DOE：“自上而下”的方法會收斂於更傳統的“自下而上”因素分析嗎？我是在研發中使用 DOE 的一個相對新手：我長期以來一直持懷疑態度，但最近開始看到它提供的巨大力量，並接受了 JMP 作為我的首選工具。 在學習如何應用 DOE 方法的過程中，我開始將其首選實施視為一種“自下而上”的方法：我們首先確定可能有助於衡量結果的所有因素，然後創建這種設計使我們能夠篩選每個因素的影響，確定最關鍵的因素。 我們可以生成一個模型來表示感興趣的系統，從該模型中刪除沒有顯著貢獻的因素，然後使用這些驅動程序改進我們的模型。 在我看來，我們可能偶爾會發現我們的模型仍然不能很好地代表我們的觀察結果——也許我們忽略了一個或兩個因素。 我們可以通過擴充我們的模型來解決這個問題。 對於具有大量因素的複雜系統，這種傳統方法會產生很大的測試矩陣。 我知道我可以通過使用部分因子和自定義/最優設計來減小該矩陣的大小。 對於一個持懷疑態度的客戶和一個複雜的系統，這仍然是一個艱難的銷售。 但是：從“自上而下”的方法開始有什麼壞處嗎？ 我們是否可以使用我們的主題知識來確定一些我們認為是性能驅動因素的因素，並與它們一起使用測試矩陣，然後是觀察數據的統計模型？ 如果這可以很好地擬合觀察到的數據，那就太好了。 但是，如果該模型未能充分解決觀察結果，那麼我們可以利用模型中的這一明顯缺陷通過結合其他因素來改進它（我們一開始就選擇擱置的一些大包......）和更多測試？ “自上而下”和“自下而上”方法的數學不是趨於收斂於同一模型嗎？ 或者我的“自上而下”方法的概念真的只是定制設計的一種變體？
美國能源部
