针对大量因素的最终筛选设计 DOE尊敬的 JMP 专家，
我正在做一个双透镜设计 DOE，将光耦合到光纤阵列中。 我的目标是在考虑两个镜头的制造公差以及偏心和倾斜的情况下查看系统的产量。 我在 DOE 中有 15 个因素和 4 个响应。 4个响应CE1、CE2、CE3和CE4对应于光纤阵列中每根光纤的耦合效率。
我尝试使用最终筛选设计来进行初步筛选，因为它与传统的部分因子设计相比具有独特的优势。从仿真数据可以看出，CE1和CE4之间的差异应该可以忽略不计，CE2和CE3之间的差异应该可以忽略不计。 然而，DSD 筛选为我提供了所有四个响应的统计显着因素的不同集合。
特别是对于 l1_tilt_y 因子，我知道它是 CE1 和 CE4 响应的主导因子，并且对于这两个响应都具有非线性关系，但 DSD 筛选甚至无法为 CE4 拾取该关系。
随附嵌入数据表的 JMP 报告文件。
您能与我分享您的想法吗？
谢谢。
此致，
埃里克
实验设计回复：针对大量因素的最终筛选设计 DOE我删除了关于模拟数据的非 DSD 策略的评论，因为我看到其他人也提出了同样的观点……尽管我经常在现实生活中进行实验之前先在模拟器上进行实验，也许这就是您所做的？
回复：针对大量因素的最终筛选设计 DOE您可以考虑使用“空间填充设计”来收集计算机模拟的响应。 此外，您想要的只是用于快速预测的插值器，而不是用于评估因素重要性的插值器。 （您只需查看仿真代码即可了解重要性和关系。）JMP 提供了用于对计算机仿真数据进行建模的高斯过程平台。
回复：针对大量因素的最终筛选设计 DOE你好@hanyu119 ,
社区的其他成员带来了许多非常重要的想法，例如如何处理 DoE 中的噪音。
如果您正在运行具有非线性效应的模拟实验，也许空间填充设计会满足您的需求：您将能够通过构造点拟合许多不同的模型，并通过不同的分析技术处理非线性效应（基于树的方法、神经网络、SVM 等……基于响应类型）。 然而，我对您拥有的因子数量 (15) 以及此类设计将在如此多的因子下生成的实验数量有点怀疑（对于 15 个因子，JMP 默认建议使用各种空间填充设计进行 150 次运行） 。 也许运行次数对您来说并不那么重要，因为您不使用材料/资源（这只是一个计算/模拟实验）？
此 JMP 测验将是一个很好的起点，可以为您提供有关首先尝试哪种类型的设计的第一个建议：美国能源部测验 (jmp.com)
希望这对您的反射和模拟实验有所帮助，
回复：针对大量因素的最终筛选设计 DOE除非运行模拟需要花费大量时间，否则您也可以根据需要运行任意多个级别的完整阶乘。 当然，问题是噪音......不知道你如何模拟这个？ 我其实不明白为什么要进行模拟实验。 该算法在软件中是已知的。 模型的顺序是已知的。如果变量（或其非线性分量）不在算法中，则它们不可能影响算法的响应。
在现实世界的实验中，我们使用稀疏性、层次结构和遗传的基本原理按层次顺序构建模型。 通常，我们会从确定线性主效应开始，并随着实验空间接近我们认为的最佳空间而添加层次结构。 这项工作始终是连续且迭代的。 不要花费大量时间和金钱来了解低于最佳水平的不重要因素。 中心点设计可以有效地测试实验空间内的曲率。
回复：针对大量因素的最终筛选设计 DOE该实验完全通过模拟进行。 这是一个概念设计。 我没有实际的产品来验证模拟。 话虽如此，模拟应该非常准确，因为它是一个非常简单的设计。
显然，DSD 模型是不够的。 接下来是什么？
假设您有 15 个因素用于筛选 DOE，您知道响应与某些因素呈非线性关系。 您将如何解决这个问题？
谢谢。
回复：针对大量因素的最终筛选设计 DOE我对你的说法感到困惑：“我已经通过模拟验证了我的数据，所有数据都是真实的。” 如何通过模拟验证真实数据？ 这个实验是完全通过模拟进行的吗？
您的情况有两个明显不同的异常组成部分：
1. 通过多变量分析确定，每种治疗可能存在异常数据点（这些数据点可能受到噪声的影响）。 您的 DSD 没有任何处理噪声的策略（阻塞、重复、裂区等）。 我建议你花一些时间来了解噪音。
2. 模型不充分（正如 Mark 指出的那样，这是通过残差问题来确定的）。 有时模型不能很好地预测结果。 为什么？ 这就是你的调查应该去的地方。
回复：针对大量因素的最终筛选设计 DOE这是一个伟大的发现，马克！ 我从来没有过多关注主效应残差图，现在我知道如何使用它们。
我已经验证了我的模拟数据，所有这些异常值似乎都是真实的，所以我无法真正将它们从我的 DOE 中删除。
您建议的明智的下一步是什么？
有没有比较靠谱的筛查方法可以分享给我？
谢谢。
回复：针对大量因素的最终筛选设计 DOE多变量是检测异常值的好方法。 感谢分享！
我已经通过模拟验证了我的数据，所有数据都是真实的。
第 15 行和第 16 行：由于l1_tilt y是系统中最主要的因素，当l1_tilt_y为0时，即第15行和第16行的情况，与其他运行相比，CE1和CE4的耦合效率变得非常高。 这就是 JMP 认为它们是异常值的原因。
第 37 排是中心点。 同样，由于 l1_tilt_y 为 0，所以 CE1 和 CE4 为高电平。
第 14 排是一个特例。 我已经三重检查了我的模拟，它有点道理，所以我也不能删除这一点。
基于此，这是否意味着 DSD 不是针对此特定案例的正确方法？
您建议的明智的下一步是什么？
谢谢。
回复：针对大量因素的最终筛选设计 DOE正如马克所发现的那样，存在一些不寻常的数据点。 这些可能是由于噪音而不是治疗效果造成的。
回复：针对大量因素的最终筛选设计 DOE您对 CE1 和 CE4 有一些不寻常的观察结果。 残差不寻常。 例如，以下是 CE1 绘图的开头：
这些观察结果可能会对模型参数的估计产生异常高的影响，因此，假设检验估计值不为零。
回复：针对大量因素的最终筛选设计 DOE亲爱的斯塔曼，
非常感谢您分享您的想法。
我已重新附加正确的 JMP 报告文件并嵌入了数据表。 您能看一下吗？
正如您所看到的，CE1 和 CE4 的响应差别不大，但 JMP 却以某种方式给出了不同的筛选结果。 这对我来说没有意义。
您对此有何看法？
谢谢。
回复：针对大量因素的最终筛选设计 DOE亲爱的马克，
非常感谢您的及时回复。
抱歉附加了错误的 JMP 文件。
我重新附加了嵌入了数据表的 JMP 报告文件。
希望现在没事了。
期待听到您的想法。
干杯。
回复：针对大量因素的最终筛选设计 DOE马克的观点是有效的。 一些额外的想法：在分析因素和响应之间的关系之前，先查看响应变量。 数值是否合理？ 它们有道理吗？ 响应变量的变化实际上是否显着？ 查看多元关系（分析>多元方法>多元）。 这些关系/相关性有意义吗？ 我总是建议实验者在运行实验之前预测数据，以便为结果建立背景。 确定关系的能力可能会受到研究中捕获的变异量的影响。
回复：针对大量因素的最终筛选设计 DOE您提供的数据表包含设计列，但不包含响应数据。 设计评价符合预期。 但模型的评估是不可能的。
我对这种镜头设计并不熟悉，但我经常遇到关于从以前的经验中知道什么或不知道什么的先入为主的想法。 许多此类情况都是基于轶事故事，而这些故事实际上无法用统计方法进行测试或审查。 所以我并不担心结果会让你感到惊讶。 不过，让我们看看我们能做些什么来解决这个问题。
