2 因子交互效应）的成本非常高。 这就是为什么我认为在第一阶段，我必须找到模型中的重要参数。 所以我应该应用明确的筛选设计。 在使用fit明确筛选平台找到有效参数后，我将构建具有有效参数的OLS模型。 当我找到 OLS 模型时，我可以安全地使用该模型进行优化吗？
如果你认为是的，我可以用它来优化，为什么DSD的目的是确定有效因素，它也有利于优化，对吗？
亲切的问候。
实验设计回复：优化的最终筛选设计@艾拉我对这个帖子的最后也是最后的贡献集中在您对我自己和我的最新回复@马克贝利最后一个问题是“如果你是我，你会选择哪种设计？”
我的回复，也是我自己的回复：我并不是想争论或难缠，但你在这条线索中做出了太多误导、矛盾或冲突的输入/陈述，我不会提供建议，因为我有对您的具体情况和实验目标没有任何线索。
再举一个例子：您声称“不存在任何滋扰或噪音因素”。 任何实证研究中总是存在噪音或滋扰因素。 你可以选择忽略它们或否认它们的存在……但它们确实存在。 为什么你认为乔治·博克斯最著名的名言之一是“阻止你能阻止的，然后随机化其余的。”？
回复：优化的最终筛选设计你好@P_巴特尔和@马克贝利,
我需要纠正一下，我有 10 个因素，但并不确切知道所有因素都会对反应产生重大影响。
当然，如果我知道的话，我同意 DSD 不适合这种情况。
为了确定哪种设计适合我，我构建了一个案例研究：
我假设我的真实响应模型是： Y= X1+ 2*X2 + 3*X3^2 + 4*X4*X5
首先我使用DSD，并运行25个实验，并模拟根据上述函数的响应。
然后我使用“Fit 最终筛选”并取消单击“遗传”选项。
组合模型参数为 X1、X2 和 X7。
在第二步中，我使用了具有模型主效应和二次幂的 10 个因子的 Custome Design，并根据上述函数再次重新模拟了响应。 （运行次数=28）
然后我构建了一个 OLS 模型。 它预测有效参数：X1、X2、X3^2 和 X10。
根据我的案例研究定制设计给了我更接近的结果。 但我仍然不确定我是否错过了 DSD 中的某些东西。 因为当我们考虑两种设计的使用目的时，DSD 似乎更适合实验的早期阶段。 但根据。就案例研究而言，即使在早期阶段，Custome 设计也效果良好。 如果我想念 DSD 中的 stgh，我很高兴学习它。
（为什么，当我通过包含 2 因子交互效应和 27 次运行来增强自定义设计时，OLS 准确地找到了假设的模型。）
如果你是我，你会选择什么设计？
亲切的问候。
回复：优化的最终筛选设计@艾拉请注意@马克贝利的回复。 您在其中一篇回复中声明，您知道所有 10 个因素都会对响应产生影响。 这不是筛选情况。 我不会考虑最终的筛选设计，而是使用能源部的最佳策略。
回复：优化的最终筛选设计当活跃因子数小于n/2时不是有效吗？ 或者是当因子数/2时？
我不知道我是否错过了某事，但我在模拟研究中观察到，DSD 设计和适合 DSD 平台无法预测所有主动因素。 也许我必须增加实验数量，但我的最终目标是掩蔽优化，我觉得从定制设计开始我自己更安全。
我希望实验完成后我仍然会感到更安全:)
亲切的问候
回复：优化的最终筛选设计我只想补充一点，DSD 是用于筛选情况的。 它依赖于常见的关键筛选原则，而不是优化。 这些关键原则之一是‘效应的稀疏性.' 这些设计旨在非常经济，以换取确定一些因素重要性的能力，而不是优化。
因此，如果您预计 10 个因素中的大多数因素都很重要，那么 DSD 并不是一个好的选择。 它提供的数据不足以找到活跃因素。 另一方面，如果这项研究是一个真实的筛选案例（10 个研究中只有不到一半是最终有意义的），那么它是一个不错的选择。
回复：优化的最终筛选设计嗨斯塔曼，
我试图找到最佳因子水平来达到我们的响应目标，即最大限度地减少“声功率”，同时说明“流速在某个范围内”。
我有10个连续因子，都是可控的。 所有影响响应的因素都是这10个因素，没有噪音或滋扰因素。
由于我有工程知识，因素可能会对响应产生曲率影响，因此我计划从具有主次幂效应和二次幂效应的模型开始。
顺便说一句，为了选择是否使用定制设计或 DSD 开始研究，我对 10 个因子进行了两种类型的设计，并模拟响应并尝试估计 OLS 模型。我做了 3 次，并且一直观察到开始使用定制设计可以更好地预测同一模型。 这就是为什么我选择定制设计开始。
亲切的问候
回复：优化的最终筛选设计艾拉，回声@P_巴特尔，我对您的问题有一些额外的想法，但不知道您的情况是什么（大多数（如果不是全部）建议将取决于具体情况）。 第一个问题：你说的是什么意思优化？ 这始终是一个有趣的问题，因为它与持续改进的理念背道而驰。
您的情况是多元的吗？ 您的响应变量是什么？ 它们是否清楚地描述了感兴趣的现象？ 同时优化所有 Y 是一项挑战。 通常改进需要妥协。
您已经确定了 10 个设计因素，那么其余变量（噪音或滋扰变量）呢？ “绘制山脚图”没有任何好处。 您提到的所有策略均不包含处理噪声的策略（环境条件、原材料变异性、测量不确定性等）。
鉴于您告诉我们的有关您的情况，现在概括最有效或最有效的方法还为时过早。 识别合理的一阶模型，确定该模型是否在变化的条件下重复，然后扩大空间似乎是有意义的（在许多情况下）。 拥有合理的模型并不意味着它必须很复杂。 事实上，您应该努力建立一个简单且对噪声具有鲁棒性的模型（也许这就是优化方法）。
回复：优化的最终筛选设计感谢巴特尔的建议。
一项实验需要3个小时。 DSD 提供 10 个因子的最小运行次数 28，这也是昂贵的。 这意味着我没有机会做出错误的决定。
如下所述，根据我的搜索，我接近 DSD，但我的其他观点是选择具有主幂和二阶幂的 d 或 I 最佳定制设计。 然后根据结果，我可以用 2 因子交互来增强它。
但我不确定哪种方法更有效。 我接近DSD但有疑问，因为我以前没有使用过它，并且不建议在超过n/2个活性因子时使用它，并且我不知道是否有超过n/2个活性因子或不是。
亲切的问候。
回复：优化的最终筛选设计在查看任何数据、使用固有的过程知识并理解所研究的系统之前，无法以任何程度的信心回答您的“安全”问题。 优化类型的问题可以有许多不同的途径来最终解决问题。 总的来说，我喜欢你从明确的筛选设计开始的想法。 我的建议是经历问题解决过程的这个阶段。 暂停并反思您到目前为止所学到的知识。 让这些反思指导您接下来的步骤。 也许可以在这里分享您的 DSD 实验，并解释问题和系统、数据、您的分析和您的结论……我们中的一些人也许能够提供我们的想法。
