最近，JMP 与英国皇家化学学会和化学世界合作举办了为期一周的系列实验设计研讨会。
从表面上看，这个系列应该是针对美国东部和西部的，但是，正如下面的与会者地图所示，好吧——在这一点上事情有点失控了。
研讨会系列包括一个小组JMP专家将回答听众提出的问题。 每个会议有 600 到 900 名参与者，要回答活动流程中的所有问题是一项挑战。 并且有很多 - 在实时会话中大约 400 个问题，在离线环境中甚至更多。
一旦团队恢复（并且联合搽剂发挥了它的魔力），我们就聚在一起查看趋势问题，并将其放入网络上的系列常见问题解答中。 以真正的 JMP 方式，我们通过文本资源管理器运行这些问题并得出前五名。 他们在这里，以及我们的答案：
问题1：中心点的目的是什么？ 我们什么时候需要使用它们？ 我们需要多少？
好吧，我们可能应该首先澄清这一点：中心点是存在于设计空间中心的实验处理。 如果您有一个三因素设计空间，您可以将其映射到 3D 图，它通常看起来像立方体。 中心点将位于立方体的中心，与所有边、面和顶点等距。
中心点的主要目的是帮助提醒我们注意数据集中的曲率（或曲线行为，如果您想要 $5 词的话）。 几个中心点一起也可以用作复制的替代品。 也就是说，您真的不应该为何时使用它们而烦恼。 如果您专注于以模型为中心的 DOE（优化设计）和其他现代 DOE 策略，例如确定性筛选设计 (DSD)，则在必要时会自动包含中心点。 您只需要包含需要研究中心点的模型项，其余的由算法处理。 如果想要添加更多中心点来研究可变性（并且您已经为验证集预留了材料！），那么您可以很容易地添加它们。 您只需要进行功效分析即可找出正确的数字。
问题 2：我们需要重复我们的实验吗？ 为什么？ 我可以使用重复测量作为重复吗？
这个问题的答案很大程度上取决于你正在做的实验类型。 如果您更关注事物的“筛选”端，那么复制就不那么重要了，因为您正在寻找总体趋势而不是太多的可变性。 你可能添加一些中心点以了解变化，如果您不做 DSD，则对曲率进行一些筛选。 但仅此而已。 如果您正在进行模型构建或改进，那么如果您有资源和时间，您可能应该进行复制。
在重复测量中（例如，一个接一个地运行相同的因子设置几次，或者对因子设置的一次运行的结果进行多次测量），那些不是复制运行。 这有点令人困惑，因为复制品和重复或者重复测量听起来它们应该是一回事，但在这种情况下有一个重要的区别。
一种复制的运行（在 DOE 意义上）是实验的随机重复。 假设您要使用 DOE 表并将其放入电子表格中。 那么如果你要放一个完整 DOE 的第二个副本在同一个电子表格的下方，它仍然不是复制的 DOE ……还没有。 现在，如果您将 DOE 的两个副本的行顺序随机化，那将是一个带有重复的 DOE。
如果你在做重复测量值，您可以取它们的平均值，然后将平均值用作该处理组合的值，但它们与复制的运行。 重要的一点是复制包括随机化因此可以淡化潜在变量的影响。 重复测量没有这个属性。
问题 3：我的 DOE 中可以有多少个回答？ 我如何与他们合作？
添加因素就所需的运行而言，DOE 增加了成本；回应基本上是免费的。 您可以测量无限数量的响应变量，以了解因子变化如何影响所有响应。 使用 JMP 预测刻画器寻找最佳流程设置时，用户可以选择反映不同响应相对重要性的加权方案。
虽然对 DOE 中的响应数量没有任何理论上的限制，但在 DOE 设置期间定义所有响应对您有利。 在收集数据后，JMP 会自动将它们与您提供的所有信息（合意性上限/下限、LOD 值、目标和重要性）传递到建模平台。 它还有助于确保您已考虑如何衡量 DOE 的成功，并确保您的所有响应都可以检测到您为因子计划的水平上的差异。
问题 4：您如何知道您的因子范围是否合适？
一条经验法则是，如果根据您的因子设置，您预计某些运行会产生不希望的结果（即最终进入垃圾箱），那么您可能是对的。 但是你不希望你的范围太宽，以至于你最终没有可衡量的结果。
这可以表达的另一种方式是这个建议：B大胆地设置你的因子范围. 设置你的低点低的，还有你的高潮高的. 只关注让您感觉舒适的范围是一种很大的诱惑，因为您怀疑在那里达到了最佳。 避免这种诱惑。 当因子范围较大时，模型的结果会更清晰，估计的精度也会更高。
如果您担心您的过程由于范围较广而无法在设计空间的某些区域生成可用数据，通常可以通过定义禁止将运行分配到这些区域的因子约束来解决此问题。请记住，您可以灵活地将此策略用于优化设计。
有时实验者担心，由于因子和响应之间的曲线关系，如果将因子范围设置得太宽，他们可能会错过出现在范围中间的最佳设置。 在自定义设计中，这应该通过向所需模型添加多项式项来解决，这将导致生成的设计包括设置在端点之间的中间因子值的运行。
更一般地说，您希望实验覆盖足够宽的范围，以便清楚地看到设置中的差异。 您还希望您的设置相距足够远，以便您可以看到曲线中的任何拐点，让您知道“好”和“坏”的位置。 否则，当您进行优化时，结果将在您的设计空间中处于极高或极低的值。 而且，您不会知道自己是否靠近系统失控的地方。
问题5：古典设计和现代设计有什么区别？
经典设计是实验者必须遵循的固定计划，使计划的研究符合他们的要求和约束。 这些设计是在无处不在的廉价计算时代之前开发的。 现代设计使用软件算法为手头的情况生成独特的计划。 现代设计试图为实验者提出的统计问题提供最佳答案，同时保持在指定的实验预算内。
现代设计是古典设计的自然延伸。 通过运行现代 DOE，您不会失去从经典设计中记住的任何东西，但您获得了很大的灵活性。 从根本上说，现代设计是以模型为中心因为它们使设计适合由用户定义的术语组成的模型。 作为用户，您通过选择模型来决定您想在实验中学习什么。 经典的设计是以设计为中心因为他们定义了设计，并且期望用户使他们的问题适合该预定义的设计。 在许多情况下，现代和经典方法将导致相同的设计，因为经典设计最适合拟合标准模型。 现代设计使您能够在经典方法不起作用的情况下找到最佳设计，例如当您需要探索形状不规则的因子空间时。
冒险还在继续
就是这样。 在查看结果时，有趣的是看到这些问题出现的频率。 这让我想起了我的许多老师说过的话：“问这个问题，因为很可能其他人也有这个问题，但太害羞而不敢问。”
无论如何，你认为我们错过了一个吗？ 您还有其他关于 DOE 的迫切问题吗？ 继续将它们放在评论中，我们将看看我们可以做些什么来让它们得到答复。 在那之前，祝你试验愉快！
很棒的博客！
这是一个没有包含的问题，但我在实践中经常遇到，“哪种设计最好？” 我对答案的看法并不像初学者所期望的那么简单。
