在最终的屏幕设计中将值分配给因子水平大家好，
对于 DOE，我有七个连续的三级因素。 Definitive Screen Desgin (DSD) 似乎更符合我的目的。 对于每个因素，我都有三个物理测试样本分配给三个级别。 但是，它们并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：在最终的屏幕设计中将值分配给因子水平首先，我对延迟回复表示歉意。
从你的问题可以清楚地看出，你需要接受实验设计方面的教育。 在这样的论坛上进行讨论，很难通过简短的交流来教育任何人。 我想向您推荐一些有帮助的书籍。
- 在 JMP 中，选择帮助>图书>实验设计。
- 获取古斯和琼斯所著的《实验的优化设计》副本。
我们还提供有关实验设计的培训。 假设您已经熟悉 JMP 以及方差分析和回归的分析方法，参加以下课程将使您受益匪浅：
至于你的具体问题：
- PB 设计不直接解决相互作用或非线性效应。 如果成立的话，效应的稀疏性和投影原理可能有助于获得有关交互效应的信息。
- 如果您最终有 2-3 个活跃因子，则 7 个因子的 DSD 可能会起作用。
- 不包括高阶项。
- 在假设等级和遗传原则成立的情况下，选择主要效应后就会发现它们。
- 或者，如果您尚未更改级别，则可以使用新的 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。 不存在相互作用或非线性效应本身。
- 这是一种基于外部阵列水平上适当的信噪比在现有的一组内部阵列运行中“挑选获胜者”的方法。
- 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。
- 田口方法绝对是不是以模型为导向。
- 除了只有主效应的简单情况之外，田口方法会失败。
- 田口设计并不是最经济的设计。
- 面向设计的方法仅仅意味着专注于设计方法的方法（例如，因子设计），模型是一个结果（完整的因子项）。 面向模型的方法，如定制设计，专注于模型，设计是结果。
回复：在最终的屏幕设计中将值分配给因子水平你好@马克贝利,
我花了一段时间才消化你们所有的意见。 让我尝试用以下问题来总结我的理解：
关于屏幕方法：
- 设计导向
- “这些设计仅假设主要效果。” 那么它们不是为了研究相互作用或二次项而设计的？
- “PB 设计比常规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项，对吗？
- DSD：“不变的 DSD 将允许您估计设计中最多大约一半因素的主效应（效应稀疏性）以及一些相互作用和二次效应（假设效应遗传）。” 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 可以估计一些相互作用和二次效应，但模型中不包括相互作用和二次项，对吧？
田口法
- 它可以是分数阶乘或基于 PB 的
- 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
- 不是连续的，因此不用于筛选目的
- “它通过两级组合跨越设计空间来同时进行筛选，并根据从观察到的响应（而非建模）的平均值和标准差得出的信噪比‘挑选获胜者’来进行优化。”
- 问题：田口方法实际上鼓励使用三个水平因子来捕捉非线性效应。 为什么说因素大多是两个层面的？
对于我的条件和目标：
1. 我有 7 个连续的 3 水平因子
2. 因素之间会有相互作用，但不知道到底是哪些因素
3. 目标：优化系统性能（通过研究因素影响）
面向模型：如果我知道我想研究什么（主要项、交互项和二次项），定制设计是有效的。 另外，如果满足加性条件，田口法是有效的。
以设计为导向：如果我不太了解主项、交互项和二次项的影响，则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：在最终的屏幕设计中将值分配给因子水平我们这次讨论有多个主题。 我会尝试以连贯的方式回答他们。
正交阵
不，你是对的。 田口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。 田口实验方法不是连续的。 它同时通过两级组合跨越设计空间进行筛选，并根据从观察到的响应（而非建模）的平均值和标准差得出的信噪比“挑选获胜者”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”。 在没有许多二因素相互作用的情况下，这些设计通常比“常规部分因子”设计表现得更好。
因此，混乱来自于同一术语在不同上下文中的不同用法。
我认为如果筛选假设在您的情况下有效，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 设计可以处理交互效应（即更好的估计机会）。 不过，如果您怀疑主动交互效果，我不会使用较新的 OA。
添加交互术语
“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。
单击之前无法添加交互效果术语制作表格在里面筛选设计平台。 这些设计仅假设主要效果。
构建主效应筛选设计
第二种选择产生较新的 OA 设计，而不是 PB 设计。 （PB 设计可与使用第一个选项的常规部分因子设计一起使用。）
更改 DSD 因子水平
是的，您可以在制作 DSD 后更改因子水平。 不过，这些更改将损害使用 DSD 的性能和优势。 DSD 是一个特例别名最优定制设计。 它基于一个定义结构由一个组成折叠对每个因子的运行次数，其中给定因子设置为中间值，其他因子设置为其低值或高值。 中心点也被添加。 DSD 的声明基于此结构。 构建设计后更改因子水平将破坏此结构，因此您不应期望修改后的设计是 DSD 或像 DSD 一样执行。 它不再是 DSD 了。
但是更改级别是完全合法的，并且最终的设计可能会支持某些分析和建模，但与原始 DSD 的方式或程度不同。 这不是DSD方法的本意。 DSD 是严格的。 它并不处理所有有必要且有效的筛查案例。 （例如，很难改变因素。）您读过 Brad 的博客文章吗？正确和不当使用 DSD ？
添加筛选设计的术语
用于实验设计的 JMP 界面分为多个部分平台专门针对给定的方法设计。 您选择了筛选设计平台。 它实现了Box的规则分数阶乘法和PB的不规则分数阶乘法。 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单词为了通过更改因子设计列来更改模型估计列的混叠。 您无法更改 PB 设计中的别名。 您还选择了 DSD 平台。 这种方法的限制性更大。 您可以添加两级阻塞和高于最小数量的额外运行，但仅此而已。 作为回报，不变DSD 将允许您估计设计中最多大约一半因素的主效应（效应稀疏性）以及一些相互作用和二次效应（假设效应遗传）。
因此，您是正确的，筛选设计和最终筛选设计平台不允许您向模型添加术语，因为该操作不是它们所基于的方法的一部分。 这些方法是以设计为导向。 您从潜在的积极影响开始的想法是相反的：面向模型的设计。 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，可能会对您有所帮助。 第一门课程是我们对 DOE 的介绍，它完全基于定制设计：实验的定制设计。 另一门课程专门讨论筛查的特殊情况：现代放映设计。 （请注意，第二门课程是高级课程，并且假设您已经参加了第一门课程的课程。）
当然，JMP 实验设计指南也非常有帮助（帮助>图书）。
回复：在最终的屏幕设计中将值分配给因子水平你好@马克贝利,
很抱歉造成混乱。 让我尝试澄清它们：
固态硬盘
“我不知道你所说的‘SSD’是什么意思，但我认为它是分数阶乘或 Plackett-Burnam 设计。”
答：SSD 一词代表 JMP 13 用户指南中使用的标准筛选设计。 它位于 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。”
答：我以为这里的 L27 是田口 L27 OA。 根据你的描述我错了。
我确实相信这里或那里存在互动。 因此，根据您的建议，我不应该在这个阶段使用田口 L27 OA。
“添加 11 对二阶交互作用是什么意思？” 您无法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 个双因素交互效应中选择这 11 个项的？ 为什么要在初始分析中添加这些术语？”
答：是的，我“稍后在单击“制作表格”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。 我无法选择要使用的交互。 我想研究交互的效果，但在单击“制作表格”之前找不到添加交互的方法。
选项2：
在 DOE\Classical \Screening Design 中，选择因子水平和类型后，JMP 为我提供了两个选项：“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。 单击“制作表格”后，我添加了交互。
DSD
“你说可以添加 9 个交互项是什么意思？ 是的，您将有足够的运行次数，但该模型将饱和。 你怎么知道从 21 个中选择哪 9 个呢？”
A：同样，我在单击“制作表格”后单击“交互”，但无法选择要使用的交互。
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。 此类更改可能会严重损害最终设计的性能。 最好的方法是选择因子列，然后选择列 > 重新编码。”
答：DSD 采用 3 级连续变量。 我可以在进行设计之前指定每个因素的低值和高值。 之后，JMP 自动拟合平均值作为中值。 如果我的物理样本的中间值不同，我将必须在单击“制作表格”后手动更改它。 这会出现问题吗？
是的，定制设计非常通用。 我可以添加二阶相互作用和二次项。 然而，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：在最终的屏幕设计中将值分配给因子水平首先，我想谈谈您的一般方法。 我们强烈地提倡原则连续实验首先由 Box、Hunter 和 Hunter 提出。 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，筛选设计没有能力如果筛选的假设是无效。 另外，方法连续实验的过程不断发展。 今天，您拥有强大但不灵活的 DSD 和最强大且最灵活的自定义设计方法。 也就是说，这些新方法改变了您在此策略中使用的策略。现在回答您的具体问题...
固态硬盘
我不知道“SSD”是什么意思，但我认为它是分数阶乘或 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，而不是OA。
- 这些 OA 设计专门针对仅主效应模型和系统。 即使您的响应中存在几个交互效应，也会严重影响您的分析。 如果您怀疑是这种情况，请勿使用 OA。
- 如果它确实是 PB 设计，那么您很有可能估算出很大的影响。 几乎没有混杂因素，并且估计值的相关性通常小到足以允许估计。
- “添加 11 对二阶交互作用”是什么意思？ 您无法在设计期间添加术语。 如果您的意思是单击“制作表格”后在“拟合模型”对话框中稍后添加了这些项，那么您是如何从潜在的 21 个双因素交互效应中选择这 11 个项的？ 为什么要在初始分析中添加这些术语？
选项2 :
DSD
- 您可以添加 9 个交互项是什么意思？ 是的，您将有足够的运行次数，但该模型将饱和。 您如何知道从 21 个中选择哪 9 个？
- 是的，您可以更改因子水平。此类更改可能会严重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格。 我们强烈建议至少添加 4 次运行。 当因子数量为奇数 (7) 时，DSD 中的最小游程数为 2k+3 = 2(7)+3 = 17。 默认的额外试验次数为 4，因此您的设计为 21 次试验。
请花时间仔细解释你想知道什么、你做了什么以及你得到了什么结果。 这些快速、简洁的陈述是含糊的，在您获得所需的所有帮助之前，会导致多次交流以进行澄清和全面披露。
回复：在最终的屏幕设计中将值分配给因子水平你好@马克贝利
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 的早期阶段，我希望首先实现筛选，其次进行表征，第三步进行一定程度的优化。 我有能力在此阶段运行大约 30 次测试。
我测试了几种设计如下：
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 Color Map分析主要因素之间的相关性以及二阶和三阶交互作用。 我还能够添加 11 对二阶交互作用。
- 选项 2：我手动选择 27 轮实验来测试主要因素并添加二阶交互作用（JMP 允许 19 对）
使用连续变量的 DSD
- JMP 生成 21 次运行的设计，并允许我添加 9 对二阶交互作用。
- 根据您的消息，我认为我可以用测试样本值替换每个因子级别。 正确的？ 什么是有效的方法来做到这一点，而不是手动逐一更改因子级别？
- 能否将测试次数从21改为27以便与SSD比较？
谢谢，
约翰
回复：在最终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 比其他什么设计更适合？ 在什么方面呢？
与任何其他筛选设计一样，当您的案例符合筛选假设时，DSD 很可能会成功。 这些假设是效应稀疏性,效果等级， 和效应遗传。 不然的话，很可能不会成功。
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素的水平。 回归分析可能不会得到给定模型的最优设计的支持，但它可能会起作用。 如果影响很大，那么你仍然应该找到它们。
- 您无法更改 DSD 的级别并期望它像 DSD 一样运行。 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，您没有大量备用数据，因此任何级别的更改都会比大型设计产生更明显的影响。
通过选择 DOE > 设计诊断 > 评估设计来检查级别更改的影响。 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，您还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。
