最近，JMP 与英国皇家化学学会和 Chemistry World 合作举办了为期一周的实验设计系列研讨会。
该系列表面上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，在这一点上事情有点失控了。
该研讨会系列包括一个小组联合管理计划专家们将回答观众提出的问题。 每场会议有 600 至 900 名参与者，回答活动流程中的所有问题具有挑战性。 其中有很多问题——现场会议中的问题大约有 400 个问题，而线下环境中的问题甚至更多。
一旦团队恢复过来（关节搽剂发挥了它的魔力），我们就聚集在一起，研究问题的趋势，并将其放入网络上的系列常见问题解答中。 我们以真正的 JMP 方式，通过文本资源管理器运行这些问题，并得出了前五个问题。 这里是它们以及我们的答案：
问题1：中心点的用途是什么？ 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。 如果您有一个三因子设计空间，您可以将其映射到 3D 绘图，它通常看起来像立方体。 中心点位于立方体的中心，与所有边、面和顶点等距。
中心点的主要目的是帮助我们警惕数据集中的曲率（或曲线行为，如果您想要 5 美元的词）。 几个中心点放在一起也可以用作复制的替代品。 也就是说，您真的不应该担心何时使用它们的问题。 如果您专注于以模型为中心的 DOE（最佳设计）和其他现代 DOE 策略（例如最终筛选设计 (DSD)），则必要时会自动包含中心点。 您只需包含需要研究中心点的模型项，算法就会处理其余的事情。 如果想要添加更多中心点来研究变异性（并且您已经为验证集预留了材料！），那么您可以轻松添加它们。 您只需进行功率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？
这个问题的答案在很大程度上取决于您正在进行的实验的类型。 如果您更多地关注事物的“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变化。 你可能添加一些中心点以了解变化，如果您不进行 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细化，那么如果您有资源和时间，您可能应该进行重复。
在重复测量中（例如，依次运行相同的因子设置几次，或者在一次运行因子设置的结果上获得多个测量值），这些不是重复运行。 这有点令人困惑，因为重复和重复或者重复测量听起来它们应该是同一件事，但在这种情况下有一个重要的区别。
A复制的运行（在能源部意义上）是实验的随机重复。 假设您要将 DOE 表放入电子表格中。 那么如果你要放一个完整 DOE 的第二份副本在同一个电子表格的下面，这仍然不是一个复制的 DOE……还没有。 现在，如果您要随机化 DOE 两个副本的行顺序，那么这将是一个具有重复项的 DOE。
如果你正在做重复测量值，您可以取平均值，然后使用平均值作为该治疗组合的值，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削弱潜伏变量的影响。 重复测量没有这个属性。
问题 3：我的 DOE 中可以有多少个回复？ 我如何与他们合作？
添加因素就所需运行而言，能源部增加了成本；回应基本上是免费的。 您可以测量无限数量的响应变量，以了解因素变化如何影响所有响应。 使用 JMP 预测刻画器查找最佳过程设置时，用户可以选择反映不同响应的相对重要性的加权方案。
虽然理论上 DOE 中的响应数量没有任何限制，但在 DOE 设置期间定义所有响应对您有利。 在收集数据以及您提供的所有信息（合意性上限/下限、LOD 值、目标和重要性）后，JMP 会自动将它们传递到建模平台。 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素规划的水平上的差异。
问题4：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良结果（即最终进入垃圾箱），那么您可能是对的。 但您不希望您的范围太宽，以至于最终根本没有可衡量的结果。
另一种表达方式是这个建议：B大胆设定因子范围。 设定你的最低点低的，以及你的最高点高的。 人们很容易只关注让您感觉舒适的范围，因为您怀疑那里已经达到了最佳效果。 避免这种诱惑。 当因子范围更大时，模型的结果会更清晰，估计也会更精确。
如果您担心您的流程由于范围较宽而无法在设计空间的某些区域中生成可用数据，则通常可以通过定义禁止将运行分配给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最佳设计。
有时，实验者担心，如果将因子范围设置得太宽，由于因子和响应之间的曲线关系，他们可能会错过范围中间的最佳设置。 在自定义设计中，应通过向所需模型添加多项式项来解决此问题，这将导致生成的设计包括在端点之间设置的中间因子值处设置的运行。
更一般地说，您希望实验覆盖足够广的范围，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，从而让您知道“好”和“坏”在哪里。 否则，当您优化时，结果将处于设计空间中的极高或极低值。 而且，您不会知道您的系统是否接近失控的地方。
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且廉价的计算时代之前开发的。 现代设计使用软件算法针对当前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范围内。
现代设计是古典设计的自然延伸。 通过运行现代 DOE，您不会丢失经典设计中所记住的任何内容，但您可以获得很大的灵活性。 从根本上来说，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，您可以通过选择模型来决定要在实验中学习什么。 经典设计有以设计为中心因为他们定义了设计，并且用户应该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，例如当您需要探索不规则形状的因子空间时。
冒险仍在继续
就是这样。 查看结果时，有趣的是这些问题出现的频率。 这让我想起了很多老师说过的一句话：“问这个问题，因为很可能其他人也有这个问题，但不好意思问。”
无论如何，你认为我们错过了一个吗？ 您对能源部还有其他迫切的问题吗？ 请继续将它们放入评论中，我们将看看我们能做些什么来得到它们的答案。 在那之前，祝您实验愉快！
很棒的博客！
这里有一个没有包含在内但我在实践中经常遇到的问题：“哪种设计最好？” 我对答案的看法并不像初学者想象的那么简单。
