标称响应实验的因素筛选设计？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，可以对可用数据进行逻辑回归，但我怀疑通常的阶乘/部分阶乘设计在这种情况下是否仍然有效（因为它们适用于连续响应）。 在这种情况下，合适的方法是什么？ 如果我想到任何相关术语/理论，请指出我。
提前致谢。
实验设计回复：标称响应实验的因素筛选设计？欢迎来到社区。 你是对的，名义上的回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理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，实验对于名义响应来说可能不是非常有效的资源效率，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）。 回复“是”或“通过”意味着什么？ 通过什么？ 例如，博克斯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，并找到提高弹簧性能的方法。 是否有其他方法来量化这些现象？ 正如所建议的，如果您能够检测“善良”的等级或类别，那么您可能可以使用序数尺度。 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来深入了解当前的问题。
无论如何，我们假设您只有名义上的响应。 目前存在什么类型的故障率？ 如果故障率很高（可能 >10%），那么您应该能够通过实验相当轻松地检测到该故障率的变化。 如果失败率较低 (<5%)，则实验可能效率低下，因为您可能需要较大的样本量才能检测差异。 此外，考虑到响应的性质，请确保设计空间很大（许多潜在因素设置为大胆的水平）。
回复：标称响应实验的因素筛选设计？绝对没有任何先验的理由可以解释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合理的发现之路。 健全 DOE 方法的所有原则仍然适用。 作为 JMP 高级系统工程师（现已退休），我拜访了众多使用 DOE 作为其产品设计工作命脉的消费产品公司。 行业和细分市场多种多样，从糖果/甜点、个人护理/卫生/化妆品到食品添加剂/香料。 他们经常会使用产品评估员的感官小组，并且几乎普遍地，坐在这些小组上的个人为已执行的特定实验设计提供标称类型响应数据。 事实上，根据当前的具体问题，您可能会发现更专业的设计之一，这些设计假定 JMP 支持标称响应，例如选择、最大差异或覆盖数组。 但是，没有理由不能或不应该将老式的 2 级分数阶乘或更现代的设计（例如 D 最优设计）用于筛选目的。
