最终筛选设计各位，
我计划构建一个 RSM 来优化我的方法。 我有 8 个连续因素、1 个分类因素和 2 个响应。 每个因素的水平是根据团队以往的经验确定的。 我不知道因素之间是否存在相互作用。 我无法识别噪声源，我计划进行随机化。 经过我做了一些研究，我认为最合适的设计选择是最终的筛选设计？
我将不胜感激任何评论或建议
谢谢
实验设计回复：最终筛选设计我认为，如果效应稀疏性原则不成立，就不能期望拟合基于 DSD 数据的无偏模型。 Fit Definitive Screening 方法并没有逃脱这一原则的假设。
至少，您应该添加游程并使用超过最小游程数，并使用超过默认的 4 次附加游程来覆盖模型中的潜在效应数。 额外运行多少次？ 我不知道。 DSD 中运行的添加通常基于功效的考虑，这是选择筛选设计的关键特征。
另一种方法是自定义设计，您可以根据需要更改每个项的可估计性，并为每个“如果可能”项添加 3-4 次运行。
与任何筛选设计一样，DSD 的经济性很有吸引力，但小型设计只有在项数较少的情况下才能满足模型。
回复：最终筛选设计谢谢@statman对于您提供的信息
”我的建议基于对您的情况的有限讨论”请告诉我您需要哪些详细信息，我将很乐意分享。 然后我想你会有更好的知名度给我更多的建议，非常感谢
此致
回复：最终筛选设计谢谢@马克贝利
回到你的言论，我不知道我的一半以上的因子是否不活跃！ 我同意 DSD 最终是一个筛选设计，但它提供了查看我的响应中的曲率并构建响应曲面模型的可能性。 根据我的阅读，可以使用前向逐步回归来分析最终筛选，其中效果稀疏性应该保持不变。 另一方面，如果我想分析最终筛选设计，并且如果许多效应可能是活跃的（超过我的因素的一半），我应该使用 Fit Definitive Screening Platform，该平台考虑了 DSD 的有利结构（添加额外的运行并分两个阶段分析模型）
觉得怎么样？
回复：最终筛选设计我将仅添加两条评论@statman ,.
首先，它是一种筛选设计，因此它旨在用于关键筛选原则成立的筛选情况。 我怀疑在你的案例中不成立的最重要的因素之一是效果的稀疏性。 这种设计强调经济性而非性能。 假设实际上很少有因素是活跃的。 您预计 8 个因素中不活跃的因素是否会少于一半？
二、筛查与否，小心“每个因素的水平是根据团队以往的经验确定的” 并不太狭窄。 应根据引发响应大变化的需要来确定范围，以便回归可以有效地估计模型参数（小标准误差）。 范围应该总是很宽。 不应基于响应始终达到理想水平的期望来选择它们。 这是一个实验，而不是测试。 实验应该提供最好的数据来支持建模，而不是支持“选出获胜者”。
回复：最终筛选设计说，
我假设您正在尝试理解描述两个因变量的响应面（RSM 是一种方法）。 有很多方法可以做到这一点。 我对 GEP 博士教给我的顺序方法有偏见 盒子。 这是一种科学方法，从假设（由实验中的因素表示）开始，并使用数据来深入了解这些假设。 没有“正确”的方法可以做到这一点，最有效的方法是视情况而定。 这种方法通常从用于筛选大量变量的分数 2 水平设计开始（基于稀缺性和效应层次原则）。 然后将空间移向改进的方向并减少变量的数量。 随着您的工作迭代，您开始向模型添加更高阶项。 这些高阶效应可能是阶乘（相互作用）或多项式（曲率）。 连续的工作对于理解表面非常有帮助。 这种类型的工作最好管理由了解机制（例如物理、化学）并能够解释统计研究结果的科学家或工程师开发。 科学家/工程师应该解释（假设）并预测因素的可能影响（以及该影响在所研究的空间中是否是线性的）、相互作用和极其重要的是，噪音。 也许您应该从了解一阶模型开始以及噪音的影响在研究非线性关系之前，但这是你知道和不知道的函数。 根据您对自己情况的有限讨论，我的建议是花一些时间确定可能存在的噪音，然后制定处理该噪音的策略。 我还认为分块（或：重复、裂区、协变量等）是比随机化更好的策略。 为什么，因为您想了解噪声的影响，最好对其进行分配，而不仅仅是对其大小进行数值估计。 虽然随机化有望为您提供噪声的无偏估计，但它可能会损害设计的精度。
“阻止你可以随机化你不能的东西”，GEP 盒子
我并不是说不要使用明确的筛选设计（布拉德·琼斯（Brad Jones）在将这种设计策略引入社区方面做得非常出色），您只需权衡此时需要获得哪些信息以及获得的资源该信息。
祝你好运。
