在明确的筛选设计中为因子水平分配值大家好，
我有一个 DOE 的七个连续三级因子。 Definitive Screen Desgin (DSD) 似乎更符合我的目的。 对于每个因素，我将三个物理测试样本分配到三个级别。 但是，它们不代表因子的最大值和最小值。 如何将物理值分配给设计中的每个因子水平？
谢谢，
约翰
回复：在确定的屏幕设计中将值分配给因子水平首先，我很抱歉延迟回复。
从您的问题中可以清楚地看出，您需要接受实验设计方面的教育。 在这样的论坛上的讨论中，很难通过简短的交流来教育任何人。 我想向您指出一些对您有帮助的书籍。
- 在 JMP 中，选择帮助>图书>实验设计.
- 获取 Goos 和 Jones 的“实验的优化设计”的副本。
我们还提供有关实验设计的培训。 假设您已经熟悉 JMP 以及 ANOVA 和回归的分析方法，您将受益于参加以下课程：
至于你的具体问题：
- PB 设计不直接解决交互作用或非线性效应。 效果和投影原理的稀疏性可能有助于获得有关交互效果的信息（如果它们成立的话）。
- 如果您最终有 2-3 个活动因子，则 7 个因子的 DSD 可能会起作用。
- 不包括高阶项。
- 假设等级和遗传原则成立，则在选择主要影响后发现它们。
- 或者，如果您没有更改级别，您可以使用新的 Fit DSD 方法。
- 田口方法可能包括三个级别的因素。
- 它不会公开估计模型参数。 没有相互作用或非线性效应本身.
- 它是基于外部阵列级别上适当的 S/N 比的现有内部阵列运行集合中的“选择获胜者”方法。
- 没有建模，因此没有预测（内插或外推）。
- 如果存在非加性效应，田口设计可能会导致次优结果。
- 面向模型的方法是定制设计。
- 田口法绝对是不是以模型为导向。
- 除了只有主效应的简单情况外，田口方法失败。
- 田口设计不是最经济的设计。
- 面向设计的方法简单地表示专注于设计方法的方法（例如，因子设计）并且模型是结果（全因子项）。 面向模型的方法，如定制设计，专注于模型，设计是结果。
回复：在确定的屏幕设计中将值分配给因子水平你好@Mark_Bailey ,
我花了一段时间来消化你所有的输入。 让我尝试用以下问题总结我的理解：
关于屏幕方法：
- 以设计为导向
- “这些设计仅假设主效应。” 所以它们不是为了研究交互作用或二次项而设计的？
- “PB 设计比常规的部分因子设计处理交互效应（即，更好的估计机会）。” 这意味着 PB 设计可以处理具有主要因素交互作用的实验，但这并不意味着我们可以在模型中包含交互作用项，对吗？
- DSD：“未更改的 DSD 将允许您估计设计中多达一半的因素（效应稀疏性）以及一些交互作用和二次效应（假设效应遗传）的主效应。” 假设我有七个因素，DSD 可以估计三到四个因素的影响，但不是全部七个？ DSD 可以估计一些交互作用和二次效应，但不包括模型中的交互作用和二次项，对吧？
田口法
- 它可以是分数阶乘或基于 PB
- 假设包括因素之间的成瘾性（正交），因此相互作用会导致问题
- 不连续，因此不用于筛选目的
- “它同时通过使用两级组合跨越设计空间进行筛选，并根据从观察到的响应的平均值和标准偏差（非建模）得出的 S/N 比通过‘挑选优胜者’进行优化。”
- 问题：田口方法实际上鼓励使用三个水平因子以捕捉非线性效应。 为什么你说因素领域大多是两个水平？
对于我的条件和目标：
1. 我有 7 个连续的 3 级因子
2. 因素之间会有相互作用，但不知道具体是哪些因素
3. 目标：优化系统性能（通过研究因子效应）
面向模型：如果我知道我想学习什么（主项、交互项和二次项），定制设计是有效的。 此外，如果满足加法条件，田口法可以是有效的。
面向设计：如果我不太了解主项、交互项和二次项的影响，采用筛选设计的顺序方法是有效的。
请评论/回答我的理解/问题。
谢谢，
约翰
回复：在确定的屏幕设计中将值分配给因子水平我们在这个讨论中有多个主题。 我将尝试以连贯的方式回答它们。
正交阵列
不，你是对的。 Taguchi 设计对设计的内部和外部阵列使用“正交阵列”。 这些通常是部分因子设计，但也可以是 PB 设计。 它们通常限于两个级别。 田口不用于筛选，本身. 田口的实验方法不是连续的。 它同时通过使用两级组合跨越设计空间进行筛选，并根据从观察到的响应的平均值和标准偏差（非建模）得出的 S/N 比通过“挑选优胜者”进行优化。 你之前的解释从来没有让我想起田口。
PB 设计为实验生成正交因子列，因此，主效应的估计也是正交的。 不过，高阶项不一定是正交的。
有一种新的设计方法也称为“正交阵列”。 在没有许多双因素交互作用的情况下，这些设计通常比“常规部分因子”设计表现更好。
因此，混淆来自于同一术语在不同上下文中的不同用法。
如果筛选假设对您的情况有效，我认为您可以使用 PB L27 设计进行筛选。 与常规部分因子设计相比，PB 设计处理交互效应（即，更好的估计机会）。 但是，如果您怀疑主动交互效应，我不会使用较新的 OA。
添加交互项
“拟合模型”对话框中没有“交互命令按钮”。
您绝对可以使用“拟合模型”对话框选择模型中的所有项。 看帮助>图书>拟合线性模型.
在点击之前不能添加交互效果的术语制作表在里面筛选设计平台。 这些设计仅假设主效应。
构建主效应筛选设计
第二种选择产生更新的 OA 设计，而不是 PB 设计。 （PB 设计与使用第一个选项的常规部分因子设计一起可用。）
更改 DSD 因子水平
是的，您可以在制作 DSD 后更改因子水平。 这些更改将损害使用 DSD 的性能和好处，尽管. DSD 是一个特例别名最优定制设计。 它基于一个定义的结构由一个折叠对每个因子的运行次数，其中给定因子设置为中间值，其他因子设置为低值或高值。 中心点也被添加。 DSD 的权利要求基于此结构。 在设计构建后更改因子水平将破坏此结构，因此您不应期望生成的修改设计是 DSD 或像 DSD 一样执行。 它不再是 DSD。
但是更改级别是完全合法的，由此产生的设计可能会支持一些分析和建模，但与原始 DSD 的方式或程度不同。 这不是 DSD 方法的意图。 DSD是刚性的。 它并不处理所有需要筛查且有效的案例。 （例如，难以改变的因素。）你读过布拉德关于正确和不当使用 DSD ?
为筛选设计添加术语
用于实验设计的 JMP 界面分为许多平台专门针对给定的方法的设计。 您选择了筛选设计平台。 它实现了Box的规则部分阶乘法和PB的不规则部分阶乘法。 这些方法都没有直接解决与模型中的项的交互效应。 常规部分因子设计方法允许您更改生成词为了通过更改因子设计列来更改模型估计列的别名。 您无法更改 PB 设计中的混叠。 您还选择了 DSD 平台。 这种方法的限制性更大。 您可以在最小数量之上添加两级阻塞和额外的运行，但仅此而已。 作为回报，不变DSD 将允许您估计设计中多达一半的因素（效应稀疏性）的主效应以及一些交互作用和二次效应（假设效应遗传）。
因此，筛选设计和确定性筛选设计平台不允许您向模型中添加项是正确的，因为该操作不是它们所基于的方法的一部分。 这些方法是设计导向. 你从潜在的积极影响开始的想法是相反的：模型导向设计。 这种方式就是定制设计。
为什么不使用定制设计？
我们提供两门 JMP 培训课程，您可能会觉得有帮助。 第一门课程是我们对 DOE 的介绍，它完全基于定制设计：实验定制设计. 另一门课程专门针对筛选的特殊情况：现代筛选设计. （请注意，第二门课程是高级课程，并假设您已经参加了第一门课程的课程。）
当然，JMP 实验设计指南也很有帮助（帮助>图书）。
回复：在确定的屏幕设计中将值分配给因子水平你好@Mark_Bailey ,
很抱歉造成混乱。 让我试着澄清一下：
固态硬盘
“我不知道你所说的“SSD”是什么意思，但我认为它是部分因子或 Plackett-Burnam 设计。
答：SSD 一词代表 JMP 13 用户指南使用的标准筛选设计。 它在 DOE\Classical\Screening Design 下。
选项1：
“所以你使用的是正交数组？ L27 设计是 PB 设计，而不是 OA。”
A：我虽然这里的 L27 是田口 L27 OA。 根据你的描述我错了。
我相信这里或那里有互动。 所以我不应该根据你的建议在这个阶段使用田口 L27 OA。
“添加 11 对二阶交互是什么意思？” 您不能在设计期间添加术语。 如果您的意思是您稍后在单击制作表格后在“拟合模型”对话框中添加了这些项，那么您是如何从潜在的 21 个双因素交互作用效应中选择这 11 个项的？ 为什么将这些术语添加到初始分析中？”
答：是的，我“稍后在单击制作表后在拟合模型对话框中添加了这些术语”并单击交互命令按钮。 我没有选择使用哪种交互的选项。 我想研究交互的效果，但在单击 Make Table 之前我找不到添加它们的方法。
选项 2：
在 DOE\Classical\Screening Design 中，选择因子水平和类型后，JMP 给了我两个选项：“从部分因子设计列表中选择”或“构建主效应筛选设计”。 我使用了后一个选项，并指定我要进行 27 次测试。 点击制作表格后，我添加了交互。
渠务署
“你的意思是你可以添加9个交互项？ 是的，您将有足够的运行，但此模型将饱和。 你怎么知道从 21 个中选择哪 9 个？”
A：同样，我在点击制作表格后点击交互，我无法选择使用哪个交互。
是的，我刚刚发现我可以更改运行次数，并且有上限。
“是的，你可以改变因子水平。 此类更改可能会显着影响最终设计的性能。 最好的方法是选择因子列，然后选择 Cols > Recode。”
A：DSD 采用 3 级连续变量。 我可以在进行设计之前为每个因素指定低值和高值。 之后，JMP 自动拟合平均值作为中间值。 如果我的物理样本的中间值不同，我将不得不在单击 Make Table 后手动更改它。 这会是问题吗？
是的，定制设计非常通用。 我可以添加二阶交互和二次项。 但是，在我看来，JMP 筛选设计（SSD 或 DSD）不支持在主要因素之外添加术语。 请澄清并解释原因。
谢谢，
约翰
回复：在确定的屏幕设计中将值分配给因子水平首先，我想谈谈你的一般方法。 我们强烈倡导原则Box、Hunter 和 Hunter 最早支持的顺序实验。 然而，这种策略并不总是适用。 特别是，筛查并不总是必要的。 此外，筛选设计是没有能力如果筛选的假设是无效. 此外，该方法连续实验的不断发展。 今天，您拥有强大但不灵活的 DSD 和最强大、最灵活的定制设计方法。 也就是说，这些较新的方法会改变您在此策略中使用的策略。现在谈谈你的具体问题......
固态硬盘
我不知道您所说的“SSD”是什么意思，但我认为它是部分因子或 Plackett-Burnam 设计。
选项1 ：
- 所以你使用的是正交数组？ L27设计是PB设计，不是OA。
- 这些 OA 设计专门用于仅主效应模型和系统。 即使在您的响应中存在几个交互效应也会显着影响您的分析。 如果您怀疑是这种情况，请不要使用 OA。
- 如果它真的是一个 PB 设计，那么你很有可能估计出很大的影响。 几乎没有混杂，估计的相关性通常小到足以进行估计。
- “添加 11 对二阶交互”是什么意思？ 您不能在设计期间添加术语。 如果您的意思是您稍后在单击制作表格后在“拟合模型”对话框中添加了这些项，那么您是如何从潜在的 21 个双因素交互作用效应中选择这 11 个项的？ 为什么将这些术语添加到初始分析中？
选项 2 ：
渠务署
- 您是什么意思可以添加 9 个交互项？ 是的，您将有足够的运行，但此模型将饱和。 你怎么知道从 21 个中选择哪 9 个？
- 是的，您可以更改因子水平。此类更改可能会显着影响最终设计的性能. 最好的方法是选择因子列，然后选择科尔斯>重新编码.
- 在提交设计之前，您可以通过单击更改设计平台中的运行次数制作表. 我们强烈建议至少添加 4 次运行。 当因子数为奇数 (7) 时，DSD 中的最小运行次数为 2k+3 = 2(7)+3 = 17。 额外运行的默认数量为 4，这就是您的设计为 21 运行的原因。
请花时间仔细解释你想知道什么，你做了什么，你得到了什么结果。 这些快速、简洁的陈述含糊不清，在您获得所需的所有帮助之前，需要进行多次澄清和全面披露。
回复：在确定的屏幕设计中将值分配给因子水平你好@Mark_Bailey
非常感谢您的回答。 我想优化一个具有 7 个控制因素的机械系统，每个因素可以有三个级别。 在 DOE 的这个早期阶段，我想主要实现筛选，第二是表征，第三是某种程度的优化。 我有能力在这个阶段运行大约 30 个测试。
我已经测试了几个设计如下：
SSD（在 Classical\Screen 下）使用 3 级离散数值变量：
- 选项 1：JMP 提供 L27 OA。 通过JMP彩色图分析主要因素与二阶和三阶交互作用的相关性。 我还能够添加 11 对二阶交互。
- 选项 2：我手动选择 27 轮实验测试主要因素并添加二阶交互（JMP 允许 19 对）
使用连续变量的 DSD
- JMP 生成一个 21 次运行的设计，并允许我添加 9 对二阶交互。
- 根据您的消息，我假设我可以用测试样本值替换每个因子水平。 正确的？ 什么是有效的方法来做到这一点，而不是手动更改因子级别？
- 可以将试运行次数从 21 更改为 27 以便与 SSD 进行比较吗？
谢谢，
约翰
回复：在确定的屏幕设计中将值分配给因子水平你做这个实验的目的是什么？ DSD 比其他设计更适合？ 在什么方面？
当您的案例符合筛选假设时，DSD 很可能会成功，就像任何其他筛选设计一样。 这些假设是效果稀疏,效果层次， 和效应遗传. 否则，它可能不会成功。
您的具体问题的答案有两个：
- 您可以手动更改任何设计中任何因子的水平。 回归分析可能不支持给定模型的优化设计，但它可能会起作用。 如果影响很大，那么您仍然应该找到它们。
- 您不能更改 DSD 的级别并期望它像 DSD 一样执行。 您将引入相关性并打破新分析所依赖的折叠对结构。 您仍然可以使用回归分析，但在像 DSD 这样的经济设计中，您没有大量数据可供备用，因此任何级别的变化都会比大型设计产生更明显的影响。
通过选择 DOE > Design Diagnostics > Evaluate Design 检查关卡变化的影响。 按照启动对话框进行操作，然后查看设计诊断大纲以了解详细信息。 将此信息与原始 DSD 的信息进行比较。
此外，您可以模拟更改因子水平之前和之后的响应，并比较回归分析。
