正确和不当使用最终筛选设计 (DSD)2011 年，我和我的同事 Chris Nachtsheim 教授介绍了最终筛选设计（DSD），其中有一篇论文质量技术杂志。 一年后，我写了一篇JMP 博客文章使用相关单元图描述这些设计。 自推出以来，DSD 已在涂料制造、生物技术、绿色能源和激光蚀刻等多个领域得到应用。
当一种令人兴奋的新方法出现时，前沿研究人员自然会倾向于尝试它。 当这些研究人员报告积极的结果时，就会鼓励其他人也尝试新方法。
当然，我是 DSD 的忠实粉丝，但作为共同发明人，我对 DSD 的从业者社区负有责任。实验设计（DOE）明确其预期用途和可能的滥用。
那么什么时候应该使用 DSD 呢？
顾名思义，DSD 是筛选设计。 它们最合适的用途是在实验的最初阶段，此时存在大量可能影响感兴趣的响应的潜在重要因素，并且目标是确定通常数量少得多的高度影响因素。
由于它们是筛选实验，因此只有当我有四个或更多因素时，我才会使用 DSD。 此外，如果我只有四个因子并且想要使用 DSD，我会为六个因子创建一个 DSD 并删除最后两列。 最终的设计可以在四个因素中的任何三个方面拟合完整的二次模型。
当大多数因素都是连续的时，DSD 效果最佳。 这是因为每个连续因子都有三个水平，允许研究人员为每个连续因子拟合曲线而不是直线。
什么时候使用 DSD 是不合适的？
下面，最佳裂区设计显着优于通过对难以更改的因子 wp 进行排序而创建的最终筛选设计。 参见下面第 4) 点。
1) 当设计区域有限制时
使用 DSD 背后的隐含假设是可以独立于任何其他因素的水平来设置任何因素的水平。 如果设计区域的约束使得某些因素组合不可行，则违反了该假设。 例如，如果我正在烹饪爆米花，我不想在长时间烹饪时将功率设置为最高设置。 我知道如果我这样做，我的结局将会是一团烧焦的烂摊子。
将因素的范围向内拉以避免此类问题可能很诱人，但这种做法会降低 DSD 检测主动效应的能力。 最好使用整个可行区域，即使该区域的形状不是立方体或球形。
2) 当某些因素是混合物中的成分时
同样，如果混合物中含有两种或多种因素，则使用 DSD 是不合适的。 如果我提高一种成分的百分比，我必须降低其他成分的百分比，因此这些因素不能因其本质而独立变化。
3）当存在两个以上水平的分类因素时
DSD 可以处理两个级别的一些分类因素，但如果大多数因素都是分类因素，则使用 DSD 效率较低。 此外，如果分类因素具有两个以上级别，则 DSD 通常不是理想的选择。 实验设计 (DOE) LinkedIn 小组最近的讨论涉及尝试修改 DSD 以适应三级分类因素。 虽然这是可能的，但它需要使用自定义设计工具联合管理计划将 DSD 的因素视为协变量因素，并将三级分类因素添加为唯一由定制设计算法选择其水平的因素。
4) 当 DSD 作为裂区设计运行时
通过对一个因子的设置进行排序来更改 DSD 以使最终设计成为裂区设计也是不合适的。 对于六因子 DSD，排序因子只有三个设置。 在低设置下将进行五次运行，在中间设置中将进行三轮运行，在高设置下将进行三轮运行。 使用这样的设计意味着关于排序因素的影响的推断在统计上是无效的。
5）当感兴趣的先验模型具有高阶效应时
对于 DSD，三次项与主效应混淆，因此不可能识别三次效应。
常规两水平部分因子设计和 Plackett-Burman 设计也不适合上述大多数情况。 因此，它们不是可行的替代方案。
在上述情况下，使用 DSD 的替代方案是什么？
对于用户联合管理计划答案很简单：使用自定义设计工具。
JMP 中的自定义设计工具可以生成适合上述场景的任意组合的设计。 定制设计工具背后的指导原则是
“设计应该适应问题，而不是改变问题来适应设计。”
最后的想法
DSD 在其创建场景中是非常有用的设计。 作为筛选设计，它们具有许多理想的特性：
1) 主效应是正交的。
2) 主效应是正交于双因素相互作用 (2FI) 和二次效应。
3）连续因子的所有二次效应都是可估计的。
4) 2FI 不会与任何其他 2FI 或二次效应混淆，尽管它们可能相关。
5) 对于具有 13 次或更多游程的 DSD，可以在任何三因子子集中拟合完整的二次模型。
6) DSD 可以容纳一些具有两个级别的分类因素。
7) 阻止DSD非常灵活。 如果有米因素，你可以有 2 到 2 之间任意数量的块米。
8） DSD 的成本低廉，现场仅需至少 2 个米+1 跑动。
9) 您可以通过创建具有比所需更多因子的 DSD 并删除额外因子来将运行添加到 DSD。 由此产生的设计具有上述前七个属性的所有属性，并且具有更强大的功能以及识别更多二阶效应的能力。
在我看来，上述特性使 DSD 成为大多数因素连续的筛选实验的最佳选择。
但是，我想澄清的是，使用DSD 并非万能药。 换句话说，DSD 并不能解决所有实验设计问题。
我是 DSD 的忠实粉丝，但作为共同发明人，我感到有责任明确其预期用途和可能的滥用。
回复：确定性筛选设计 (DSD) 的正确和不当使用谢谢@布拉德利琼斯@pepees @肖恩舒伯特,
我对这个例子有一个后续问题@pepees假如。 我认为我不太理解引入“参考”的概念。
我最初的问题是询问在混合物的“比率”上运行 DSD 的可行性，因为比率可以独立变化而不受其他因素的影响。 稍后可以将该比率计算回百分比（混合问题）。 例如，混合物 A:B:C:D = 30:5:10:1 的比例可以计算回百分比为 A: 65%、B: 11%、C:22%、D: 2%。
在橡胶示例中，每种成分均通过参考（100phr 基础树脂）进行标准化，并且它们的总和应为 100。 那么这与“成分混合”的情况没有什么不同。 因为改变一种材料（或成分）的量将影响可以引入的其他材料的量。 因此，您将无法使用 DSD，因为每个因素都不能独立变化？
我认为我不理解引入“参考”的概念以及如何利用参考。 您能给我更多详细信息吗？
谢谢！
回复：确定性筛选设计 (DSD) 的正确和不当使用你还可以引入一个因素，即活性成分的量（低、中、高），然后你可以看到改变比例和改变量的效果。
有人可能会说，在调查早期进行这种后门混合实验会更有效，因为在真正的混合实验中添加过程或其他因素确实会增加实验的规模（即使在较低的分辨率下）。
回复：确定性筛选设计 (DSD) 的正确和不当使用在橡胶工业中，配方通常参考 100 phr（每百份）的基础树脂来表示，如下所示。 正如琼斯博士指出的那样，与比例相比，使用“参考”成分要方便得多。在研究橡胶配方时，我经常使用 DSD，并取得了巨大成功。
橡胶配方示例：
基础树脂 - 100 份
填充剂 1 - 比如说 50-70 份
填充剂 2 - 比如说 10-40 份
疗效 - 比如说 1-5 份
助剂 - 比如说 0-2 份
促进剂 - 比如说 0.5-1 份
加工油 - 比如说 0.5-2 phr
抗氧化剂 - 比如说 1-5 份
回复：确定性筛选设计 (DSD) 的正确和不当使用BJK - 谢谢你的客气话。
回答你的问题，是的。 您可以使用成分比例的比率作为因素。 如果您有 k 个混合因子，则可以定义 k-1 个比率并将这些比率视为实验中的因子。 你这样做是做出了一个相当有力的假设。 假设重要的是响应在比率方面的函数关系。 这与响应与成分比例相反。
如果这样做，您可能需要选择一个“参考”成分来放入所有比率的分母中。 一般来说，如果该成分是填充剂，则效果最好。 否则，它可能是在所有运行中通常占较大比例的成分。
回复：确定性筛选设计 (DSD) 的正确和不当使用感谢布拉德利琼斯博士发明了很棒的工具。
我是使用 JMP 和 DOE 空间的新手。 您提到“如果混合物中有两种或多种成分，则使用 DSD 是不合适的”。
如果我通过将其转化为比率，将这两个因素合二为一会怎么样？
例如，假设我有因子 A 和 B，它们的总和必须为 50。 如果我将其转化为 A:B 的比率，那么它将成为一个因素，而不再是“混合物中的成分”情况，至少对于运行 DOE 来说是这样。
仍然不建议使用 DSD 吗？ 如果不是，我应该对混合物类型的成分使用定制设计吗？
您可能知道，许多药物制剂工作都存在“混合物中的成分”类型的情况，在这种情况下，您可以根据药物赋形剂的总质量改变每种成分的百分比或比例。
谢谢你！
回复：确定性筛选设计 (DSD) 的正确和不当使用回复 Varun_Bhatt:
如果一个模型项与另一个模型项（例如两个 2FI）相关性为 +1 或 -1，那么我们说这些项是混杂的。 在这种情况下，没有纯粹的数据驱动方法来区分它们对感兴趣的响应的影响。
然而，如果相关性的大小小于 1，则模型项对响应的单独影响现在是可估计的。 然而，这些影响的估计方差将比两项不相关时更大。 我们将这种现象称为方差膨胀。 相关性的大小越大，方差膨胀就越大。
如果误差方差与效应大小相比较小，那么方差膨胀就不是主要问题。 这就是为什么关于何时担心方差膨胀的传统经验法则是错误的。
回复：确定性筛选设计 (DSD) 的正确和不当使用您能否详细说明一下这部分，“ 2FI 不会与任何其他 2FI 或二次效应混淆，尽管它们可能相关。”
想知道混杂因素和相关因素之间的区别。 它们有何不同？ 它们对模型的影响有何不同？
谢谢
回复：确定性筛选设计 (DSD) 的正确和不当使用布拉德,
感谢您就正确使用 DSD 提供的进一步意见。
大约一年前，我使用DSD进行了大约100个连续因子的计算机模拟，并且还需要所有二阶效应，总共运行了大约200次。 结果不如定制设计那么令人满意。 从那时起，我就避免使用 DSD 进行建模和仿真，因为其中存在很多因素，尽管我发现 DSD 对于较少数量的因素（例如少于 12 个）非常有用。 我是否应该在 M&S 运行中仅使用主效应，然后使用较少数量的因子运行另一个 DSD 来确认二阶效应？
曼尼
回复：确定性筛选设计 (DSD) 的正确和不当使用琼斯博士，
我使用 DSD 已经有一段时间了，并取得了一些成功。 然而，我现在正在考虑使用 DSD 进行二元响应（增长/不增长）。 这可以用 DSD 来完成吗？你将如何分析响应，因为我猜它不是内置在 DSD 分析算法中的？ 或者您会使用其他类型的设计吗？
最好的，
埃乌德·舒林
回复：确定性筛选设计 (DSD) 的正确和不当使用琼斯博士，
感谢您的彻底和深思熟虑的答复。 我感谢您的时间和考虑。 我将直接与您继续讨论。
干杯，
账单
回复：确定性筛选设计 (DSD) 的正确和不当使用Ross 博士 - 您在 DOE 的 16,000 次经历给我留下了深刻的印象。 感谢您长期使用 JMP。 您成为 JMPer 的时间比我长！
下面我将解答您的五组问题和疑虑。
1）您指出，新手实验者倾向于将连续因子的水平设置得过于接近。 我也见过这种行为。 我相信工程师认为世界是非线性的。 他们还从微积分中知道，如果变化也很小，那么与线性的偏差也很小。 问题是，当因子的变化很小时，响应中的噪声可能会传播为线的估计斜率中的大噪声，从而难以识别活跃因子。 因此，在教学实验设计时，我们鼓励学生大胆改变连续因素。 我相信，正如 DSD 所提供的那样，每个因子具有低、中和高值，可以使工程师更有信心分散因子的级别。 这是因为 DSD 可以检测到强曲率（如果存在），从而消除了对非线性的担忧。
2. 我在上面的博客中提到，当大多数因素是连续的时，DSD 是合适的筛选设计。 当有超过三个二级分类因素时，我不愿意使用 DSD。 当大多数或全部因素在两个水平上都是分类的时，我会推荐高效折叠设计。 这是有关这些设计的文章的参考。Anna Errore、Bradley Jones、William Li 和 Christopher J. Nachtsheim (2017) 高效两层折叠设计的优点和快速构建，技术计量学, 59:1, 48-57, DOI: 10.1080/00401706.2015.1124052
我还认为，研究人员可以更加努力地提出定量措施来描述分类因素两个水平之间的差异，从而成功地将分类因素转变为更有意义的连续因素。
3. 你认为中心点可以检测曲率。 这是事实，但他们无法识别导致曲率的因素。 这种模糊性迫使后续实验，如果使用 DSD，则没有必要进行后续实验。 我见过一个案例研究，其中强二次效应在实验区域内达到最小值。最小响应是可取的，并且这里的最佳点在两级设计中是无法检测到的。 另一个案例研究发现了强烈的二次效应，其中最大响应位于实验区域内。这里， A最大响应是可取的，并且在两级设计中再次无法检测到最佳点。 在 DSD 中包含估计所有二次效应的能力的成本是主效应置信区间长度增加 10%（或更少）。 对于二阶效应的信息增益来说，这似乎是一个很小的代价。
4. 您正确地指出，有时识别噪声源可能比估计固定效应更重要。 在这种情况下，复制设计点很有用，这样就可以识别影响响应方差的因素，同时评估这些因素对平均响应的影响。 人们可以复制整个 DSD，但运行次数大约是因子的四倍。 您在这一点上提到了阻塞。 分块可以识别和量化变异性的一个来源，并消除其对运行间变异的影响。 当环境条件的变化在响应中引入噪音时，阻塞是一种有用的补救措施。 与两水平部分因子或全因子设计相比，DSD 可以更灵活地进行分组。 下面是一篇描述如何阻止 DSD 的论文的参考。
Bradley Jones 和 Christopher J. Nachtsheim (2015)：最终筛选设计的屏蔽方案，技术计量学，DOI：10.1080/00401706.2015.1013777
5. 您最后关心的是 DSD 教学以及迭代实验方法。 我并不将 DSD 宣传为“一次性”实验。 确实，传统部分因子设计的混叠结构非常简单并且相当容易解释。 然而，在我看来，它们对潜在重要影响的完全混叠是不可取的。 看
Bradley Jones (2016) 21 世纪筛选实验：什么、为什么以及如何，品质工程, 28:1, 98-106, DOI: 10.1080/08982112.2015.1100462
上面的文章是三位讨论者的讨论论文。 我的反驳涉及许多问题，包括最初的 DSD 研究之后的顺序设计 - 参考如下。
布拉德利·琼斯 (2016) 反驳，品质工程, 28:1, 122-126, DOI: 10.1080/08982112.2015.1100468
下面的参考资料介绍了使用初始 DSD 的相对优势，即使预测的最佳响应超出了实验范围。 它还提供了强大的后续设计方法，可以胜过最陡的上升。
Christopher J. Nachtsheim 和 Bradley Jones (2018) 响应优化和模型估计的设计增强，品质工程, 30:1, 38-51, DOI: 10.1080/08982112.2017.1382298
我认为没有必要教从业者如何创建 DSD。 许多软件包都可以做到这一点。 我认为让研究人员熟悉相关单元格图是有用的。 JMP 提供了许多用于评估和比较设计的诊断工具。 这些非常有用，在短期课程和大学课程中教授它们的使用将使能源部从业人员社区受益。 对于从业者来说，了解如何利用 DSD 的特殊几何形状来拟合适当的模型非常有用。 这在下面的参考文献中得到了解决。
Bradley Jones 和 Christopher J. Nachtsheim (2016)：用于最终筛选设计的有效的基于设计的模型选择，技术计量学，DOI：10.1080/00401706.2016.1234979
我很乐意继续这次对话并向您发送参考文献的 pdf 文件。 您可以通过 bradley.jones@jmp.com 与我联系
回复：确定性筛选设计 (DSD) 的正确和不当使用Jones 博士，我是 JMP 的长期用户（自第一个版本以来），感谢您对行业的贡献。 我参与了多个行业 16,000 多个实验的设计和分析。 也许这是一个错误的论坛，但我有一些问题/评论（我希望不要冒犯），并且会重视您的意见。
1. 在筛选设计方面，最常见的失败模式之一（尤其是对于新手实验者而言）是级别设置得不够远（足够大胆）。 因此，它们的影响并未实现，这些因素甚至可能从进一步的研究中删除（我的假设是工程师不愿意创造太多的变化，他们仍在寻找解决方案而不是理解因果关系）。 在我看来，将级别数增加到三级会使这种故障模式进一步复杂化？
2. 在设计初期，许多因素都是定性的。 似乎在设计中添加太多定性因素的限制是一种负担。 也许这个策略更适用于顺序研究中的后期迭代？
3. 通常，筛选设计旨在获得方向并过滤掉不重要的因素，或者更有可能确定重要因素以供进一步研究。 二次方程真的有必要完成这个任务吗？ 好吧，我想可能存在这样的情况：级别设置得太大胆，因此会错过显着的效果，但可以通过中心点相当容易地补救。 如果二次本质上是偏离线性的，如果您处于距离最佳值相当远的设计空间中，您是否首先会对线性效应更感兴趣？ 山脚下的二次方程不一定能到达山顶。
4. 此外，也许最重要的是，处理噪声的策略可能比设计因素的解决方案更重要（正如您所知，设计因素解决方案和噪声影响的解决方案之间为有效利用资源而不断斗争） 。 如果使用随机完整区组设计（RCBD），我们真的需要一些更高阶的逐效交互吗？ 如果使用平衡不完整块设计，理解混叠有多容易？
5. 最后，也许对从业者来说最不重要的是，DSD 是如何教授的？ 使用具有可识别锯齿的传统分数阶乘设计以及折叠去锯齿等想法是很简单的。 灌输迭代的思维方式和实践至关重要。 DSD 如何适应迭代、科学的实验方法？
我预先感谢您的想法。
如果您希望离线进行此讨论，那对我来说没问题。 您可以直接向我发送电子邮件至 comcast dot net 的 statman
干杯，
比尔·罗斯
回复：确定性筛选设计 (DSD) 的正确和不当使用谢谢 Brad，内容丰富的帖子和良好的回复，帮助我了解了更多有关 DSD 的知识。
回复：确定性筛选设计 (DSD) 的正确和不当使用谢谢琼斯博士 - ASQ Technometrics 网站上尚未提供此问题。我会尽快发布它。
理查德
回复：确定性筛选设计 (DSD) 的正确和不当使用http://dx.doi.org/10.1080/00401706.2016.1234979
以上是 Chris Nachtsheim 和我在《Technometrics》杂志上发表的一篇论文的 URL，题为“Effective Design-Based Model Selection for Definitive Screening Designs”。
本文为添加我们所说的“假因素”（即用于创建设计但在运行实验时未使用的因素）提供了强烈的动机。 在 JMP 13 中，DSD 设计工具将此称为“额外运行”，默认值为 4。 但是，您可以将此字段更改回 0 以获得最小运行 DSD。 添加这些额外的运行可以实现强大的替代分析方法。
回复：确定性筛选设计 (DSD) 的正确和不当使用是否有已发布的示例，其中列已被删除，如下所述？
如果您使用 8 因子 DSD 并忽略最后 3 列，则您将拥有 17 次试验设计，并且您应该能够识别四个或五个二阶效应。
回复：确定性筛选设计 (DSD) 的正确和不当使用当因素太多、交互作用太多时，DSD 肯定会遇到麻烦！ 我在催化剂系统中尝试了一种催化剂系统，该系统经过几代优化，具有许多功能性催化剂组分和相互作用。 我最终不得不添加相当多的跑步次数。
回复：确定性筛选设计 (DSD) 的正确和不当使用很棒的帖子。 然而，有一个问题令我困惑。 您提到您可以通过采用更高的设计轻松添加额外的运行并删除额外的列。 我想知道是否有任何简单的方法可以将运行“附加”到设计中。 例如，我已经完成了 am=5 DSD 运行，然后我决定需要更多功率，并且想在之后添加一些额外的运行。 我怎么做？ （例如，如果我采用 m=7 并删除最后两列并将其与 m=5 进行比较，那么我将不再获得相同的行）。 谢谢！
Bradley Jones 写道: 为验证做好计划总是好的......布拉德利·琼斯写道：
计划验证运行总是好的。 这些是您在运行实验并分析数据后执行的运行。 分析的结果是一个模型，您可以使用该模型对实验中未运行的因子设置进行响应预测。 考虑到您的响应目标，您可以选择在模型预测最大改进的因子设置（或多个设置）下运行验证运行。
这与设计增强不同，设计增强扩展了因子的范围、向模型添加项或添加更多运行以减少当前模型中估计值的不确定性。
布拉德利·琼斯写道: 我相信日常使用......布拉德利·琼斯写道：
我相信自定义设计器的常规使用可以解决工业设计实验中的大多数问题。 当几乎所有因素都是连续的并且可以在整个范围内独立变化时，确定性筛选设计是一个不错的选择。
当我进行蒙特卡罗计算机模拟研究时，我有时会使用全因子设计，唯一的费用是计算机时间。 我同意现在有比常规两水平部分因子设计更好的选择。
史蒂文摩尔写道： 所以......我一直在使用 Definitive Sc......史蒂文·摩尔写道：
所以......我已经使用最终筛选设计和定制设计相当长一段时间了。 在我看来，没有理由再使用传统的因子设计。我是正确的，还是我错过了什么？
Jo Chotix 写道: 看起来我们将能够改变每个......乔·乔蒂克斯写道：
看起来我们将能够独立地改变每个组件。 我应该计划一些验证运行吗？ 如何计划这些因素/将其纳入设计（运行次数、验证的设计点等）？ 这与增强设计有何不同？ 谢谢！
Bradley Jones 写道: 使用 DSD 可能是合适的......布拉德利·琼斯写道：
使用 DSD 可能是合适的，但我担心改变处理浓度的 4 个因素可能会被视为混合物中的成分。 如果是这样，那么使用 DSD 就不合适了，但有一个例外。 如果混合物中的主要成分是非活性填料，则其他成分可以独立变化。 在这种情况下，使用 DSD 就可以了。
Jo chotix 写道: 我正在考虑使用 DSD 来设计......乔·乔蒂克斯写道：
我正在考虑使用 DSD 为小鼠体内研究设计治疗计划。 我有 4 个改变治疗浓度的因素（例如浓缩药物、赋形剂混合物等），其中一个因素与小鼠的年龄有关。 我想知道您是否会推荐 DSD？
Bradley Jones 写道: 您可以添加 3 个分类因素......布拉德利·琼斯写道：
您可以向 DSD 添加 3 个分类因素，而不会降低设计效率。 以下是 Chris Nachtsheim 和我就该主题发表的一篇论文的参考。
琼斯、布拉德利和 Nachtsheim，CJ (2013)â 增加两级分类因素的明确筛选设计，《质量技术杂志》，45:2, 120-129。
Ewoud Schuring 写道: 你好布拉德利，有趣的博客，一个......埃乌德·舒林写道：
你好布拉德利，
有趣的博客，实际上整个 DSD 对我来说非常有趣。 不过我确实有一个问题。
DSD 中分类因素的数量限制是多少？ 目前我正在尝试创建一个具有 3 个连续因素和 3 个分类因素的 DSD。 这是一个好主意吗？ 有哪些风险？ 或者连续与分类的 1/1 比率是否会导致设计效率低下？
布拉德利·琼斯写道： 保罗，定制设计有一些...布拉德利·琼斯写道：
保罗，
具有一些重复的定制设计是一种非常安全的响应面设计。 我的经验是，通常很少有大的二阶效应。 因此，构建一个可以估计每个二阶效应的设计可能最终会显得矫枉过正。 6 因子 DSD 仅需要 13 次运行，并且可以可靠地识别两个或三个二阶效应。 这将为您节省近 50% 的成本。
如果您使用 8 因子 DSD 并忽略最后 3 列，则您将拥有 17 次试验设计，并且您应该能够识别四个或五个二阶效应。
Paul Prew 写道: 你好布拉德利，这篇文章让我...保罗·普鲁写道：
你好 Bradley，这篇文章让我思考 4-6 个因素的适当设计。 具体来说，上周，我有一位化学家想要研究 5 个连续因素。 初步的一次单一因素测试告诉她它们很重要。 她对能源部一无所知，但她的主管告诉她这是一条更有效的途径——去找统计学家谈谈。
我们处于一个灰色地带，纯粹的筛选设计似乎是一种倒退，效率低下。 因此，我们选择设计二次模型，从而进行 25 次运行和几次重复的定制设计。
谢谢，保罗
5 因子 DSD 的运行次数要少得多，甚至设计 6 或 7 个因子并删除额外的列。 我如何使用 JMP 来评估 DSD 作为拟合二阶模型的良好设计？ 您会推荐哪些具体的设计评估工具来比较 DSD 与定制设计？
Ron Andrews 写道: 我发现了一份 DSD 申请......罗恩·安德鲁斯写道：
我找到了一份 DSD 申请，其中包含有效的混合物。 我需要确认用于制造隐形眼镜的单体混合物的称重规格。 这是真正的混合物，而不是解决方案，因此在大多数情况下 DSD 不是一个好的选择。 让它发挥作用的原因是与标称值的微小差异。 名义公式被用作中心点。 每个组件的变化为标称值的 +/- 1%。 为了分析实验，我计算了每种混合物的实际浓度。 混合物中最大的两个成分之间存在显着相关性，但设计允许对这两个因素进行单独估计。
我已经提交了一份发现峰会演示文稿的摘要，其中包括作为混合设计替代方案的示例之一。 无论是否被接受，我都可以提供更多细节。
