確定性篩選設計各位，
我正計劃構建一個RSM來優化我的方法。 我有8個連續因素，1個分類因素和2個響應。 每個因素的水平是根據團隊的先前經驗確定的。 我不知道因素之間是否存在相互作用。 我無法確定噪聲源，並且我打算將其隨機化。 經過研究後，我認為最適合選擇的設計將是確定的篩選設計？
我將不勝感激任何意見或建議
謝謝
美國能源部回复：確定的篩選設計說，
我假設您正在嘗試理解描述兩個因變量的響應面（RSM是一種方法）。 有很多方法可以做到這一點。 我對GEP博士教給我的循序漸進方法有偏見 盒子。 這是一種科學的方法，您可以從假設（由實驗中的因素表示）開始，然後使用數據提供對這些假設的洞察力。 沒有“正確”的方法可以做到這一點，最有效的方法是視情況而定。 這種方法通常首先從分數兩級設計開始，該設計用於篩選大量變量（基於“稀缺性”和“影響層次”的原理）。 然後朝著改善的方向移動空間並減少變量的數量。 隨著工作的反復進行，您開始向模型中添加更高階的術語。 這些較高階的影響可能是階乘（相互作用）或多項式（曲率）。 順序工作對於理解表面非常有幫助。 這類工作是最好的管理由了解機理（例如物理，化學）並可以解釋統計研究結果的科學家或工程師。 科學家/工程師應解釋（假設）並預測因素的可能影響（以及在所研究的空間中影響是否為線性），相互作用和極其重要的是，噪音。 也許您應該從了解一階模型開始和噪音的影響在研究非線性關係之前，但這取決於您所做和不知道的事情。 根據您對情況的有限討論，我的建議是花一些時間來確定可能的噪音，然後製定應對噪音的策略。 我還認為，阻塞（或：重複，分裂圖，協變量等）比隨機分配是一種更好的策略。 為什麼要這麼做，因為您想了解噪聲的影響，因此最好分配噪聲，而不僅僅是獲得噪聲大小的數字估算值。 希望隨機化可以使您對噪聲進行無偏估計，但它可能會損害設計的精度。
GEP“阻止您可以隨機分配的內容” 盒子
我並不是說不要使用確定性的篩選設計（布拉德·瓊斯（Brad Jones）在將這種設計策略推向社區方面做得很出色），您只需要權衡此時所需的信息以及獲得的資源即可。該信息。
祝你好運。
回复：確定的篩選設計我將僅添加兩個評論@statman ，。
首先，它是一種篩選設計，因此打算用於具有關鍵篩選原則的篩選情況。 我懷疑在您的案子中沒有成立的最重要的問題之一是效果的稀疏性。 這種設計強調經濟而不是能力。 假設實際上沒有幾個因素是活躍的。 您是否期望不到8個因素中的一半處於非活動狀態？
其次，無論是否進行篩查，請注意“根據團隊以前的經驗確定每個因素的水平”不太窄。 應根據需要引起響應的較大變化來確定範圍，以便回歸可以有效地估計模型參數（較小的標準誤差）。 範圍應始終較寬。 不應基於期望響應將始終達到理想水平的期望來選擇它們。 這是一個實驗，而不是測試。 實驗應提供最佳數據以支持建模，而不是支持“挑選獲勝者”。
回复：確定的篩選設計謝謝@馬克貝利
回到您的評論，我不知道我有一半以上的因素是不活躍的！ 我同意DSD最終是一種篩選設計，但它使我有可能看到我的響應中的曲率並建立響應表面模型。 從我的讀物中，可以使用正向逐步回歸分析來確定性篩選，其中應該保持效果稀疏。 另一方面，如果我想分析確定性篩查設計，並且在可能會產生許多影響的情況下（占我因素的一半以上），我應該使用適合確定性篩查平台，該平台應考慮DSD的有利結構（添加額外的運行並分兩個階段分析模型）
怎麼想的？
回复：確定的篩選設計謝謝@statman為您提供的信息
”基於對您情況的有限討論，我的建議是“請讓我知道您需要哪些細節，我將很樂意與您分享。 然後，我認為您將有更好的知名度為我提供更多建議，這是高度讚賞的
最好的祝福
