CCD结果分析大家好，
我进行了筛选设计和最陡上升，这向我展示了鞍点。 然后，我在该区域进行了实验（普通中心组合设计）以捕获曲率。 但我不知道如何分析结果，我的模型对于二次项并不显着，而且缺乏拟合很显着（只有当我将模型提高到 4 次方时，模型才变得显着）。
有人可以帮助我了解更多吗？
实验设计分享和交流结果回复：CCD结果分析我试图遵循你的思维过程，但是，当然，我不明白你的调查的“科学性”。 我将分享我的一些想法。
我看到你做了一个Res。 V 具有 3 个中心点的分数阶乘（尽管一个分类因子没有 CP）。 有没有提到有实际意义的回应？ 响应的变化有多少具有实际意义？ 统计显着性是一个挑战，因为您有 3 个 CP 重复项。 其中一个 DF 用于估计曲率，其他的不可分配，因此可以作为估计 MSE 的基础。 MSE 与您通常在流程中看到的变化相比如何？ E似乎是最“活跃”的，C其次。 其余的我看不到太多（同样我没有任何关于响应变量的上下文）。 你为什么继续做A和B？ 没有弯曲的证据。 基于 E 和 C 的模型看起来存在一些问题（一个不寻常的事件，残差肯定不是正态分布的）。
您使用什么模型来实现最陡的上升？ 看起来您在该模型中使用了无关紧要的因素？ 不确定为什么您的 SA 方法的结果远远超出了最佳结果？
最重要的因素被设置为最不理想的水平......嗯？ 我想进一步调查这个因素。 能不能更量化一些？
不知道为什么是CCD？ 它与您所做的其他工作有何关系？ 这里还要小心，因为统计显着性在优化中并没有发挥那么大的作用。 就优化而言，您已经知道因素很重要，那么您在寻找什么？ 最佳点（难以维持的局部最大值）或平坦点可提供更稳健的结果。
最后，我没有看到任何“处理”噪音的策略？ 没有重复/嵌套（短期噪声，如测量误差）或块或裂区（对于长期噪声，如环境、原材料批次）？
回复：CCD结果分析好的。 我不确定最陡上升实验中使用的 E 级别是多少 - 我假设是 SA。 我还对 CCD 因子如何映射到因子 A、B、C、D 做出了一些假设。
我把所有数据拉到一张数据表中（附后）。 我认为它很有用，但可能没有给您所希望的答案。
最陡上升实验和 CCD 之间似乎发生了一些奇怪的事情。 这两个阶段的结果不适合同一模型。 CCD 中使用的因子范围与最陡上升中的最佳运行非常相似，但 CCD 中的响应要低得多（与 240 至 260 相比，<100）。 再次，我假设最陡上升和 CCD 实验的因子 E 设置为 SA。
无论如何，我不确定我是否会推荐您采用的方法。 筛选结果本身表明只有因素 E 和 C 是重要的，所以我不确定为什么你还继续进行最陡上升实验的其他因素。 我不明白最陡上升方法，因为我没有使用过这种方法。 我也不建议对 CCD 使用非常窄的因子范围，除非您的目标是确定该过程在这些范围内是否稳健。
我希望这对您来说是一次有用的经历，即使您没有得到您想要的结果。 在下一个项目之前，您可能需要探索一些资源以了解有关 DOE 的更多信息。 这解决工业问题的统计思维课程在 DOE 上有一个很好的模块。
回复：CCD结果分析- 由于 D 因子对响应的影响较低，因此 CCD 中的 D 因子没有变化，我将其设置为 0.24。
- E 是分类因子，因此选择 SA 而不是 SB（尽管显示出更好的结果......， SA更环保）
- 因此，除去SB的值，筛选实验中获得更高的值
回复：CCD结果分析有趣的。
因素 A、B、C、D 与 CCD 中的因素有何关系？
哪些因素 A、B、C、D 在 CCD 中不变？设置是什么？
最陡上升和 CCD 实验的因子 E 水平是多少？ （从你的筛选设计来看，这似乎是迄今为止最重要的因素）
筛选、最速上升和 CCD 的响应是否相同？ （在 CCD 之前您获得了更高的值）
谢谢，
菲尔
回复：CCD结果分析当然！
该模型似乎与非显着缺乏拟合相关，p 值显着，R2、Radj 和 R pred 也很高
所以我做了最陡的上升来知道如何增加每个因素。 第二个实验显示了实验 4 和 5 之间的曲率区域。
回复：CCD结果分析我确信这是可能的。 我对最陡上升方法一无所知。
我仍然认为将您的完整数据集与您的筛选和 CCD 实验相结合是值得的。
（我假设筛选实验数据不是您共享的数据的一部分 - 从您的描述来看，与筛选实验相比，您似乎在不同的因子区域上进行了完整的 CCD。）
也许您还需要包括最陡的上升数据。
回复：CCD结果分析非常感谢@菲尔_凯和@丹_奥伯米勒为您提供富有洞察力的评论。鉴于我以 9 步进行了最陡的上升，并且在第 3 步和第 4 步之间显示了鞍点，这对应于我的范围 (176-180°C)（响应从 4 降低到 9）。 这有可能只是局部最优吗？
回复：CCD结果分析非常感谢您的回复回复：CCD结果分析我同意@丹_奥伯米勒。 这些因素似乎对您使用的范围内的响应没有太大影响。 作为一名化学家，温度范围确实看起来非常窄 - 直觉上，如果我将温度从 175 度更改为 182 度，我不会期望看到响应发生大的变化。
如果这是一项稳健性研究，这可能是一件好事。 这里的结果告诉您，您可以在这些范围内改变因素并获得一致的响应。
但这听起来更像是一项优化研究。 在这种情况下，你就必须更大胆地进行实验才能获得有用的模型。 您可以使用 DOE 菜单中的增强设计来添加扩展因子范围的试验。
一种选择是您可以包含筛选设计中的数据。 合并的数据集可能不平衡，但我预计它将包含来自更广泛因素空间的数据，并且可能使您能够构建更有用的模型。
我已将数据作为 JMP 数据表附在您的附件中。
我希望这一切都有帮助。
菲尔
回复：CCD结果分析我在这里也不认为有什么重要意义。 事实上，我没有看到明显的不拟合，因为使用完整响应面模型进行测试的 p 值为 0.2195。 主要问题似乎是您选择的范围内的响应没有太大变化。
即使从设计中删除轴点并拟合完整的因子模型也不会显示出任何显着的影响（并且也不会显示出不拟合）。 我认为中心点的变异性（标准差 = 5.22）相对于其余数据的标准差来说很大。 我会说你的变量的范围不是很宽。 通常，您希望范围足够宽以便能够检测到效果。 从低轴点到高轴点的摆动为 7 度，-1 和 +1 水平之间仅相差 4 度，这并不是很大。
回复：CCD结果分析嗨，亚伦
外观温度是一个重要的因子。
从3D图上看，任意2个维度组成的曲线看起来都不是一条抛物线。因此第二次单体效果会不好，高次单体会造成过度单体。
同理，如果把温度设为Z轴，剩下的两个参数设为X和Y轴，也看不出一个抛物曲面（想象一座山）。因此响应曲面应该不会很好。
高次的雕刻会做出更好的R平方，但很有可能是过度雕刻。
希望可以帮助到你。
