標稱響應試驗的因子篩選設計？大家好，
我想知道是否有一個好的策略來設計一組實驗來找到對響應影響最大的因素，這是名義上的（是/否，通過/失敗類型的響應）而不是典型的連續響應？ 雖然對於名義響應，可以對可用數據執行邏輯回歸，但我懷疑通常的因子/部分因子設計在這種情況下仍然有效（因為它們用於連續響應）。 在這種情況下，什麼是合適的方法？ 如果有任何想法，請向我指出任何相關的術語/理論。
提前致謝。
美國能源部回复：標稱響應實驗的因子篩選設計？絕對沒有先驗的理由為什麼名義上的反應會排除或使實驗設計的合理實踐成為一條不健全的發現途徑。 健全的 DOE 方法的所有原則仍然適用。 作為一名 JMP 高級系統工程師（現已退休），我拜訪了眾多將 DOE 用作其產品設計工作命脈的消費產品公司。 很多時候，他們會使用產品評估員的感官小組，幾乎所有坐在這些小組上的個人都會為已執行的特定實驗設計提供標稱類型響應數據。 事實上，根據手頭的具體問題，您可能會找到一種更專業的設計，這些設計假定 JMP 支持的標稱響應，例如 Choice、Max Dif 或 Covering Arrays。 但是沒有理由不能或不應該將良好的老式部分因子或更現代的設計（例如 d 最優設計）用於篩選目的。
回复：標稱響應實驗的因子篩選設計？歡迎來到社區。 你說得對，名義上的反應會帶來一些特殊的挑戰，皮特的建議是正確的。 這些挑戰之一是響應可能是多種故障機制的結果。 它缺乏區分這些機制（可能具有不同的因果結構）的區別。
當然，您可以使用實驗來更好地了解自變量和因響應變量之間的潛在因果關係。 無論響應變量如何，這都是正確的。 現在，對於名義上的反應，實驗可能不是非常有效的資源，但它仍然是有效的。 我的第一組建議是考慮如何量化“現象”（響應）。 響應是或通過是什麼意思？ 通過什麼？ 例如，Box 博士在他的一篇論文（“質量改進的科學背景”）中描述了一個關於破裂彈簧的實驗。 他能夠使用 % good 作為響應並發現改善彈簧性能的方法。 是否有其他方法可以量化這些現象？ 如建議的那樣，如果您能夠檢測到“好”的等級或類別，那麼您也許可以使用序數尺度。 在我與田口博士的討論中，他總是強調開發適當的響應變量的重要性……在許多情況下，創建一個新的響應變量以提供對手頭問題的洞察力。
無論如何，讓我們假設您只有名義上的響應。 目前存在哪種類型的故障率？ 如果失敗率很高（可能 > 10%），那麼您應該能夠通過實驗相當容易地檢測到該失敗率的變化。 如果失敗率很低（<5%），那麼實驗可能效率低下，因為您可能必須擁有較大的樣本量才能檢測差異。 此外，鑑於響應的性質，請確保設計空間很大（許多潛在因素設置為粗體）。
