確定性的篩選設計可優化嗨，社區成員，
我搜索了最終的篩選設計，並在JMP中閱讀了很多有關此主題的內容。
我了解到，確定性篩選設計用於確定模型中有效的主，二階冪和2因子相互作用。
我有10個參數，我的郵件目標是進行優化。 首先，使用RSM或具有包括主要效果+二階冪+ 2因子相互作用的模型的自定義設計的效果非常昂貴。 這就是為什麼我認為在第一階段，我必須在模型中找到重要參數的原因。 因此，我應該應用確定的篩選設計。 在使用擬合確定性篩選平台找到有效參數之後，我將構建具有有效參數的OLS模型。 當我找到OLS模型時，是否可以安全地使用該模型進行優化？
如果您認為是的，我可以將其用於優化，為什麼DSD的目的是確定有效因素，對優化也有好處，對嗎？
親切的問候。
美國能源部回复：確定性的篩選設計以進行優化在查看任何數據，使用您固有的過程知識並了解所研究的系統之前，無法以任何程度的置信度回答“安全”問題。 優化類型的問題可能有多種途徑可以最終解決問題。 總的來說，我喜歡您從確定性篩選設計入手的想法。 我的建議是經歷問題解決過程的那個階段。 暫停並思考您所學到的知識。 讓這些思考指導您的下一步。 也許在這里分享您的DSD實驗，並在其中對問題和系統，數據，分析和結論進行解釋……我們中的一些人可能會提出我們的想法。
回复：確定性的篩選設計以進行優化感謝Bartell的建議。
一個實驗需要3個小時。 DSD為10個因子提供最小的運行次數28，這也是昂貴的。 這意味著我沒有機會做出錯誤的決定。
正如我在下面所述，我的搜索接近DSD，但是我的另一觀點是選擇d或I具有主力和2階冪的最佳定制設計。 然後根據結果，我可以用2因數增加。
但是我不確定哪個更有效。 我接近DSD，但有疑問，因為我以前從未使用過它，並且不建議在存在多於n / 2個活動因子並且不知道是否有多於n / 2個活動因子時使用它，或者不。
親切的問候。
回复：確定性的篩選設計以進行優化艾拉，迴聲@P_Bartell ，對於您的問題，我還有其他想法，但不知道您的處境如何（而且，大多數建議（如果不是全部的話）將取決於情況）。 第一個問題：你是什麼意思優化？ 這始終是一個有趣的問題，因為它與持續改進的想法背道而馳。
您的情況是否多元？ 您的響應變量是什麼？ 它們是否清楚地描述了感興趣的現象？ 同時優化所有Y極具挑戰性。 通常，改進需要妥協。
您已經確定了10個設計因素，其餘變量（噪聲或擾動變量）又如何呢？ “繪製山脈的底部”沒有任何好處。 您沒有提到任何策略都包含處理噪聲（環境條件，原材料可變性，測量不確定性等）的策略。
鑑於您已經告訴我們有關您的情況，現在概括最有效的方法為時尚早。 （在許多情況下）識別合理的一階模型，確定該模型是否在變化的條件下重複，然後擴大空間似乎很有意義。 擁有合理的模型並不意味著它必須很複雜。 實際上，您應該爭取一個簡單且對噪聲穩定的模型（也許這就是優化手段）。
回复：確定性的篩選設計以進行優化嗨，statman，
我正在嘗試找到最佳因子水平，以達到我們的響應目標，即將“聲功率”最小化，同時指出“流速在一定範圍之間”。
我有10個連續因子，所有這些因子都是可控的。 影響響應的所有因素都是這10個因素，沒有噪音或有害因素。
由於我具有工程知識，即因素可能會對響應產生曲率影響，因此我計劃從具有主次冪效應和第二次冪效應的模型開始。
順便說一下，為了選擇是從定制設計還是從DSD開始研究，我針對10個因素進行了兩種類型的設計，並模擬了響應並嘗試估計OLS模型。我做了3次，並且一直觀察到ii。使用自定義設計可以更好地預測同一模型。 這就是為什麼我選擇自定義設計開始的原因。
親切的問候
回复：確定性的篩選設計以進行優化我只想補充一點，DSD適用於篩查情況。 它依賴於篩選的通用關鍵原則，而不是優化。 這些關鍵原則之一是“稀疏效應。” 該設計具有很高的經濟效益，因為它具有確定某些因素（而非優化）的重要性的能力。
因此，如果您希望10個因素中的大多數都很重要，那麼DSD並不是一個不錯的選擇。 它提供的數據不足以找到活動因素。 另一方面，如果這項研究是一個真正的篩查案例（最終篩查的10例病例中只有不到一半），則是一個不錯的選擇。
回复：確定性的篩選設計以進行優化當有效因子數小於n / 2時不是有效嗎？ 還是當因子數為2時？
我不確定是否會誤會，但我在模擬研究中觀察到，DSD設計和合適的DSD平台無法預測所有活動因素。 可能是我必須增加實驗次數，但我的最終目標是屏蔽優化，從定制設計開始，我覺得自己更安全。
我希望實驗完成後我仍然會感到更安全:)
親切的問候
