如何基于感官数据创建我的模型尊敬的 JMP 社区：
对于我的硕士论文，我想优化热饮的流程。 我有 5 个因子 (X1 –X5)，其中一个是难以改变的因子 (X1) 和 10 个响应变量 (Y1-Y10)。 反应由训练有素的感官小组（8 – 11 名评估员）测量。
我创建了一个包含 243 次运行的自定义 RSM 设计（基本上该设计有 27 次运行（最少数量），但每个评估员（假设有 9 个评估员）对所有 27 次运行进行评分以获得更准确的分数 (27*9=243)） . 每个评估员可以评估每个整区（=天）的 3 个样品。
我认为将杯子中样品的温度作为一个不受控制的因素。 然而，它是在评估视觉外观后测量的，因此可能会有所不同，这取决于一个人评估样品外观所花费的时间。 杯子中的温度可能与过程相关（例如，杯子中的高温 -> 过程中使用了较热的水 -> 可能会影响整体风味）。 我应该包括它吗？
对于设计评估，我想使用合意性函数同时优化我的响应并获得最佳因子设置。
现在我的问题：
- 我输入的因素是连续的，因为我相信估计会更精确。 然而，最终，我最多想达到一个已经定义的因素水平（例如，过程中的温度是一个因素（87 - 95 °C；定义的水平为 87、89、91、93 和 95 °C），并且通过优化我宁愿达到这些级别之一）。 我应该选择离散因子，还是只是将最佳设置四舍五入到我的因子水平（如果合适）？
- 我生成具有 243 次试验的设计是否正确？ 因为我想我不想将“重复”视为重复，而是将其视为重复测量，以获得我所说的更精确的结果。 但我想考虑评估员的可变性（这就是我不想使用平均值的原因）。
- 我如何在我的设计中包含评估员？ 我生成了一个额外的列，并将该术语作为随机效应包含在我的模型中。 另外，如何定义设计角色和数据类型？
- 并且评估人员是否总是必须是相同的 9 个人，或者他们可以从整个情节到整个情节变化？ （每个评估员都有一个单独的 ID。）
- 合意性函数是否足以构建我的模型并同时优化所有响应，还是应该使用其他预测建模方法（Bootstrap Forest、K Nearest Neighbor，...）来对我的模型进行良好的估计？
- 我使用饮料参考来“校准”面板（评估员总是首先饮用并评估参考，然后是样品；参考饮料来自不同的过程）。 我应该在我的模型中包含参考吗？ 如果是这样，如何？
感谢您的帮助，感谢您在我的设计/模型中发现的任何错误！
PS：附件包含我之前的设计，对于假评估，我使用了一些旧的感官数据（我还没有开始测量）。
美国能源部回复：如何根据感官数据创建我的模型@kPvDoE我的第一个想法是，既然这是你硕士论文的一部分，我们应该提供多少建议？ 我没有看你的设计/模型。
设计的创建中不应包括对每个处理的多次评估。 这些多重评估确实是重复的，并不独立于治疗，因此不是额外的自由度。 在总结和分析治疗效果之前，应对治疗内“评级”进行评估。 温度因素有点进退两难。 有两个温度？ 一个用于制备（或制造）饮料，另一个用于评估饮料？ 听起来您正在 5 个级别上对设计因子进行试验（为什么，您期望一些 4 阶多项式效应？ 或者你想“挑选一个赢家”？ 饮用饮料时的温度可以是协变量。
对于治疗内评估，我假设您使用的是感官顺序量表？ 对于顺序量表评估，您应该首先评估 9 位评估员的评估一致性，并确定任何潜在的异常值或偏差。 绘制他们的反应并寻找系统模式会很有用。 然后，如果合适，用平均值/中值和一些离散度量（范围或标准偏差）总结这些评估。 就参考而言，我建议您对序数表的每个类别都有一个实际样本。 评估应该是“哪个样本与测试样本匹配”与您更喜欢哪个（因为这涉及个人偏见）。 我附上了一份简单的论文，我用来提供有关感官/序数尺度使用的建议。
回复：如何根据感官数据创建我的模型感谢您的快速回复@statman
我不是统计学家，在我的硕士论文之前从未听说过 DOE，不幸的是我没有可以指导我的导师。 这就是我在社区中寻求帮助的原因；)
正如您所描述的，确实有两种温度。 对于生产温度，我不想找到四阶多项式。 可以在机器中选择 5 个级别，我尝试“从中挑选最好的”。
对于消耗温度：如果我将其定义为协变量，则必须提前知道温度并将其添加到我的设计中。 但我无法确保治疗的温度。 或者这是偶然的？
实际上，我正在使用定量描述分析方法的变体进行感官评估，因此我认为我没有序数数据。 评估者使用末端有两个语言锚点的非结构化线标度来评估定义属性的强度。 测量后，标尺的总长度将转换为 0（最低强度）和 100（最高强度）之间的数值。 因此，数据之间的距离是已知的并且具有意义。 参考样本有望用于校准评估员的强度测量值并获得更一致的评估。
但我想我仍然可以使用论文中的一些建议。 或者您是否也有定量数据，或者那里的一致性评估是否完全不同？
回复：如何根据感官数据创建我的模型根据您的回复，我建议您阅读一些有关 DOE 的书籍，或者查看一些 JMP 提供的有关 DOE 的在线参考资料，例如：
https://www.jmp.com/en_us/events/getting-started-with-jmp/doe-intro-kit.html
1. 请原谅我的过度简化，但 DOE 不是测试。 在实验中，您正在寻找与每个响应变量相关的因果结构是什么的线索。 进行测试以选出获胜者。 这就是为什么运行实验时，您可能会从设置为 2 个粗体级别的多个因素开始以评估线性效应，筛选出不太有趣的因素，然后继续迭代（移动空间并增加 ）剩余的因素。 如果在 2 个水平上对多个因素进行试验，您可以获得线性主效应和交互效应的估计值，具体取决于设计的分辨率。 如果添加级别，则可以获得非线性效应的估计值（3 个级别 - 二次，4 个级别 - 三次等）。 通常，您以泰勒级数方法构建模型，从线性缅因效应开始，然后是线性交互效应，然后是二次等（从一阶到二阶到三阶……构建模型）。 但是，目的不是创建一个复杂的模型，目的是使模型尽可能简单，同时仍然有一个可用于预测的模型。
2. 协变量是一种处理您无法具体控制/管理但可以测量的因素的方法。 我们将此随机变量纳入固定效应模型（来自美国能源部）。 考虑协变量可以提高实验的精度，而不会影响推理空间。 当然，您现在正在分析混合模型。
3.我不熟悉定量描述分析方法，但听起来很有趣。 我一直将人类感官感知作为响应变量。 根据我的粗略看，测量是间隔。如何获得一致性并减少偏见是具有挑战性的。 我看不出这种方法如何处理这些问题。 有许多关于可以一致用于人类感知的尺度中的单位数量的研究论文。
