最終篩選設計各位，
我計劃建立一個 RSM 來優化我的方法。 我有 8 個連續因素、1 個分類因素和 2 個回應。 每個因素的水平是根據團隊過去的經驗來決定的。 我不知道因素之間是否有交互作用。 我無法辨識噪音源，我打算進行隨機化。 經過我做了一些研究，我認為最適合的設計選擇是最終的篩選設計？
我將不勝感激任何評論或建議
謝謝
實驗設計回覆：最終篩選設計我認為，如果效應稀疏性原則不成立，就不能期望擬合基於 DSD 資料的無偏模型。 Fit Definitive Screening 方法並沒有逃脫這項原則的假設。
至少，您應該添加遊程並使用超過最小遊程數，並使用超過預設的 4 次附加遊程來覆蓋模型中的潛在效應數。 額外運行幾次？ 我不知道。 DSD 中運行的添加通常基於功效的考慮，這是選擇篩選設計的關鍵特徵。
另一種方法是自訂設計，您可以根據需要更改每個項目的可估計性，並為每個「如果可能」項目添加 3-4 次運行。
與任何篩選設計一樣，DSD 的經濟性很有吸引力，但小型設計只有在項數較少的情況下才能滿足模型。
回覆：最終篩選設計謝謝@statman對於您提供的信息
」我的建議基於對您的情況的有限討論」請告訴我您需要哪些詳細信息，我將很樂意分享。 然後我想你會有更好的知名度給我更多的建議，非常感謝
此致
回覆：最終篩選設計謝謝@馬克貝利
回到你的言論，我不知道我的一半以上的因子是否不活躍！ 我同意 DSD 最終是一個篩選設計，但它提供了查看我的響應中的曲率並建立響應曲面模型的可能性。 根據我的閱讀，可以使用前向逐步迴歸來分析最終篩選，其中效果稀疏性應該保持不變。 另一方面，如果我想分析最終篩選設計，並且如果許多效應可能是活躍的（超過我的因素的一半），我應該使用 Fit Definitive Screening Platform，該平台考慮了 DSD 的有利結構（添加額外的運行並分兩個階段分析模型）
覺得怎麼樣？
回覆：最終篩選設計我將僅添加兩則評論@statman ,.
首先，它是一種篩選設計，因此它旨在用於關鍵篩選原則成立的篩選情況。 我懷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。 這種設計強調經濟性而非性能。 假設實際上很少有因素是活躍的。 您預計 8 個因素中不活躍的因素是否會少於一半？
二、篩檢與否，小心「每個因素的水平是根據團隊過去的經驗來決定的」 並不太狹窄。 應根據引發反應大變化的需要來確定範圍，以便迴歸可以有效估計模型參數（小標準誤差）。 範圍應該總是很寬。 不應基於響應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。 實驗應該提供最好的數據來支持建模，而不是支持「選出獲勝者」。
回覆：最終篩選設計說，
我假設您正在嘗試理解描述兩個因變數的響應面（RSM 是一種方法）。 有很多方法可以做到這一點。 我對 GEP 博士教我的順序方法有偏見 盒子。 這是一種科學方法，從假設（由實驗中的因素表示）開始，並使用數據來深入了解這些假設。 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。 這種方法通常從用於篩選大量變數的分數 2 水平設計開始（基於稀缺性和效應層次原則）。 然後將空間移向改進的方向並減少變數的數量。 隨著您的工作迭代，您開始為模型添加更高階項。 這些高階效應可能是階乘（交互作用）或多項式（曲率）。 連續的工作對於理解表面非常有幫助。 這種類型的工作最好管理由了解機制（例如物理、化學）並且能夠解釋統計研究結果的科學家或工程師所開發。 科學家/工程師應該解釋（假設）並預測因素的可能影響（以及該影響在所研究的空間中是否是線性的）、交互作用和極為重要的是，噪音。 也許您應該從了解一階模型開始以及噪音的影響在研究非線性關係之前，但這是你知道和不知道的函數。 根據您對自己情況的有限討論，我的建議是花一些時間確定可能存在的噪音，然後製定處理該噪音的策略。 我還認為分塊（或：重複、裂區、協變量等）是比隨機化更好的策略。 為什麼，因為您想了解雜訊的影響，最好對其進行分配，而不僅僅是對其大小進行數值估計。 雖然隨機化有望為您提供雜訊的無偏估計，但它可能會損害設計的精確度。
“阻止你可以隨機化你不能的東西”，GEP 盒子
我並不是說不要使用明確的篩選設計（布拉德瓊斯（Brad Jones）在將這種設計策略引入社區方面做得非常出色），您只需權衡此時需要獲得哪些信息以及獲得的資源該資訊.
祝你好運。
