當存在故障邊緣條件時，應使用哪種 DoE 建模技術？你好，
我進行了雙參數全因子實驗設計（DoE）來優化製程條件。本實驗設計包含12次運行。
在先前的建模中，我驗證了我的響應分佈的正態性，但我的分佈沒有通過擬合優度檢定。 12個條件中有2個明顯屬於「失效邊緣」條件（從科學角度來看，它們的表現非常糟糕），並且導致分佈漂移（見附件）。
您推薦使用哪種建模技術？如何在不重複實驗的情況下更好地建模數據？
先感謝您的支持！
克萊爾
數據探索與視覺化實驗設計品質與工藝工程回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？關於您的示例，從正態分佈錯誤假設的角度來看，我不會擔心。 首先，如果您要從假定分佈中生成相同大小的隨機樣本，您會經常在正態分位數圖中發現“模式”。 其次，大樣本量可能會減輕偏離理想正態性的情況。 第三，擬合優度將很重要α零假設下的時間比例（擬合良好）。 如果您執行許多此類測試並且擬合始終良好，您仍然會得到一些拒絕良好擬合的結果。
請參閱我之前關於時間相關響應的回复，看看它是否解決了其他問題。
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？我建議您閱讀這篇關於 JMP 技術說明重複措施然後看看它是否適合你的學習。
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？我現在已經對殘差進行了分佈，我的分佈之一沒有通過擬合優度（見附件）。
這是依賴於時間的標準最小二乘模型的殘差分佈；每個條件有多個時程樣本。
是否需要另一種建模技術或數據轉換？
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？DoE 由 11 個點組成，其中 3 個是中心點。 還有1點檢查模型是否有效，是否被排除在模型之外。
是的，我的意思是 2 個因素。
目標是最大化一個響應。 識別故障條件的邊緣對於過程理解和以後的開發也是有用的信息。
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？非常感謝您的及時回复！ 是的，我分析了響應的正態性，現在通過您的回答我意識到我應該檢查殘差的正態性。
感謝您重新指導我正確的方向！
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？添加一點到提出的問題和建議@馬克貝利，當我計算正態概率圖中的“點”時，我計算的是 11，而不是 12，除非你對其中一種治療組合有相同的反應？ 12 是“全因子設計”的不尋常運行次數。 如果您為每個因子指定了 2 個級別，則運行次數必須等於 2 的冪。12 不是 2 的冪。每個因子 3 個級別，運行次數必須等於 3 的冪，依此類推. 也許你可以分享具體的設計？
當你說“兩個參數”時，你是指“兩個因素”嗎？ DOE 上下文中的參數通常是一個詞，用於描述模型中項的係數估計。 因此，根據模型的結構，您可能沒有參數（即，僅使用截距項或主效應、交互效應等將 y 預測為響應的總均值），其中每個效應都有自己獨特的“參數”估計'。 也許你可以分享你的設計和回應？
還有一些關於您的具體實驗目的和目標的信息？ 例如，如果您的目標之一是最終為因素找到一個穩健的操作位置，以最大限度地降低“失敗”的風險，無論這意味著實際或物理上的意義，那麼如果您在 12 個響應中有 2 個接近“失敗”的邊緣' 空間......好吧，就在因素空間內避免“失敗”的位置而言，你可能真的會遇到一些與你的整體問題有關的事情。
回复：存在故障邊緣條件時應使用哪種 DoE 建模技術？您的意思是說您分析了響應的正態性嗎？ 沒有關於響應分佈的假設。 假設模型的統計誤差服從正態分佈。 誤差由殘差估計。 殘差圖可通過紅色小三角菜單在“擬合最小二乘法”平台中獲得，或者您可以說出殘差，然後使用分佈或圖形生成器等其他平台從擬合過程中單獨評估它們。
