什么是相关单元图？
在我以前的帖子，我提出了一种新的图形诊断工具来评估设计实验。建议的图形是一个单元格图，以彩色正方形显示了两个模型项之间的成对相关性。如图1所示，如果模型中有45个项，则使用JMP显示45 * 45 = 2025个彩色单元格。
这个情节告诉我什么？
绝对相关从零（蓝色）到一（红色）。对于任何设计，单元的对角线都是红色，但是最理想的是所有非对角线的单元都为蓝色，或者至少在色谱的蓝色端。图1中的每个单元格都是纯蓝色或红色。纯红色的单元格表示关联的模型项彼此之间没有区别。在这种情况下，我们说这两种效果是混杂的。查看第一行单元格，我们可以看到因子A的主要作用与D * G两因子相互作用混杂在一起。
下表1中所示和图1中所示的设计是针对16个运行中的9个因子的常规分数阶乘设计。进行这种设计的一种方法是从全因子设计开始-在这种情况下，有四个因子和16个运行。然后，通过因子C和D的列的元素逐个乘法来生成因子E。类似地，F = BD，G = AD，H = ABC和I = ABCD。此过程的结果是对主要效果正交的设计，但将36个双因素交互作用中的12个与主要效果混淆了。假设您进行了此实验，并观察到与因子A，D和G相关的巨大影响。您想说这三个因子都处于活动状态。但是，同样具有解释性的模型是带有术语D，G和D * G的模型。因此，设计中的混淆会产生模棱两可的分析结果。解决此类歧义的唯一数据驱动方法是进行进一步的实验。
有什么方法可以避免混淆主效应和两因素相互作用？
图2显示了针对16个运行中9个因子的87种非同构正交分数阶因子设计之一的诊断图（请参见表2）。与图1不同，图2的右上部分没有红色方块。因此，任何两个因素的相互作用都不会混淆主要效果。而且，任何主效应与任何两因素相互作用的最大绝对相关性只有二分之一。不利的一面是，即使相关性不那么大，该设计仍具有更多与每个主要效果相关联的交互作用。
让我们回到之前考虑的场景。我们能否区分具有主要作用A，D和G的模型与具有主要作用D和G以及D * G两因素相互作用的替代模型？绝对地！只要观察到的效果足够大于其标准误差，这就是事实。
底线是什么？
并排比较图1和图2，可以快速评估两种设计的相对优点。我更喜欢诊断图包含较少纯红色正方形的设计。
设计表
为什么确定性筛选设计是确定性的写道：
在我的前两篇文章中，我介绍了用于设计评估的相关单元图，然后展示了如何使用该图比较设计。在这里，我想使用相同的图来说明为什么确定筛选设计是为什么[...]
