正確和不當使用最終篩選設計 (DSD)2011 年，我和我的同事 Chris Nachtsheim 教授介紹了最終篩選設計（DSD），其中有一篇論文品質技術雜誌。 一年後，我寫了一篇JMP 部落格文章使用相關單元圖來描述這些設計。 自推出以來，DSD 已在塗料製造、生物技術、綠色能源和雷射蝕刻等多個領域得到應用。
當一種令人興奮的新方法出現時，前沿研究人員自然會傾向於嘗試它。 當這些研究人員報告正面的結果時，就會鼓勵其他人也嘗試新方法。
當然，我是 DSD 的忠實粉絲，但作為共同發明人，我對 DSD 的從業者社群負有責任。實驗設計（DOE）明確其預期用途和可能的濫用。
那麼什麼時候該使用 DSD 呢？
顧名思義，DSD 是篩選設計。 它們最合適的用途是在實驗的最初階段，此時存在大量可能影響感興趣的反應的潛在重要因素，目標是確定通常數量少得多的高度影響因素。
由於它們是篩選實驗，因此只有當我有四個或更多因素時，我才會使用 DSD。 此外，如果我只有四個因子並且想要使用 DSD，我會為六個因子建立一個 DSD 並刪除最後兩列。 最終的設計可以在四個因素中的任何三個方面擬合完整的二次模型。
當大多數因素都是連續的時，DSD 效果最佳。 這是因為每個連續因子都有三個水平，允許研究人員為每個連續因子擬合曲線而不是直線。
什麼時候使用 DSD 是不合適的？
下面，最佳裂區設計顯著優於透過對難以更改的因子 wp 進行排序而創建的最終篩選設計。 請參閱下面第 4) 點。
1) 當設計區域有限制時
使用 DSD 背後的隱含假設是可以獨立於任何其他因素的水平來設定任何因素的水平。 如果設計區域的約束使得某些因素組合不可行，則違反了該假設。 例如，如果我正在烹飪爆米花，我不想在長時間烹飪時將功率設定為最高設定。 我知道如果我這樣做，我的結局將會是一團燒焦的爛攤子。
將因素的範圍向內拉以避免此類問題可能很誘人，但這種做法會降低 DSD 檢測主動效應的能力。 最好使用整個可行區域，即使該區域的形狀不是立方體或球形。
2) 當某些因素是混合物中的成分時
同樣，如果混合物中含有兩種或多種因素，則使用 DSD 是不合適的。 如果我提高一種成分的百分比，我必須降低其他成分的百分比，因此這些因素不能因其本質而獨立變化。
3）當存在兩個以上水準的分類因素時
DSD 可以處理兩個層級的一些分類因素，但如果大多數因素都是分類因素，則使用 DSD 效率較低。 此外，如果分類因素具有兩個以上級別，則 DSD 通常不是理想的選擇。 實驗設計 (DOE) LinkedIn 小組最近的討論涉及嘗試修改 DSD 以適應三級分類因素。 雖然這是可能的，但它需要使用自訂設計工具聯合管理計劃將 DSD 的因素視為協變量因素，並將三級分類因素添加為唯一由客製化設計演算法選擇其水平的因素。
4) 當 DSD 作為裂區設計運作時
透過對一個因子的設定進行排序來更改 DSD 以使最終設計成為裂區設計也是不合適的。 對於六因子 DSD，排序因子只有三個設定。 在低設定下將進行五次運行，在中間設定中將進行三輪運行，在高設定下將進行三輪運行。 使用這樣的設計意味著關於排序因素的影響的推論在統計上是無效的。
5）當感興趣的先驗模型具有高階效應時
對於 DSD，三次項與主效應混淆，因此不可能辨識三次效應。
常規兩水平部分因子設計和 Plackett-Burman 設計也不適合上述大多數情況。 因此，它們不是可行的替代方案。
在上述情況下，使用 DSD 的替代方案是什麼？
對於用戶聯合管理計劃答案很簡單：使用自訂設計工具。
JMP 中的自訂設計工具可以產生適合上述場景的任意組合的設計。 客製化設計工具背後的指導原則是
“設計應該適應問題，而不是改變問題來適應設計。”
最後的想法
DSD 在其創建場景中是非常有用的設計。 作為篩選設計，它們具有許多理想的特性：
1) 主效應是正交的。
2) 主效應是正交於雙因素交互作用 (2FI) 和二次效應。
3）連續因子的所有二次效應都是可估計的。
4) 2FI 不會與任何其他 2FI 或二次效應混淆，儘管它們可能相關。
5) 對於具有 13 次或更多遊程的 DSD，可以在任何三因子子集中擬合完整的二次模型。
6) DSD 可以容納一些具有兩個等級的分類因子。
7) 阻止DSD非常靈活。 如果有米因素，你可以有 2 到 2 之間任意數量的區塊米。
8） DSD 的成本低廉，現場僅需至少 2 個米+1 跑動。
9) 您可以透過建立具有比所需更多因子的 DSD 並刪除額外因子來將運行新增至 DSD。 由此產生的設計具有上述前七個屬性的所有屬性，並且具有更強大的功能以及識別更多二階效應的能力。
在我看來，上述特性使 DSD 成為大多數因素連續的篩選實驗的最佳選擇。
但是，我想澄清的是，使用DSD 並非萬能藥。 換句話說，DSD 並不能解決所有實驗設計問題。
我是 DSD 的忠實粉絲，但作為共同發明人，我感到有責任明確其預期用途和可能的濫用。
回覆：確定性篩選設計 (DSD) 的正確和不當使用謝謝@布拉德利瓊斯@pepees @肖恩舒伯特,
我對這個例子有一個後續問題@pepees假如。 我認為我不太理解引入“參考”的概念。
我最初的問題是詢問在混合物的「比率」上運行 DSD 的可行性，因為比率可以獨立變化而不受其他因素的影響。 稍後可以將該比率計算回百分比（混合問題）。 例如，混合物 A:B:C:D = 30:5:10:1 的比例可以計算回百分比為 A: 65%、B: 11%、C:22%、D: 2%。
在橡膠範例中，每種成分均透過參考（100phr 基礎樹脂）進行標準化，並且它們的總和應為 100。 那麼這與「成分混合」的情況沒有什麼不同。 因為改變一種材料（或成分）的量將影響可以引入的其他材料的量。 因此，您將無法使用 DSD，因為每個因素都無法獨立變更？
我認為我不理解引入“參考”的概念以及如何利用參考。 您能給我更多詳細資訊嗎？
謝謝！
回覆：確定性篩選設計 (DSD) 的正確和不當使用你也可以引入一個因素，即活性成分的量（低、中、高），然後你可以看到改變比例和改變量的效果。
有人可能會說，在調查早期進行這種後門混合實驗會更有效，因為在真正的混合實驗中添加過程或其他因素確實會增加實驗的規模（即使在較低的分辨率下）。
回覆：確定性篩選設計 (DSD) 的正確和不當使用在橡膠工業中，配方通常參考 100 phr（每百份）的基礎樹脂來表示，如下所示。 正如瓊斯博士指出的那樣，與比例相比，使用「參考」成分要方便得多。在研究橡膠配方時，我經常使用 DSD，並且取得了巨大成功。
橡膠配方範例：
基礎樹脂 - 100 份
填充物 1 - 例如 50-70 份
填充物 2 - 例如 10-40 份
療效 - 比如說 1-5 份
助劑 - 例如 0-2 份
促進劑 - 比如說 0.5-1 份
加工油 - 比如說 0.5-2 phr
抗氧化劑 - 比如說 1-5 份
回覆：確定性篩選設計 (DSD) 的正確和不當使用BJK - 謝謝你的客氣話。
回答你的問題，是的。 您可以使用成分比例的比率作為因素。 如果您有 k 個混合因子，則可以定義 k-1 個比率並將這些比率視為實驗中的因子。 你這樣做是做了一個相當有力的假設。 假設重要的是響應在比率方面的函數關係。 這與響應與成分比例相反。
如果您這樣做，您可能需要選擇一個「參考」成分來放入所有比率的分母中。 一般來說，如果該成分是填充劑，則效果最好。 否則，它可能是在所有運行中通常佔較大比例的成分。
回覆：確定性篩選設計 (DSD) 的正確和不當使用感謝布拉德利瓊斯博士發明了優秀的工具。
我是使用 JMP 和 DOE 空間的新手。 您提到「如果混合物中有兩種或多種成分，則使用 DSD 是不合適的」。
如果我透過將其轉化為比率，將這兩個因素合而為一會怎麼樣？
例如，假設我有因子 A 和 B，它們的總和必須為 50。 如果我將其轉化為 A:B 的比率，那麼它將成為一個因素，而不再是「混合物中的成分」情況，至少對於運行 DOE 來說是這樣。
還是不建議使用 DSD 嗎？ 如果不是，我應該對混合物類型的成分使用客製化設計嗎？
您可能知道，許多藥物製劑工作都存在「混合物中的成分」類型的情況，在這種情況下，您可以根據藥物賦形劑的總質量改變每種成分的百分比或比例。
謝謝你！
回覆：確定性篩選設計 (DSD) 的正確和不當使用回覆 Varun_Bhatt:
如果一個模型項與另一個模型項（例如兩個 2FI）相關性為 +1 或 -1，那麼我們說這些項是混雜的。 在這種情況下，沒有純粹的數據驅動方法來區分它們對感興趣的響應的影響。
然而，如果相關性的大小小於 1，則模型項對反應的單獨影響現在是可估計的。 然而，這些影響的估計變異數將比兩項不相關時更大。 我們將這種現象稱為變異數膨脹。 相關性的大小越大，變異數膨脹就越大。
如果誤差變異數與效應量相比較小，那麼變異數膨脹就不是主要問題。 這就是為什麼關於何時擔心方差膨脹的傳統經驗法則是錯誤的。
回覆：確定性篩選設計 (DSD) 的正確和不當使用您能否詳細說明一下這部分，“ 2FI 不會與任何其他 2FI 或二次效應混淆，儘管它們可能相關。”
想知道混雜因素和相關因素之間的差異。 它們有何不同？ 它們對模型的影響有何不同？
謝謝
回覆：確定性篩選設計 (DSD) 的正確和不當使用布拉德,
感謝您就正確使用 DSD 提供的進一步意見。
大約一年前，我使用DSD進行了大約100個連續因子的電腦模擬，並且還需要所有二階效應，總共運行了大約200次。 結果不如客製化設計那麼令人滿意。 從那時起，我就避免使用 DSD 進行建模和仿真，因為其中存在許多因素，儘管我發現 DSD 對於較少數量的因素（例如少於 12 個）非常有用。 我是否應該在 M&S 運行中僅使用主效應，然後使用更少的因子運行另一個 DSD 來確認二階效應？
曼尼
回覆：確定性篩選設計 (DSD) 的正確和不當使用瓊斯博士，
我使用 DSD 已經有一段時間了，並且取得了一些成功。 然而，我現在正在考慮使用 DSD 進行二元回應（成長/不成長）。 這可以用 DSD 來完成嗎？你將如何分析回應，因為我猜它不是內建在 DSD 分析演算法中的？ 或者您會使用其他類型的設計嗎？
最好的，
埃烏德·舒林
回覆：確定性篩選設計 (DSD) 的正確和不當使用瓊斯博士，
感謝您的徹底和深思熟慮的答复。 我感謝您的時間和考慮。 我將直接與您繼續討論。
乾杯，
帳單
回覆：確定性篩選設計 (DSD) 的正確和不當使用Dr. Ross - 您在 DOE 的 16,000 次經歷給我留下了深刻的印象。 感謝您長期使用 JMP。 您成為 JMPer 的時間比我長！
以下我將解答您的五組問題和疑慮。
1）您指出，新手實驗者傾向於將連續因子的水平設定得過於接近。 我也看過這種行為。 我相信工程師認為世界是非線性的。 他們也從微積分中知道，如果變化也很小，那麼與線性的偏差也很小。 問題是，當因子的變化很小時，響應中的噪聲可能會傳播為線的估計斜率中的大噪聲，從而難以識別活躍因子。 因此，在教學實驗設計時，我們鼓勵學生大膽改變連續因素。 我相信，正如 DSD 所提供的那樣，每個因子具有低、中和高值，可以使工程師更有信心分散因子的等級。 這是因為 DSD 可以檢測到強曲率（如果存在），從而消除了對非線性的擔憂。
2. 我在上面的部落格中提到，當大多數因素是連續的時，DSD 是合適的篩選設計。 當有超過三個二級分類因素時，我不願意使用 DSD。 當大多數或全部因素在兩個層面上都是分類的時，我會推薦高效折疊設計。 這是有關這些設計的文章的參考。Anna Errore、Bradley Jones、William Li 和 Christopher J. Nachtsheim (2017) 高效兩層折疊設計的優點和快速構建，技術計量學, 59:1, 48-57, DOI: 10.1080/00401706.2015.1124052
我還認為，研究人員可以更努力地提出定量措施來描述分類因素兩個層次之間的差異，從而成功地將分類因素轉變為更有意義的連續因素。
3. 你認為中心點可以偵測曲率。 這是事實，但他們無法識別導致曲率的因素。 這種模糊性迫使後續實驗，如果使用 DSD，則沒有必要進行後續實驗。 我見過一個案例研究，其中強二次效應在實驗區域內達到最小值。最小響應是可取的，並且這裡的最佳點在兩級設計中是無法檢測到的。 另一個案例研究發現了強烈的二次效應，其中最大響應位於實驗區域內。這裡， A最大響應是可取的，並且在兩級設計中再次無法檢測到最佳點。 在 DSD 中包含估計所有二次效應的能力的成本是主效應置信區間長度增加 10%（或更少）。 對於二階效應的資訊增益來說，這似乎是一個很小的代價。
4. 您正確地指出，有時辨識噪音源可能比估計固定效應更重要。 在這種情況下，複製設計點很有用，這樣就可以識別影響反應變異數的因素，同時評估這些因素對平均反應的影響。 人們可以複製整個 DSD，但運行次數大約是因子的四倍。 您在這一點上提到了阻塞。 分塊可以辨識和量化變異性的一個來源，並消除其對運行間變異的影響。 當環境條件的變化在反應中引入雜訊時，阻塞是一種有用的補救措施。 與兩水平部分因子或全因子設計相比，DSD 可以更靈活地進行分組。 以下是一篇描述如何阻止 DSD 的論文的參考。
Bradley Jones 與 Christopher J. Nachtsheim (2015)：最終篩選設計的屏蔽方案，技術計量學，DOI：10.1080/00401706.2015.1013777
5. 您最後關心的是 DSD 教學以及迭代實驗方法。 我並不將 DSD 宣傳為「一次性」實驗。 確實，傳統部分因子設計的混疊結構非常簡單且相當容易解釋。 然而，在我看來，它們對潛在重要影響的完全混疊是不可取的。 看
Bradley Jones (2016) 21 世紀篩選實驗：什麼、為什麼、如何，品質工程, 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462
上面的文章是三位討論者的討論論文。 我的反駁涉及許多問題，包括最初的 DSD 研究之後的順序設計 - 參考如下。
布拉德利瓊斯 (2016) 反駁，品質工程, 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
下面的參考資料介紹了使用初始 DSD 的相對優勢，即使預測的最佳反應超出了實驗範圍。 它還提供了強大的後續設計方法，可以勝過最陡的上升。
Christopher J. Nachtsheim 和 Bradley Jones (2018) 反應最佳化和模型估計的設計增強，品質工程, 30:1, 38-51, DOI: 10.1080/08982112.2017.1382298
我認為沒有必要教導從業者如何創建 DSD。 許多軟體包都可以做到這一點。 我認為讓研究人員熟悉相關單元格圖是有用的。 JMP 提供了許多用於評估和比較設計的診斷工具。 這些非常有用，在短期課程和大學課程中教授它們的使用將使能源部從業人員社區受益。 對於從業者來說，了解如何利用 DSD 的特殊幾何形狀來擬合適當的模型非常有用。 這在下面的參考文獻中得到了解決。
Bradley Jones 和 Christopher J. Nachtsheim (2016)：用於最終篩選設計的有效的基於設計的模型選擇，技術計量學，DOI：10.1080/00401706.2016.1234979
我很樂意繼續這次對話並向您發送參考文獻的 pdf 文件。 您可以透過 bradley.jones@jmp.com 與我聯繫
回覆：確定性篩選設計 (DSD) 的正確和不當使用Jones 博士，我是 JMP 的長期用戶（自第一個版本以來），感謝您對業界的貢獻。 我參與了多個行業 16,000 多個實驗的設計和分析。 也許這是一個錯誤的論壇，但我有一些問題/評論（我希望不要冒犯），並且會重視您的意見。
1. 在篩選設計方面，最常見的失敗模式之一（尤其是對於新手實驗者而言）是等級設定得不夠遠（足夠大膽）。 因此，它們的影響並沒有被實現，這些因素甚至可能從進一步的研究中被刪除（我的假設是工程師不願意創造太多的變化，他們仍在尋找解決方案而不是理解因果關係）。 在我看來，將等級數增加到三級會使這種故障模式更加複雜？
2. 在設計初期，許多因素都是定性的。 似乎在設計中添加太多定性因素的限制是一種負擔。 也許這個策略更適用於順序研究中的後期迭代？
3. 通常，篩選設計的目的是獲得方向並過濾掉不重要的因素，或更有可能確定重要因素以進行進一步研究。 二次方程式真的有必要完成這個任務嗎？ 好吧，我想可能存在這樣的情況：等級設定得太大膽，因此會錯過顯著的效果，但可以透過中心點相當容易地補救。 如果二次本質上是偏離線性的，如果您處於距離最佳值相當遠的設計空間中，您是否首先會對線性效應更感興趣？ 山腳下的二次方程式不一定能到達山頂。
4. 此外，也許最重要的是，處理噪音的策略可能比設計因素的解決方案更重要（如您所知，設計因素解決方案和噪音影響的解決方案之間為有效利用資源而不斷鬥爭） 。 如果使用隨機完整區組設計（RCBD），我們真的需要一些更高階的逐效互動嗎？ 如果使用平衡不完整塊設計，理解混疊有多容易？
5. 最後，也許對實務工作者來說最不重要的是，DSD 是如何教的？ 使用具有可識別鋸齒的傳統分數階乘設計以及折疊去鋸齒等想法是很簡單的。 灌輸迭代的思考方式和實踐至關重要。 DSD 如何適應迭代、科學的實驗方法？
我預先感謝您的想法。
如果您希望離線進行此討論，那對我來說沒問題。 您可以直接向我發送電子郵件至 comcast dot net 的 statman
乾杯，
比爾·羅斯
回覆：確定性篩選設計 (DSD) 的正確和不當使用謝謝 Brad，內容豐富的貼文和良好的回复，幫助我了解了更多有關 DSD 的知識。
回覆：確定性篩選設計 (DSD) 的正確和不當使用謝謝瓊斯博士 - ASQ Technometrics 網站上尚未提供此問題。我會盡快發布它。
理查
回覆：確定性篩選設計 (DSD) 的正確和不當使用http://dx.doi.org/10.1080/00401706.2016.1234979
以上是 Chris Nachtsheim 和我在《Technometrics》雜誌上發表的一篇論文的 URL，題為「Effective Design-Based Model Selection for Definitive Screening Designs」。
本文為添加我們所謂的「假因素」（即用於創建設計但在運行實驗時未使用的因素）提供了強烈的動機。 在 JMP 13 中，DSD 設計工具將此稱為“額外運行”，預設值為 4。 但是，您可以將此欄位變更回 0 以獲得最小運行 DSD。 添加這些額外的運行可以實現強大的替代分析方法。
回覆：確定性篩選設計 (DSD) 的正確和不當使用是否有已發布的範例，其中列已被刪除，如下所述？
如果您使用 8 因子 DSD 並忽略最後 3 列，則您將擁有 17 次試驗設計，並且您應該能夠識別四個或五個二階效應。
回覆：確定性篩選設計 (DSD) 的正確和不當使用當因素太多、交互作用太多時，DSD 肯定會遇到麻煩！ 我在催化劑系統中嘗試了一種催化劑系統，該系統經過幾代優化，具有許多功能性催化劑組件和相互作用。 我最終不得不添加相當多的跑步次數。
回覆：確定性篩選設計 (DSD) 的正確和不當使用很棒的帖子。 然而，有一個問題令我困惑。 您提到您可以透過採用更高的設計輕鬆添加額外的運行並刪除額外的列。 我想知道是否有任何簡單的方法可以將運行“附加”到設計中。 例如，我已經完成了 am=5 DSD 運行，然後我決定需要更多功率，並且想在之後添加一些額外的運行。 我怎麼做？ （例如，如果我採用 m=7 並刪除最後兩列並將其與 m=5 進行比較，那麼我將不再獲得相同的行）。 謝謝！
Bradley Jones 寫道: 為驗證做好計劃總是好的...布拉德利瓊斯寫道：
計劃驗證運行總是好的。 這些是您在運行實驗並分析資料後執行的運行。 分析的結果是一個模型，您可以使用該模型對實驗中未運行的因子設定進行響應預測。 考慮到您的回應目標，您可以選擇在模型預測最大改進的因子設定（或多個設定）下執行驗證運行。
這與設計增強不同，設計增強擴展了因子的範圍、向模型添加項目或添加更多運行以減少當前模型中估計值的不確定性。
布拉德利瓊斯寫道: 我相信日常使用...布拉德利瓊斯寫道：
我相信自訂設計器的常規使用可以解決工業設計實驗中的大多數問題。 當幾乎所有因素都是連續的並且可以在整個範圍內獨立變化時，確定性篩選設計是一個不錯的選擇。
當我進行蒙特卡羅電腦模擬研究時，我有時會使用全因子設計，唯一的費用是電腦時間。 我同意現在有比常規兩水平部分因子設計更好的選擇。
史蒂文摩爾寫道： 所以......我一直在使用 Definitive Sc......史蒂文·摩爾寫道：
所以......我已經使用最終篩選設計和客製化設計相當長一段時間了。 在我看來，沒有理由再使用傳統的因子設計。我是對的，還是我錯過了什麼？
Jo Chotix 寫道: 看起來我們將能夠改變每個...喬·喬蒂克斯寫道：
看起來我們將能夠獨立地改變每個組件。 我應該計劃一些驗證運行嗎？ 如何規劃這些因素/將其納入設計（運行次數、驗證的設計點等）？ 這與增強設計有何不同？ 謝謝！
Bradley Jones 寫道: 使用 DSD 可能是合適的...布拉德利瓊斯寫道：
使用 DSD 可能是合適的，但我擔心改變處理濃度的 4 個因素可能會被視為混合物中的成分。 如果是這樣，那麼使用 DSD 就不合適了，但有一個例外。 如果混合物中的主要成分是非活性填料，則其他成分可以獨立變化。 在這種情況下，使用 DSD 就可以了。
Jo chotix 寫道: 我正在考慮使用 DSD 來設計...喬·喬蒂克斯寫道：
我正在考慮使用 DSD 為小鼠體內研究設計治療計劃。 我有 4 個改變治療濃度的因素（例如濃縮藥物、賦形劑混合物等），其中一個因素與老鼠的年齡有關。 我想知道您是否會推薦 DSD？
Bradley Jones 寫道: 您可以新增 3 個分類因素...布拉德利瓊斯寫道：
您可以為 DSD 添加 3 個分類因素，而不會降低設計效率。 以下是 Chris Nachtsheim 和我就該主題發表的一篇論文的參考。
瓊斯、布拉德利和 Nachtsheim，CJ (2013)â 增加兩級分類因子的明確篩選設計，《品質技術期刊》，45:2, 120-129。
Ewoud Schuring 寫道: 你好布拉德利，有趣的博客，一個...埃烏德·舒林寫道：
你好布拉德利，
有趣的博客，實際上整個 DSD 對我來說非常有趣。 不過我確實有一個問題。
DSD 中分類因素的數量限制是多少？ 目前我正在嘗試創建一個具有 3 個連續因素和 3 個分類因素的 DSD。 這是個好主意嗎？ 有哪些風險？ 或者連續與分類的 1/1 比率會導致設計效率低？
布拉德利瓊斯寫道： 保羅，定制設計有一些...布拉德利瓊斯寫道：
保羅，
具有一些重複的客製化設計是一種非常安全的響應曲面設計。 我的經驗是，通常很少有大的二階效應。 因此，建構一個可以估計每個二階效應的設計可能最終會顯得矯枉過正。 6 因子 DSD 僅需要 13 次運行，並且可以可靠地識別兩個或三個二階效應。 這將為您節省近 50% 的成本。
如果您使用 8 因子 DSD 並忽略最後 3 列，則您將擁有 17 次試驗設計，並且您應該能夠識別四個或五個二階效應。
Paul Prew 寫道: 你好布拉德利，這篇文章讓我...保羅·普魯寫道：
你好 Bradley，這篇文章讓我思考 4-6 個因素的適當設計。 具體來說，上週，我有一位化學家想要研究 5 個連續因素。 初步的單一因素測試告訴她它們很重要。 她對能源部一無所知，但她的主管告訴她這是一條更有效的途徑——去找統計學家談談。
我們處於一個灰色地帶，純粹的篩選設計似乎是一種倒退，效率低。 因此，我們選擇設計二次模型，從而進行 25 次運行和幾次重複的客製化設計。
謝謝，保羅
5 因子 DSD 的運行次數要少得多，甚至設計 6 或 7 個因子並刪除額外的列。 我如何使用 JMP 來評估 DSD 作為擬合二階模型的良好設計？ 您會推薦哪些特定的設計評估工具來比較 DSD 與客製化設計？
Ron Andrews 寫道: 我發現了一份 DSD 申請...羅恩安德魯斯寫道：
我找到了一份 DSD 申請，其中包含有效的混合物。 我需要確認用於製造隱形眼鏡的單體混合物的稱重規格。 這是真正的混合物，而不是解決方案，因此在大多數情況下 DSD 不是一個好的選擇。 讓它發揮作用的原因是與標稱值的微小差異。 名義公式被用作中心點。 每個組件的變化為標稱值的 +/- 1%。 為了分析實驗，我計算了每種混合物的實際濃度。 混合物中最大的兩個成分之間存在顯著相關性，但設計允許對這兩個因素進行單獨估計。
我已經提交了一份發現峰會簡報的摘要，其中包括作為混合設計替代方案的範例之一。 無論是否被接受，我都可以提供更多細節。
