当存在故障边缘条件时，应使用哪种 DoE 建模技术？你好，
我进行了双参数全因子实验设计（DoE）来优化工艺条件。该实验设计包含12次运行。
在之前的建模中，我验证了我的响应分布的正态性，但我的分布没有通过拟合优度检验。12个条件中有2个明显属于“失效边缘”条件（从科学角度来看，它们的表现非常糟糕），并且导致分布漂移（见附件）。
您推荐使用哪种建模技术？如何在不重复实验的情况下更好地建模数据？
提前感谢您的支持！
克莱尔
数据探索与可视化实验设计质量与工艺工程回复：存在故障边缘条件时应使用哪种 DoE 建模技术？关于您的示例，从正态分布错误假设的角度来看，我不会担心。 首先，如果您要从假设分布中生成相同大小的随机样本，您会经常在正态分位数图中发现“模式”。 其次，大样本量可能会减轻偏离理想正态性的情况。 第三，拟合优度将很重要α零假设下的时间比例（拟合良好）。 如果您执行许多此类测试并且拟合始终良好，您仍然会得到一些拒绝良好拟合的结果。
请参阅我之前关于时间相关响应的回复，看看它是否解决了其他问题。
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？我建议您阅读这篇关于 JMP 技术说明重复措施然后看看它是否适合你的学习。
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？我现在已经对残差进行了分布，我的分布之一没有通过拟合优度（见附件）。
这是依赖于时间的标准最小二乘模型的残差分布；每个条件有多个时程样本。
是否需要另一种建模技术或数据转换？
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？DoE 由 11 个点组成，其中 3 个是中心点。 还有1点检查模型是否有效，是否被排除在模型之外。
是的，我的意思是 2 个因素。
目标是最大化一个响应。 识别故障条件的边缘对于过程理解和以后的开发也是有用的信息。
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？非常感谢您的及时回复！ 是的，我分析了响应的正态性，现在根据您的回答我意识到我应该检查残差的正态性。
感谢您重新指导我正确的方向！
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？添加一点到提出的问题和建议@马克贝利，当我计算正态概率图中的“点”时，我计算的是 11，而不是 12，除非你对其中一种治疗组合有相同的反应？ 12 是“全因子设计”的不寻常运行次数。 如果您为每个因子指定了 2 个级别，则运行次数必须等于 2 的幂。12 不是 2 的幂。每个因子 3 个级别，运行次数必须等于 3 的幂，依此类推. 也许你可以分享具体的设计？
当你说“两个参数”时，你是指“两个因素”吗？ DOE 上下文中的参数通常是一个词，用于描述模型中项的系数估计。 因此，根据模型的结构，您可能没有参数（即，仅使用截距项或主效应、交互效应等将 y 预测为响应的总均值），其中每个效应都有自己独特的“参数”估计'。 也许你可以分享你的设计和回应？
还有一些关于您的具体实验目的和目标的信息？ 例如，如果您的目标之一是最终为因素找到一个稳健的操作位置，以最大限度地降低“失败”的风险，无论这意味着实际或物理上的意义，那么如果您在 12 个响应中有 2 个接近“失败”的边缘' 空间......好吧，就在因素空间内避免“失败”的位置而言，你可能真的会遇到与你的整体问题有关的事情。
回复：存在故障边缘条件时应使用哪种 DoE 建模技术？您的意思是说您分析了响应的正态性吗？ 没有关于响应分布的假设。 假设模型的统计误差服从正态分布。 误差由残差估计。 残差图可通过红色小三角菜单在“拟合最小二乘法”平台中获得，或者您可以说出残差，然后使用分布或图形生成器等其他平台从拟合过程中单独评估它们。
