JMP在添加有用的方法来帮助科学家、工程师、研究人员和分析师的工作方面有着悠久的记录。 是什么激发了这些新方法的加入？ 通常，包含新方法的灵感背后有一个故事，在 A 最优设计的情况下，它始于一位名叫乔恩·斯托林斯，他现在是北卡罗来纳州立大学的统计学助理教授。
我们自己的布拉德利琼斯, 特聘研究员JMP师，在乔恩的论文委员会任职，他的论文，设计实验的一般加权最优性，包括将 A 最优性标准添加到 JMP 中的自定义设计功能的激励用例。
Jon 分享了他对在 JMP 14 中包含 A 最优性设计的想法：
“对从业者来说，将设计称为最优可能会产生很大的误导。 对于从业者来说，重要的是要了解，就该设计的分析性能的汇总度量而言，设计被发现是最优的。 该摘要会丢失有关该设计性能的信息，从业者应了解最优性标准与他们的分析目标之间的关系。 D 准则是迄今为止最流行的准则，并且非常适用于同时强调估计主效应和交互作用的响应面设计。 如果人们想更加强调估计某些效果而不是其他效果，则 D 标准将不合适。 在 JMP 14 中包含加权 A 标准为从业者在设计选择方面提供了更大的灵活性，并允许他们根据自己的特定目标定制设计。 JMP 强大的定制设计平台允许从业者根据这些标准快速生成和比较竞争设计，并更多地参与设计选择。”
正如 Brad 解释的那样，“A 最优设计和 D 最优设计是相似的，但 A 最优设计允许通过加权将不同的重点放在参数组上，并且最优标准很容易理解。 根据具体情况，您可能希望更多地强调主效应，或者二阶效应和加权 A 最优设计为您提供了执行此操作的灵活性。”
在此比较 A 最优和 D 最优设计的示例中，A 最优设计具有更理想的特性。 D 最优设计具有更混乱的相关结构，并且 A 最优设计的设计诊断要好得多。
这是一个简单的例子，但它传达了 A 最优设计的潜力，让您可以灵活地强调某些效果而不是其他效果，并创建可以更好地满足您的需求的设计。
A-最优性准则是一个相对较新的研究领域实验设计，我们很高兴将它包含在 JMP 14 中。 您可以期待在今年晚些时候发布有关 DOE 新功能的更详细的博客文章。
