DOE 中的随机阻塞因子与固定阻塞因子大家好，
我正在尝试设置一个自定义 DOE 实验，其中我评估 4 个连续因素和 1 个响应。 我的运行次数限制为 30 次，并且对主效应感兴趣（如果可能的话，以后我也想进行双向交互）。 我设置了此运行，但由于这 30 次运行必须分为两个成像平台，因此我使用了两个分组，每个运行 15 次。 我尝试使用固定的分块因子，该因子可以为模型产生高功效和低方差值。 然而，对我来说，使用随机阻塞因子是有意义的，因为它将释放更多的自由度，而且从物理角度来看，这两个平台应该非常相似，并且只是许多此类平台中的两个随机平台。
然而，当我计算这个设计时（我使用的是 D 最优设计），我得到了所有项的良好功效值，但截距除外，截距低了整整一个数量级。 同时，从固定块到随机块，平均方差从大约 0.1 跃升至 0.7。
有人可以向我指出这个问题的原因以及如何避免这个问题。 我一直认为随机分块可以更有效地估计效果（尤其是主效果）。
谢谢
实验设计回复：DOE 中的随机阻塞因子与固定阻塞因子你好，马克和斯塔曼，
谢谢你的反馈。 我确实相信我的平台（不是成像仪，而是进行测试的消耗部件）应该设置为随机效果，因为它们会有更多，理论上，它们之间不应该有显着差异，需要分类。
主要问题是为什么随机块与固定块的平均方差和低拦截能力有如此大的差异。 一般来说，固定会给出更多的未知数，但在我的情况下，我相信它们应该是相同的，因为我只有两个非常大的块，每个块有 15 次运行。 对于固定的，如果我没记错的话，你会为 k 个块添加 k-1 个未知数，而对于固定的，唯一添加的未知数是块之间的方差。 两种设计的颜色图看起来也完全相同，因此因素之间不应该出现额外的相关性，对吗？
任何对此的帮助将不胜感激。
回复：DOE 中的随机阻塞因子与固定阻塞因子首先，欢迎来到社区。
我可能会从不同的角度分享我的想法：
1. 如何分析数据以及使用什么工具进行分析取决于数据的获取方式。 （实际上，这延伸到您可以回答什么问题，您可以得出什么结论，以及您推断结果的信心取决于数据的获取方式）
2. 虽然可以讨论块的适当“指定”，但如果您可以具体指定哪些因素与块混淆，并且正如 Mark 所建议的那样，可以重现这些“水平”，那么这些块可以被视为固定效应。 我会争论随机采取这些（或将它们视为随机效应）是否会增加推理空间，而不是在“大胆级别”专门操纵它们。 我个人认为，通过专门操作块，您更有可能获得更广泛的推理空间。
3. 将块视为固定效应具有能够量化逐因子相互作用（本质上是逐因子噪声相互作用）的巨大优势，这可能是量化设计结构稳健性的最佳方法。 您的设计因素对变化的噪声的影响是否一致？
4. 有趣的是，分块还有一个额外的好处，即同时增加推理空间并提高设计的精度（如 Box 所定义）。 这是因为内部块偏向于因子效应（噪声在块内保持恒定），然后噪声在块之间发生变化，因此可以对其进行分配。
“阻止你能阻止的，随机化你不能阻止的”GEP 盒子
阻止您在实验执行过程中可以识别和管理的内容，对实验期间尚未识别或无法管理的噪声进行随机化。
回复：DOE 中的随机阻塞因子与固定阻塞因子将效果视为固定还是随机通常不是 DF 或功效的问题，而是您如何看待变化的问题。 如果它是可重现的水平，并且这些水平是唯一感兴趣的水平，则将其视为固定效应。 如果这些水平是来自较大群体的样本，并且您对这两个特定水平并不真正感兴趣，而是对整个群体的变化感兴趣，则将其视为随机效应。
那么你如何看待这两个成像器呢？ 它们是唯一的两个设备吗？ 在可预见的未来，它们会是仅有的两种设备吗？ 然后将这些块视为固定效果。 这两个成像器是从一个庞大且不断变化的池中选出的吗？ 然后将它们视为随机效应。
