用於優化的最終篩選設計嗨，社區成員，
我搜索了明確的篩選設計，並在 JMP 中閱讀了很多有關該主題的內容。
我了解到，明確篩選設計用於確定模型中的有效主力、二階功效和雙因子相互作用。
我有10個參數，我的郵件目標是進行優化。 第一步，使用 RSM 或定制設計模型（包括主效應+二階冪+2 因子交互效應）的成本非常高。 這就是為什麼我認為在第一階段，我必須找到模型中的重要參數。 所以我應該應用明確的篩選設計。 在使用fit明確篩選平台找到有效參數後，我將構建具有有效參數的OLS模型。 當我找到 OLS 模型時，我可以安全地使用該模型進行優化嗎？
如果你認為是的，我可以用它來優化，為什麼DSD的目的是確定有效因素，它也有利於優化，對嗎？
親切的問候。
實驗設計回复：優化的最終篩選設計@艾拉我對這個帖子的最後也是最後的貢獻集中在您對我自己和我的最新回复@馬克貝利最後一個問題是“如果你是我，你會選擇哪種設計？”
我的回复，也是我自己的回复：我並不是想爭論或難纏，但你在這條線索中做出了太多誤導、矛盾或衝突的輸入/陳述，我不會提供建議，因為我有對您的具體情況和實驗目標沒有任何線索。
再舉一個例子：您聲稱“不存在任何滋擾或噪音因素”。 任何實證研究中總是存在噪音或滋擾因素。 你可以選擇忽略它們或否認它們的存在……但它們確實存在。 為什麼你認為喬治·博克斯最著名的名言之一是“阻止你能阻止的，然後隨機化其餘的。”？
回复：優化的最終篩選設計你好@P_巴特爾和@馬克貝利,
我需要糾正一下，我有 10 個因素，但並不確切知道所有因素都會對反應產生重大影響。
當然，如果我知道的話，我同意 DSD 不適合這種情況。
為了確定哪種設計適合我，我構建了一個案例研究：
我假設我的真實響應模型是： Y= X1+ 2*X2 + 3*X3^2 + 4*X4*X5
首先我使用DSD，並運行25個實驗，並模擬根據上述函數的響應。
然後我使用“Fit 最終篩選”並取消單擊“遺傳”選項。
組合模型參數為 X1、X2 和 X7。
在第二步中，我使用了具有模型主效應和二次冪的 10 個因子的 Custome Design，並根據上述函數再次重新模擬了響應。 （運行次數=28）
然後我構建了一個 OLS 模型。 它預測有效參數：X1、X2、X3^2 和 X10。
根據我的案例研究定制設計給了我更接近的結果。 但我仍然不確定我是否錯過了 DSD 中的某些東西。 因為當我們考慮兩種設計的使用目的時，DSD 似乎更適合實驗的早期階段。 但根據。就案例研究而言，即使在早期階段，Custome 設計也效果良好。 如果我想念 DSD 中的 stgh，我很高興學習它。
（為什麼，當我通過包含 2 因子交互效應和 27 次運行來增強自定義設計時，OLS 準確地找到了假設的模型。）
如果你是我，你會選擇什麼設計？
親切的問候。
回复：優化的最終篩選設計@艾拉請注意@馬克貝利的回复。 您在其中一篇回復中聲明，您知道所有 10 個因素都會對響應產生影響。 這不是篩選情況。 我不會考慮最終的篩選設計，而是使用能源部的最佳策略。
回复：優化的最終篩選設計當活躍因子數小於n/2時不是有效嗎？ 或者是當因子數/2時？
我不知道我是否錯過了某事，但我在模擬研究中觀察到，DSD 設計和適合 DSD 平台無法預測所有主動因素。 也許我必須增加實驗數量，但我的最終目標是掩蔽優化，我覺得從定制設計開始我自己更安全。
我希望實驗完成後我仍然會感到更安全:)
親切的問候
回复：優化的最終篩選設計我只想補充一點，DSD 是用於篩選情況的。 它依賴於常見的關鍵篩選原則，而不是優化。 這些關鍵原則之一是‘效應的稀疏性.' 這些設計旨在非常經濟，以換取確定一些因素重要性的能力，而不是優化。
因此，如果您預計 10 個因素中的大多數因素都很重要，那麼 DSD 並不是一個好的選擇。 它提供的數據不足以找到活躍因素。 另一方面，如果這項研究是一個真實的篩選案例（10 個研究中只有不到一半是最終有意義的），那麼它是一個不錯的選擇。
回复：優化的最終篩選設計嗨斯塔曼，
我試圖找到最佳因子水平來達到我們的響應目標，即最大限度地減少“聲功率”，同時說明“流速在某個範圍內”。
我有10個連續因子，都是可控的。 所有影響響應的因素都是這10個因素，沒有噪音或滋擾因素。
由於我有工程知識，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二次冪效應的模型開始。
順便說一句，為了選擇是否使用定制設計或 DSD 開始研究，我對 10 個因子進行了兩種類型的設計，並模擬響應並嘗試估計 OLS 模型。我做了 3 次，並且一直觀察到開始使用定制設計可以更好地預測同一模型。 這就是為什麼我選擇定制設計開始。
親切的問候
回复：優化的最終篩選設計艾拉，迴聲@P_巴特爾，我對您的問題有一些額外的想法，但不知道您的情況是什麼（大多數（如果不是全部）建議將取決於具體情況）。 第一個問題：你說的是什麼意思優化？ 這始終是一個有趣的問題，因為它與持續改進的理念背道而馳。
您的情況是多元的嗎？ 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 是一項挑戰。 通常改進需要妥協。
您已經確定了 10 個設計因素，那麼其餘變量（噪音或滋擾變量）呢？ “繪製山腳圖”沒有任何好處。 您提到的所有策略均不包含處理噪聲的策略（環境條件、原材料變異性、測量不確定性等）。
鑑於您告訴我們的有關您的情況，現在概括最有效或最有效的方法還為時過早。 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，然後擴大空間似乎是有意義的（在許多情況下）。 擁有合理的模型並不意味著它必須很複雜。 事實上，您應該努力建立一個簡單且對噪聲具有魯棒性的模型（也許這就是優化方法）。
回复：優化的最終篩選設計感謝巴特爾的建議。
一項實驗需要3個小時。 DSD 提供 10 個因子的最小運行次數 28，這也是昂貴的。 這意味著我沒有機會做出錯誤的決定。
如下所述，根據我的搜索，我接近 DSD，但我的其他觀點是選擇具有主冪和二階冪的 d 或 I 最佳定制設計。 然後根據結果，我可以用 2 因子交互來增強它。
但我不確定哪種方法更有效。 我接近DSD但有疑問，因為我以前沒有使用過它，並且不建議在超過n/2個活性因子時使用它，並且我不知道是否有超過n/2個活性因子或不是。
親切的問候。
回复：優化的最終篩選設計在查看任何數據、使用固有的過程知識並理解所研究的系統之前，無法以任何程度的信心回答您的“安全”問題。 優化類型的問題可以有許多不同的途徑來最終解決問題。 總的來說，我喜歡你從明確的篩選設計開始的想法。 我的建議是經歷問題解決過程的這個階段。 暫停並反思您到目前為止所學到的知識。 讓這些反思指導您接下來的步驟。 也許可以在這里分享您的 DSD 實驗，並解釋問題和系統、數據、您的分析和您的結論……我們中的一些人也許能夠提供我們的想法。
