針對大量因素的最終篩選設計 DOE尊敬的 JMP 專家，
我正在做一個雙透鏡設計 DOE，將光耦合到光纖陣列中。 我的目標是在考慮兩個鏡頭的製造公差以及偏心和傾斜的情況下查看系統的產量。 我在 DOE 中有 15 個因素和 4 個響應。 4個響應CE1、CE2、CE3和CE4對應於光纖陣列中每根光纖的耦合效率。
我嘗試使用最終篩選設計來進行初步篩選，因為它與傳統的部分因子設計相比具有獨特的優勢。從仿真數據可以看出，CE1和CE4之間的差異應該可以忽略不計，CE2和CE3之間的差異應該可以忽略不計。 然而，DSD 篩選為我提供了所有四個響應的統計顯著因素的不同集合。
特別是對於 l1_tilt_y 因子，我知道它是 CE1 和 CE4 響應的主導因子，並且對於這兩個響應都具有非線性關係，但 DSD 篩選甚至無法為 CE4 拾取該關係。
隨附嵌入數據表的 JMP 報告文件。
您能與我分享您的想法嗎？
謝謝。
此致，
埃里克
實驗設計回复：針對大量因素的最終篩選設計 DOE我刪除了關於模擬數據的非 DSD 策略的評論，因為我看到其他人也提出了同樣的觀點……儘管我經常在現實生活中進行實驗之前先在模擬器上進行實驗，也許這就是您所做的？
回复：針對大量因素的最終篩選設計 DOE您可以考慮使用“空間填充設計”來收集計算機模擬的響應。 此外，您想要的只是一個用於快速預測的插值器，而不是用於評估因素重要性的插值器。 （您只需查看仿真代碼即可了解重要性和關係。）JMP 提供了用於對計算機仿真數據進行建模的高斯過程平台。
回复：針對大量因素的最終篩選設計 DOE你好@hanyu119 ,
社區的其他成員帶來了許多非常重要的想法，例如如何處理 DoE 中的噪音。
如果您正在運行具有非線性效應的模擬實驗，也許空間填充設計會滿足您的需求：您將能夠通過構造點擬合許多不同的模型，並通過不同的分析技術處理非線性效應（基於樹的方法、神經網絡、SVM 等……基於響應類型）。 然而，我對您擁有的因子數量 (15) 以及這種類型的設計將使用如此多的因子生成的實驗數量有點懷疑（對於 15 個因子，JMP 默認建議使用各種空間填充設計進行 150 次運行） 。 也許運行次數對您來說並不那麼重要，因為您不使用材料/資源（這只是一個計算/模擬實驗）？
此 JMP 測驗將是一個很好的起點，可以為您提供有關首先嘗試哪種類型的設計的第一個建議：美國能源部測驗 (jmp.com)
希望這對您的反射和模擬實驗有所幫助，
回复：針對大量因素的最終篩選設計 DOE除非運行模擬需要花費大量時間，否則您也可以根據需要運行任意多個級別的完整階乘。 當然，問題是噪音......不知道你如何模擬這個？ 我其實不明白為什麼要進行模擬實驗。 該算法在軟件中是已知的。 模型的順序是已知的。如果變量（或其非線性分量）不在算法中，則它們不可能影響算法的響應。
在現實世界的實驗中，我們使用稀疏性、層次結構和遺傳的基本原理按層次順序構建模型。 通常，我們會從確定線性主效應開始，並隨著實驗空間接近我們認為的最佳空間而添加層次結構。 這項工作始終是連續且迭代的。 不要花費大量時間和金錢來了解低於最佳水平的不重要因素。 中心點設計可以有效地測試實驗空間內的曲率。
回复：針對大量因素的最終篩選設計 DOE該實驗完全通過模擬進行。 這是一個概念設計。 我沒有實際的產品來驗證模擬。 話雖如此，模擬應該非常準確，因為它是一個非常簡單的設計。
顯然，DSD 模型是不夠的。 接下來是什麼？
假設您有 15 個因素用於篩選 DOE，您知道響應與某些因素呈非線性關係。 您將如何解決這個問題？
謝謝。
回复：針對大量因素的最終篩選設計 DOE我對你的說法感到困惑：“我已經通過模擬驗證了我的數據，所有數據都是真實的。” 如何通過模擬驗證真實數據？ 這個實驗是完全通過模擬進行的嗎？
您的情況有兩個明顯不同的異常組成部分：
1. 通過多變量分析確定，每種治療可能存在異常數據點（這些數據點可能受到噪聲的影響）。 您的 DSD 沒有任何處理噪聲的策略（阻塞、重複、裂區等）。 我建議你花一些時間來了解噪音。
2. 模型不充分（正如 Mark 指出的那樣，這是通過殘差問題來確定的）。 有時模型不能很好地預測結果。 為什麼？ 這就是你的調查應該去的地方。
回复：針對大量因素的最終篩選設計 DOE這是一個偉大的發現，馬克！ 我從來沒有過多關注主效應殘差圖，現在我知道如何使用它們。
我已經驗證了我的模擬數據，所有這些異常值似乎都是真實的，所以我無法真正將它們從我的 DOE 中刪除。
您建議的明智的下一步是什麼？
有沒有比較靠譜的篩查方法可以分享給我？
謝謝。
回复：針對大量因素的最終篩選設計 DOE多變量是檢測異常值的好方法。 感謝分享！
我已經通過模擬驗證了我的數據，所有數據都是真實的。
第 15 行和第 16 行：由於l1_tilt y是系統中最主要的因素，當l1_tilt_y為0時，即第15行和第16行的情況，與其他運行相比，CE1和CE4的耦合效率變得非常高。 這就是 JMP 認為它們是異常值的原因。
第 37 排是中心點。 同樣，由於 l1_tilt_y 為 0，所以 CE1 和 CE4 為高電平。
第 14 排是一個特例。 我已經三重檢查了我的模擬，它有點道理，所以我也不能刪除這一點。
基於此，這是否意味著 DSD 不是針對此特定案例的正確方法？
您建議的明智的下一步是什麼？
謝謝。
回复：針對大量因素的最終篩選設計 DOE正如馬克所發現的那樣，存在一些不尋常的數據點。 這些可能是由於噪音而不是治療效果造成的。
回复：針對大量因素的最終篩選設計 DOE您對 CE1 和 CE4 有一些不尋常的觀察結果。 殘差不尋常。 例如，以下是 CE1 繪圖的開頭：
這些觀察結果可能會對模型參數的估計產生異常高的影響，因此，假設檢驗估計值不為零。
回复：針對大量因素的最終篩選設計 DOE親愛的斯塔曼，
非常感謝您分享您的想法。
我已重新附加正確的 JMP 報告文件並嵌入了數據表。 您能看一下嗎？
正如您所看到的，CE1 和 CE4 的響應差別不大，但 JMP 卻以某種方式給出了不同的篩選結果。 這對我來說沒有意義。
您對此有何看法？
謝謝。
回复：針對大量因素的最終篩選設計 DOE親愛的馬克，
非常感謝您的及時回复。
抱歉附加了錯誤的 JMP 文件。
我重新附加了嵌入了數據表的 JMP 報告文件。
希望現在沒事了。
期待聽到您的想法。
乾杯。
回复：針對大量因素的最終篩選設計 DOE馬克的觀點是有效的。 一些額外的想法：在分析因素和響應之間的關係之前，先查看響應變量。 數值是否合理？ 它們有道理嗎？ 響應變量的變化實際上是否顯著？ 查看多元關係（分析>多元方法>多元）。 這些關係/相關性有意義嗎？ 我總是建議實驗者在運行實驗之前預測數據，以便為結果建立背景。 確定關係的能力可能會受到研究中捕獲的變異量的影響。
回复：針對大量因素的最終篩選設計 DOE您提供的數據表包含設計列，但不包含響應數據。 設計評價符合預期。 但模型的評估是不可能的。
我對這種鏡頭設計並不熟悉，但我經常遇到關於從以前的經驗中知道什麼或不知道什麼的先入為主的想法。 許多此類情況都是基於軼事故事，而這些故事實際上無法用統計方法進行測試或審查。 所以我並不擔心結果會讓你感到驚訝。 不過，讓我們看看我們能做些什麼來解決這個問題。
