标称响应试验的因子筛选设计？大家好，
我想知道是否有一个好的策略来设计一组实验来找到对响应影响最大的因素，这是名义上的（是/否，通过/失败类型的响应）而不是典型的连续响应？ 虽然对于名义响应，可以对可用数据执行逻辑回归，但我怀疑通常的因子/部分因子设计在这种情况下仍然有效（因为它们用于连续响应）。 在这种情况下，什么是合适的方法？ 如果有任何想法，请指出任何相关的术语/理论。
提前致谢。
美国能源部回复：标称响应实验的因子筛选设计？绝对没有先验的理由为什么名义上的反应会排除或使实验设计的合理实践成为一条不健全的发现途径。 健全的 DOE 方法的所有原则仍然适用。 作为一名 JMP 高级系统工程师（现已退休），我拜访了众多将 DOE 用作其产品设计工作命脉的消费产品公司。 很多时候，他们会使用产品评估员的感官小组，几乎所有坐在这些小组上的个人都会为已执行的特定实验设计提供标称类型响应数据。 事实上，根据手头的具体问题，您可能会找到一种更专业的设计，这些设计假定 JMP 支持的标称响应，例如 Choice、Max Dif 或 Covering Arrays。 但是没有理由不能或不应该将良好的老式部分因子或更现代的设计（例如 d 最优设计）用于筛选目的。
回复：标称响应实验的因子筛选设计？欢迎来到社区。 你说得对，名义上的反应会带来一些特殊的挑战，皮特的建议是正确的。 这些挑战之一是响应可能是多种故障机制的结果。 它缺乏区分这些机制（可能具有不同的因果结构）的区别。
当然，您可以使用实验来更好地了解自变量和因响应变量之间的潜在因果关系。 无论响应变量如何，这都是正确的。 现在，对于名义上的反应，实验可能不是非常有效的资源，但它仍然是有效的。 我的第一组建议是考虑如何量化“现象”（响应）。 响应是或通过是什么意思？ 通过什么？ 例如，Box 博士在他的一篇论文（“质量改进的科学背景”）中描述了一个关于破裂弹簧的实验。 他能够使用 % good 作为响应并发现改善弹簧性能的方法。 是否有其他方法可以量化这些现象？ 如建议的那样，如果您能够检测到“好”的等级或类别，那么您也许可以使用序数尺度。 在我与田口博士的讨论中，他总是强调开发适当的响应变量的重要性……在许多情况下，创建一个新的响应变量以提供对手头问题的洞察力。
无论如何，让我们假设您只有名义上的响应。 目前存在哪种类型的故障率？ 如果失败率很高（可能 > 10%），那么您应该能够通过实验相当容易地检测到该失败率的变化。 如果失败率很低（<5%），那么实验可能效率低下，因为您可能必须拥有较大的样本量才能检测差异。 此外，鉴于响应的性质，请确保设计空间很大（许多潜在因素设置为粗体）。
