非常有趣的介绍和应用 FIT DSD 平台进行分析。
特邀论文获奖者
Bradley Jones，JMP 杰出研究员，JMP
正如其名称所表明的那样，Fit Definitive Screening 平台的最初预期用途是分析确定性筛选设计 (DSD)。 令人惊讶的是，这个平台可以分析比 DSD 更广泛的设计类别。 事实证明，DSD 是一种非常特殊的折叠设计，是用于因子筛选的标准教科书设计。 Fit Definitive Screening 平台进行创新分析所需的只是折叠设计。 本演讲演示了如何使用定制设计工具制作折叠设计，然后使用 Fit Definitive Screening 平台对其进行分析。 几个例子说明了这个两步过程，并将分析结果与忽略设计结构的更多标准方法进行了比较。
你好。 我的名字是布拉德利琼斯。
我是 JMP DOE 集团的经理，今天想和大家聊聊的是
Fit Definitive Screening Platform 的惊人用途。
如果您还没有进行最终筛选设计
并使用该平台对其进行分析，
那么你就不会确切地知道平台在哪里。
我会告诉你的。
但我要告诉你的是，你不必使用
最终筛选拟合平台只是为了适合最终筛选。
它也可以适合其他东西，这是一个惊喜。
我将首先谈谈这个演示文稿的主要思想是什么，
然后我将回顾 Fit Definitive Screening 的工作原理。
当然，
我将手动向您展示，但平台会为您完成所有工作，
所以你真的不必做所有这些乏味的事情。
然后我将举几个使用拟合确定性筛选的示例
分析不是最终筛选设计的其他设计。
最后我会提出一些建议。
首先，这是一个明确的筛选设计。
如果您查看顶部的第一对运行，您可以看到
这里的每个值都是正或负一，这里的每个值都是负或加一。
它试图表明的是，无论最高数字有什么价值，
底部的数字具有相反的值。
如果这是加一，那将是减一。
如果这是减一，那么这将是加一。
事实上，这个例子的所有六对设计
是这样的镜像
表示最终筛选设计是折叠设计。
让我们想想什么是折叠设计
以及在属性方面进行折叠设计意味着什么。
对于任何折叠设计，
主效应和双因素交互作用不相关，
这意味着它们在统计上是独立的。
每八次运行的倍数都存在正交折叠设计。
然而，正交主效应并不那么重要
作为双因素交互作用中主效应的正交性。
您可以选择在主效应中允许一些非正交性
为了得到这个主要影响的好属性
与双因素交互作用无关，
这意味着如果你有活跃的双因素交互，
他们不会对任何主要影响的估计产生偏差。
我想告诉你如何制作，
或者谈谈如何在 JMP 中进行折叠设计，
您可以在自定义设计器中执行此操作。
您打开定制设计器。
您添加两级分类或连续因子。
默认情况下，连续因子始终为两个水平。
然后你再次选择一个只有主效应的模型，也就是默认模型。
然后你可以选择运行次数是 2 的倍数
其中两个的倍数必须至少与
因子数乘以 2。
然后在自定义设计器上的红色小三角菜单中，
你去 Optimality Criterion，然后查看子菜单
并从红色小三角菜单中选择使别名优化设计。
然后你就完成了。 您所要做的就是单击“制作设计”。
然后在你看到设计之后，你可以检查 Alias Matrix
主效应和双因素交互作用仅包含零。
如果设计中的试验次数不是八的倍数，
那么您可能会看到双因素交互作用与截距之间的一些相关性。
但是这个截距估计对于筛选并不重要。
让我给你一个该过程的 JMP 演示。
这里的第一个例子是如何进行折叠。
我将创建一个六因素定制设计。
在这个设计中，我有从 A 到 F 的因子。
你可以看到 A 到 F 因素是模型中唯一的东西
那是默认值。
现在我要去红色小三角菜单
我选择 Alias Optimal，这是这里的最后一个选择。
然后如果我说，“好吧，让我们运行 16 次而不是 12 次”，然后进行设计，
它正在关闭，它会计算
六个因子和 16 次试验的 Alias 最优设计。
现在我将通过查看别名矩阵来检查，
您可以看到 Alias 矩阵中的所有内容都为零。
我可以做的另一件事是查看颜色图和相关性，
我可以看到主要效果都是白色的，矩形区域
显示主效应和双因素交互作用也是全白的，
这意味着这个设计实际上是一个折叠设计。
我可以用它来做一个筛选实验。
让我回到我的幻灯片。
Definitive Screen Design 平台所做的一切
检查设计是否为折叠式。
它实际上并不要求您在表中拥有的内容是最新的
实际上是一个DSD。
您可以使用 Fit DSD 分析任何折叠设计。
这就是惊喜。
这就是这个的主要思想不是首先向你展示，
您可以使用自定义设计器非常简单地创建折叠设计，
如果你有一个折叠设计，
您可以使用 Fit Definitive Screen Design 来分析数据。
事实证明，由于主效应和双因素相互作用
在折叠设计中彼此正交，
您可以将观察到的响应拆分为两个新响应。
您用于识别主要影响的一种响应，
你可以称之为YME。
另一个你可以用来识别双因素交互的反应，
你可以称之为 Y2FI 。
事实证明，因为
主效应与双因素交互作用正交，
您创建的两列将相互正交。
你这样做的方式是你可以拟合没有截距的主效应模型
并保存该模型的预测值。
然后在这样做之后，你可以调用该列 YME，
然后你要做的下一件事就是保存那个拟合的残差，
并且这些残差在双因素相互作用的空间中。
现在，这两个动作是不必要的，
但如果你想知道屏幕后面是什么
那么这使您可以根据需要为自己执行所有这些操作。
但是，当然，您可以使用 Fit Definitive Screening 平台，
它在幕后做这件事。
让我做一个小题外话。
我认为使用模型遗传假设很有价值，
也就是说，一般来说，
两因素相互作用更可能发生
如果构成该交互的两个主要影响本身都是活跃的。
例如，
如果因子 A 和因子 B 的主效应都处于活动状态，
那么您可能需要考虑拟合 A B 的两因素交互作用。
现在这不是物理定律。
没有什么是绝对必要的。
然而经验证据表明，
这样的模型比拥有
当主效应不活跃时，交互是活跃的。
现在，每个做过很多实验的人都有这方面的反例。
我要说的是那些反例比较少见。
现在你为什么要做出这个假设？
好吧，这就是原因。
如果你使用遗传假设，
你可以让一组可能的模型更小
如果你不做这个假设。
在我之前向您展示的示例中，我有因子 A 到 F，
假设事实证明只有因子 C、D 和 F 是活跃的，
那么您将只考虑三个双因素交互作用，CD、CF 和 DF。
既然有这三种相互作用，
有两种到第三种可能的模型，
其中一个没有相互作用，
并且您拥有三合一互动，
三个有两个交互，一个有所有三个交互。
但是，如果我们想查看所有的双因素相互作用
在所有因子 A 到 F 中，
那么有六个选择两个或 15 个可能的双因素交互，
这意味着有两个到第 15 个或超过 32,000 个可能的模型。
筛选所有这些模型是一个更难的模型选择问题。
如果你可以依靠遗传假设，
你可以为自己节省很多工作
并且在选择模型时也有很多歧义。
现在回到你如何做到这一点，
您可以形成涉及主动主效应的双因素交互作用
然后逐步回归到
您拥有的模型的均方误差相对较小。
如果您有一个 Sigma 平方的估计值，
如果它们大致具有可比性，那么就该停下来了。
但是，当然，这仍然没有必要手工完成
因为 Fit Definitive Screening 会为您做这件事。
让我给你看几个这个过程的例子
我将从 Doug Montgomery 的一个例子开始
实验教材设计与分析，第八版。
他这样做是因为他首先运行了一个分辨率三部分阶乘
有七个因素和八次运行。
让我向您展示该设计以及如何对其进行分析。
这是一个分辨率三设计，
如果我只做适合筛查，
你在这里看到的是我们的 B、D 和 A 是主动效果
并且与 B、D 和 A 的影响相比，G 可能略微活跃但很小。
但是让我们评估一下这个设计。
我只需单击表中的 Evaluate Design 脚本。
如果我查看别名矩阵，
您可以看到因子 A 与 BD 交互作用相混淆。
您也可以通过查看颜色图来了解相同的内容。
你可以看到A和BD交互之间的相关性是1，
这意味着我不知道我所看到的是否
实际上是A的主效应
或 B 和 D 的双因素交互作用或它们的任何线性组合。
我所拥有的是模棱两可
为了解决这种歧义，我需要进行更多的运行。
回到我的例子，
然后在教科书中发生的事情是设计被折叠起来。
现在有 16 次运行，而不是 8 次运行。
让我给你看这个例子。
这是折叠的设计。
如果我做 Evaluate Design 然后查看 Alias 矩阵，
我可以看到 Alias 矩阵对于每个可能的值都为零。
我可以通过查看相关性的颜色图来学习同样的事情。
我看到主要影响是正交的
并且所有主效应都与所有双因素交互作用正交。
我现在知道我有一个折叠设计，而且
我的主要影响不会受到两因素相互作用的影响。
我有眼睛聚焦所需时间的数据。
如果我点击这个脚本，我会看到折叠的结果。
我首先看到的是 B 和 D 是两个主要影响，就像以前一样，
除了 A 不再存在，因为，你猜怎么着？
BD 相互作用非常重要。
而真正的模式是BD和BD交互。
现在我们可以运行这个模型，我们可以看到
首先，我们的实际预测图和残差看起来都不错。
然后使用分析器，我们可以看到
当我将 B 从一端移动到另一端时，
线的斜率，D对时间影响的预测线变化。
这就是互动的本质。
有互动的时候，
一个因素的斜率取决于另一个因素的值。
所以现在我们有了
这是您将使用的设置，如果
你想最大化眼睛聚焦的时间。
通常，您希望尽量减少时间。
这将是您想要用来最小化眼睛聚焦时间的设置。
这个例子到此结束。
现在让我回到我的幻灯片一秒钟
并介绍花生固体示例。
花生固体的例子就是一个例子
我的朋友 Chris Nachtsheim 实际上是在咨询环境中所做的
我们在示例数据库中有
花生固体实验作为明确的筛选设计。
但我所做的却是创建了一个两层折叠设计
并使用相同的模型为此创建数据。
所以让我给你看这些数据，
这是我的第二个例子，花生例子。
请注意我有 PH、水温、提取时间、
比率、搅拌速度和两个分类因素，
是否先水解花生，是否预浸花生，
然后测量的是花生固体。
还要注意这里的运行次数是 22，
这不是八的倍数。
因此，当我查看评估设计时，
我不希望这种设计对于主要效果是正交的。
当我查看别名矩阵时，
您可以看到截距是相关的或混叠的
通过任何积极的双因素交互作用非常少量。
再一次，如果我查看相关颜色图单元格图，
你可以看到主效应不是相互正交的，
但它们的相关性，
它们的绝对相关性非常小，就像十一分之一。
再一次，因为这个区域是白色的，
主效应与双因素交互作用正交。
这就是我们想要的。
这是我们使用 Fit Definitive Screening 平台所必须具备的条件。
现在我要运行那个平台。
我看到的是我有四个活跃的主效应，这意味着我有
多达四个选择两个或六个双因素交互来检查。
它看起来像比例和搅拌速度
是一个我并不真正需要的术语，示例的非常小的估计。
但是生成数据的真实模型
这里涉及这四个双因素相互作用。
比率乘以搅拌速度原来是第一类错误，
除了我们可能无论如何都会摆脱它，而且它的估计非常小。
在这里，我们使用了拟合确定筛选设计
还有这种遗传假设
主效应和双因素交互作用
不仅要找到所有主效应，还要找到四个主动的双因素交互作用
在与主动主效应相关的两因素交互作用中。
我们找到了实际的数据生成模型，即正确的模型。
好的，那我建议你做什么？
首先，我向您展示了如何使用最优设计标准
在自定义设计器中创建折叠设计
你可以相对简单地做到这一点
而且您不一定要创建正交的 Foldove r 设计。
Fit Definitive Screening Design 平台不在乎
设计是否正交，
只要设计是折叠设计，它仍然会分析数据。
然后一旦你有了这个折叠设计和数据，
您可以使用“拟合确定性筛选设计”平台来分析数据。
因此，用耐克的话来说，“就去做吧。”
这里有一些参考。
前两个是参考原始论文
关于确定性筛选实验，然后是肖和合著者的论文
展示了我们现在如何创建最终筛选设计
不涉及优化，直接构造
使用会议矩阵。
然后是第二篇论文，米勒和西特，
有我在这里介绍的分析 F old over 设计的基本思想。
这是在 2005 年的技术计量学中，
但我们正在使用稍微更新的模型选择技术
比米勒和西特。
最后，那里的最后一个参考
再次在 Technometrics 中讲述 Chris Nachtsheim 和我如何写了一篇论文
基本上解释了如何使用这种折叠技术
以及要做的分析
两步法中确定性筛选设计的模型选择
我在本次演讲一开始就谈到了这一点。
非常感谢您的关注
我会在演讲最终交付时回答问题。
