用於分析的 FIT DSD 平台的演示和應用非常有趣。
特邀論文獲獎者
Bradley Jones，JMP 傑出研究員，JMP
正如其名稱所表明的那樣，Fit Definitive Screening 平台的最初預期用途是分析確定性篩選設計 (DSD)。 令人驚訝的是，這個平台可以分析比 DSD 更廣泛的設計類別。 事實證明，DSD 是一種非常特殊的折疊設計，是用於因子篩選的標準教科書設計。 Fit Definitive Screening 平台進行創新分析所需的只是折疊設計。 本演講演示瞭如何使用定制設計工具製作折疊設計，然後使用 Fit Definitive Screening 平台對其進行分析。 幾個例子說明了這個兩步過程，並將分析結果與忽略設計結構的更多標準方法進行了比較。
你好。 我的名字是布拉德利瓊斯。
我是 JMP DOE 集團的經理，今天我想和你談談的是
Fit Definitive Screening Platform 的驚人用途。
如果您還沒有進行最終篩選設計
並使用該平台對其進行分析，
那麼你就不會確切地知道平台在哪裡。
我會告訴你的。
但我要告訴你的是，你不必使用
最終篩選擬合平台只是為了適合最終篩選。
它也可以適合其他東西，這是一個驚喜。
我將首先談談這個演示文稿的主要思想是什麼，
然後我將回顧 Fit Definitive Screening 的工作原理。
當然，
我將手動向您展示，但平台會為您完成所有工作，
所以你真的不必做所有這些乏味的事情。
然後我將舉幾個使用擬合確定性篩選的示例
分析不是最終篩選設計的其他設計。
最後我會提出一些建議。
首先，這是一個明確的篩選設計。
如果您查看頂部的第一對運行，您可以看到
這裡的每個值都是正或負一，這裡的每個值都是負或加一。
它試圖表明的是，無論最高數字有什麼價值，
底部的數字具有相反的值。
如果這是加一，那將是減一。
如果這是減一，那麼這將是加一。
事實上，這個例子的所有六對設計
是這樣的鏡像
表示最終篩選設計是折疊設計。
讓我們想想什麼是折疊設計
以及在屬性方面進行折疊設計意味著什麼。
對於任何折疊設計，
主效應和雙因素交互作用不相關，
這意味著它們在統計上是獨立的。
每八次運行的倍數都存在正交折疊設計。
然而，正交主效應並不那麼重要
作為雙因素交互作用中主效應的正交性。
您可以選擇在主效應中允許一些非正交性
為了得到這個主要影響的好屬性
與雙因素交互作用無關，
這意味著如果你有活躍的雙因素交互，
他們不會對任何主要影響的估計產生偏差。
我想告訴你如何製作，
或者談談如何在 JMP 中進行折疊設計，
您可以在自定義設計器中執行此操作。
您打開定制設計器。
您添加兩級分類或連續因子。
默認情況下，連續因子始終為兩個水平。
然後你再次選擇一個只有主效應的模型，也就是默認模型。
然後你可以選擇運行次數是 2 的倍數
其中兩個的倍數必須至少與
因子數乘以 2。
然後在自定義設計器上的紅色小三角菜單中，
你去 Optimality Criterion，然後查看子菜單
並從紅色小三角菜單中選擇使別名優化設計。
然後你就完成了。 您所要做的就是單擊“製作設計”。
然後在你看到設計之後，你可以檢查 Alias Matrix
主效應和雙因素交互作用僅包含零。
如果設計中的試驗次數不是八的倍數，
那麼您可能會看到雙因素交互作用與截距之間的一些相關性。
但是這個截距估計對於篩選並不重要。
讓我給你一個該過程的 JMP 演示。
這裡的第一個例子是如何進行折疊。
我將創建一個六因素定制設計。
在這個設計中，我有從 A 到 F 的因子。
你可以看到 A 到 F 因素是模型中唯一的東西
那是默認值。
現在我要去紅色小三角菜單
我選擇 Alias Optimal，這是這裡的最後一個選擇。
然後如果我說，“好吧，讓我們運行 16 次而不是 12 次”，然後進行設計，
它正在關閉，它會計算
六個因子和 16 次試驗的 Alias 最優設計。
現在我將通過查看別名矩陣來檢查，
您可以看到 Alias 矩陣中的所有內容都為零。
我可以做的另一件事是查看顏色圖和相關性，
我可以看到主要效果都是白色的，矩形區域
顯示主效應和雙因素交互作用也是全白的，
這意味著這個設計實際上是一個折疊設計。
我可以用它來做一個篩選實驗。
讓我回到我的幻燈片。
Definitive Screen Design 平台所做的一切
檢查設計是否為折疊式。
它實際上並不要求您在表中擁有的內容是最新的
實際上是一個DSD。
您可以使用 Fit DSD 分析任何折疊設計。
這就是驚喜。
這就是這個的主要思想不是首先向你展示，
您可以使用自定義設計器非常簡單地創建折疊設計，
如果你有一個折疊設計，
您可以使用 Fit Definitive Screen Design 來分析數據。
事實證明，由於主效應和雙因素相互作用
在折疊設計中彼此正交，
您可以將觀察到的響應拆分為兩個新響應。
您用於識別主要影響的一種響應，
你可以稱之為YME。
另一個你可以用來識別雙因素交互的反應，
你可以稱之為 Y2FI 。
事實證明，因為
主效應與雙因素交互作用正交，
您創建的兩列將相互正交。
你這樣做的方式是你可以擬合沒有截距的主效應模型
並保存該模型的預測值。
然後在這樣做之後，你可以調用該列 YME，
然後你要做的下一件事就是保存那個擬合的殘差，
並且這些殘差在雙因素相互作用的空間中。
現在，這兩個動作是不必要的，
但如果你想知道屏幕後面是什麼
那麼這使您可以根據需要為自己執行所有這些操作。
但是，當然，您可以使用 Fit Definitive Screening 平台，
它在幕後做這件事。
讓我做一個小題外話。
我認為使用模型遺傳假設很有價值，
也就是說，一般來說，
兩因素相互作用更可能發生
如果構成該交互的兩個主要影響本身都是活躍的。
例如，
如果因子 A 和因子 B 的主效應都處於活動狀態，
那麼您可能需要考慮擬合 A B 的兩因素交互作用。
現在這不是物理定律。
沒有什麼是絕對必要的。
然而經驗證據表明，
這樣的模型比擁有
當主效應不活躍時，交互是活躍的。
現在，每個做過很多實驗的人都有這方面的反例。
我要說的是那些反例比較少見。
現在你為什麼要做出這個假設？
好吧，這就是原因。
如果你使用遺傳假設，
你可以讓一組可能的模型更小
如果你不做這個假設。
在我之前向您展示的示例中，我有因子 A 到 F，
假設事實證明只有因子 C、D 和 F 是活躍的，
那麼您將只考慮三個雙因素交互作用，CD、CF 和 DF。
既然有這三種相互作用，
有兩種到第三種可能的模型，
其中一個沒有相互作用，
並且您擁有三合一互動，
三個有兩個交互，一個有所有三個交互。
但是，如果我們想查看所有的雙因素相互作用
在所有因子 A 到 F 中，
那麼有六個選擇兩個或 15 個可能的雙因素交互，
這意味著有兩個到第 15 個或超過 32,000 個可能的模型。
篩選所有這些模型是一個更難的模型選擇問題。
如果你可以依靠遺傳假設，
你可以為自己節省很多工作
並且在選擇模型時也有很多歧義。
現在回到你如何做到這一點，
您可以形成涉及主動主效應的雙因素交互作用
然後逐步回歸到
您擁有的模型的均方誤差相對較小。
如果您有一個 Sigma 平方的估計值，
如果它們大致可比，那麼就該停下來了。
但是，當然，這仍然沒有必要手工完成
因為 Fit Definitive Screening 會為您做這件事。
讓我給你看幾個這個過程的例子
我將從 Doug Montgomery 的一個例子開始
實驗教材設計與分析，第八版。
他這樣做是因為他首先運行了一個分辨率三部分階乘
有七個因素和八次運行。
讓我向您展示該設計以及如何對其進行分析。
這是一個分辨率三設計，
如果我只做適合篩查，
你在這裡看到的是我們的 B、D 和 A 是主動效果
並且與 B、D 和 A 的影響相比，G 可能略微活躍但很小。
但是讓我們評估一下這個設計。
我只需單擊表中的 Evaluate Design 腳本。
如果我查看別名矩陣，
您可以看到因子 A 與 BD 交互作用相混淆。
您也可以通過查看顏色圖來了解相同的內容。
你可以看到A和BD交互之間的相關性是1，
這意味著我不知道我所看到的是否
實際上是A的主效應
或 B 和 D 的雙因素交互作用或它們的任何線性組合。
我所擁有的是模棱兩可
為了解決這種歧義，我需要進行更多的運行。
回到我的例子，
然後在教科書中發生的事情是設計被折疊起來。
現在有 16 次運行，而不是 8 次運行。
讓我給你看這個例子。
這是折疊的設計。
如果我做 Evaluate Design 然後查看 Alias 矩陣，
我可以看到 Alias 矩陣對於每個可能的值都為零。
我可以通過查看相關性的顏色圖來學習同樣的事情。
我看到主要影響是正交的
並且所有主效應都與所有雙因素交互作用正交。
我現在知道我有一個折疊設計，而且
我的主要影響不會受到兩因素相互作用的影響。
我有眼睛聚焦所需時間的數據。
如果我點擊這個腳本，我會看到折疊的結果。
我首先看到的是 B 和 D 是兩個主要影響，就像以前一樣，
除了 A 不再存在，因為，你猜怎麼著？
BD 相互作用非常重要。
而真正的模式是BD和BD交互。
現在我們可以運行這個模型，我們可以看到
首先，我們的實際預測圖和殘差看起來都不錯。
然後使用分析器，我們可以看到
當我將 B 從一端移動到另一端時，
線的斜率，D對時間影響的預測線變化。
這就是互動的本質。
有互動的時候，
一個因素的斜率取決於另一個因素的值。
所以現在我們有了
這是您將使用的設置，如果
你想最大化眼睛聚焦的時間。
通常，您希望盡量減少時間。
這將是您想要用來最小化眼睛聚焦時間的設置。
這個例子到此結束。
現在讓我回到我的幻燈片一秒鐘
並介紹花生固體示例。
花生固體的例子就是一個例子
我的朋友 Chris Nachtsheim 實際上是在諮詢環境中所做的
我們在示例數據庫中有
花生固體實驗作為明確的篩選設計。
但我所做的卻是創建了一個兩層折疊設計
並使用相同的模型為此創建數據。
所以讓我給你看這些數據，
這是我的第二個例子，花生例子。
請注意我有 PH、水溫、提取時間、
比率、攪拌速度和兩個分類因素，
是否先水解花生，是否預浸花生，
然後測量的是花生固體。
還要注意這裡的運行次數是 22，
這不是八的倍數。
因此，當我查看評估設計時，
我不希望這種設計對於主要效果是正交的。
當我查看別名矩陣時，
您可以看到截距是相關的或混疊的
通過任何積極的雙因素交互作用非常少量。
再一次，如果我查看相關顏色圖單元格圖，
你可以看到主效應不是相互正交的，
但它們的相關性，
它們的絕對相關性非常小，就像十一分之一。
再一次，因為這個區域是白色的，
主效應與雙因素交互作用正交。
這就是我們想要的。
這是我們使用 Fit Definitive Screening 平台所必須具備的條件。
現在我要運行那個平台。
我看到的是我有四個活躍的主效應，這意味著我有
多達四個選擇兩個或六個雙因素交互來檢查。
它看起來像比例和攪拌速度
是一個我並不真正需要的術語，示例的非常小的估計。
但是生成數據的真實模型
這裡涉及這四個雙因素相互作用。
比率乘以攪拌速度原來是第一類錯誤，
除了我們可能無論如何都會擺脫它，而且它的估計非常小。
在這裡，我們使用了擬合確定篩選設計
還有這種遺傳假設
主效應和雙因素交互作用
不僅要找到所有主效應，還要找到四個主動的雙因素交互作用
在與主動主效應相關的兩因素交互作用中。
我們找到了實際的數據生成模型，即正確的模型。
好的，那我建議你做什麼？
首先，我向您展示瞭如何使用最優設計標準
在自定義設計器中創建折疊設計
你可以相對簡單地做到這一點
而且您不一定要創建正交的 Foldove r 設計。
Fit Definitive Screening Design 平台不在乎
設計是否正交，
只要設計是折疊設計，它仍然會分析數據。
然後一旦你有了這個折疊設計和數據，
您可以使用“擬合確定性篩選設計”平台來分析數據。
因此，用耐克的話來說，“就去做吧。”
這裡有一些參考。
前兩個是參考原始論文
關於確定性篩選實驗，然後是肖和合著者的論文
展示了我們現在如何創建最終篩選設計
不涉及優化，直接構造
使用會議矩陣。
然後是第二篇論文，米勒和西特，
有我在這裡介紹的分析 F old over 設計的基本思想。
這是在 2005 年的技術計量學中，
但我們正在使用稍微更新的模型選擇技術
比米勒和西特。
最後，那裡的最後一個參考
再次在 Technometrics 中講述 Chris Nachtsheim 和我如何寫了一篇論文
基本上解釋瞭如何使用這種折疊技術
以及要做的分析
兩步法中確定性篩選設計的模型選擇
我在本次演講的一開始就談到了這一點。
非常感謝您的關注
我會在演講最終交付時回答問題。
