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？
美國能源部回复：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？不適合的原因有很多，包括您的建議。 我現在不會討論你討論的那一部分。
DOE 通常被認為是更廣泛的質量計劃或倡議的一部分。 該設計遵循先前的工作來確定相關因素和響應。 例如，此結果可能來自使用七質量工具。 它可能來自 6 Sigma 或質量源於設計項目。 主題專業知識始終是必不可少的，儘管我經常遇到令人窒息的評論，例如“但我們知道……”基於軼事經驗，而不是科學數據。 （如果我們已經知道這麼多，為什麼我們不能解釋正在發生的事情或知道該怎麼做？）許多相關工具涉及收集許多想法，然後組織和優先考慮它們以供研究。
回复：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？正如您所說的那樣，“自上而下”的方法確實沒有錯。 然而，想想最壞的情況。 您控制設計的一些因素，然後確定它不適合數據。 哦，我們需要添加更多的因素。 但是在第一組運行期間，這些因素在哪裡設置？ 他們改變了嗎？ 根據這些問題的答案，您可能需要重新開始。 即使記錄下來，您也必須擔心當時的實驗運行不是隨機的。
正如 Mark 建議的那樣，大多數其他方法讓您確定要更改的因素，以及可能影響您不想更改的設計的因素。 MAY 組中的那個組需要以某種方式進行說明（保持不變，成為阻塞變量等）。
回复：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？以下是我的想法：
我們不斷“優化”有兩個根本原因：
1. 我們從不從所有開始。 我們研究的因素總是所有因素的一小部分。 決定在初步研究中包括（或不包括）什麼。 這通常是直覺、直覺、經驗、協作的功能。 值得注意的是，研究人員會在沒有數據的情況下從研究中刪除因素。 這些因素在後續研究中會發生什麼變化？
2. 不斷發明新的或替代的材料/技術應用。
我認為你的提議遺漏了一些不一定與 DOE 相關的重要調查要素，但極大地改進了實驗的使用。 例如，定向抽樣以了解哪些變異分量（x 組）具有最大的影響力，提供穩定性評估和評估測量不確定性。 迭代是深入理解（歸納-演繹循環）的關鍵。 我也相信典型的調查人員不包括噪音在他們的實驗策略中，足以評估該模型在進一步條件下是否具有一致的“性能”。 在為設計因素制定最優策略方面存在巨大偏差，而在噪聲策略方面則很少。
回复：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？謝謝@STAT - 和@Dan_Obermiller和@Mark_Bailey – 用於反饋。 你的評論很有幫助。
@statman ，“我們從不從所有開始”對我的心理校準來說是一個很好的觀點。 你的評論是：噪音很明顯。 我感興趣的案例是在一個開發項目中遲到的，在該項目中，我們尚未對發揮最大影響力的那些因素進行明確的系統探索。 同時，我們試圖定義/理解標稱性能範圍 - 以及其中的噪聲。
@Dan_Obermiller ，你給了我一些關於如何解釋那些“其他”因素的想法——“MAY”組。 我對“主動無知”感到不舒服，而我可以看到一種識別和記錄這些因素設置的方法——即使我們沒有在測試矩陣中明確地探索它們。
和@Mark_Bailey , "如果我們已經知道這麼多，為什麼我們不能解釋......” 太接近目標了。 正如我上面提到的，我正試圖在遊戲中的某個較晚且可以說“為時已晚”的點插入一些更系統的測試。 在我看來，我這樣做的最佳機會需要一組非常有限的因素，故意將許多其他因素放在一邊，以澄清我們集體 SME 告訴我們的可能是高槓桿驅動因素的影響。
謝謝大家，再次。
回复：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？我們可以提出很多意見來幫助你，但我現在想再做一個。 我經常看到設計在一個非常窄的範圍內改變因素。 為什麼？ 因為我們知道或認為我們會在這附近找到“答案”。 同樣，沒有太多證據支持這樣的決定。 這也是“選擇贏家”心態的一個例子。 如果你得到你想要的，你就完成了。 但是，您不知道，如果您針對所有因素探索了更廣闊的區域，這是否是您所能獲得的最好結果。 狹窄的範圍也妨礙了設計檢測實際效果的能力。 您可以通過增加運行次數或擴大因子範圍來提高功效。
此外，能源部並不是要挑選贏家。 它是關於策劃一個模型. 設計的目的對於估計和測試模型中的參數至關重要。 時期。 其他任何事情都是“選擇獲勝者”的東西。 您希望您的模型具有較長的使用壽命。 他們應該能夠很好地代表您的現實以提供幫助，因此請照顧好他們。
回复：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？我當然對“挑選贏家”的想法感到內疚，我會牢記這一批評。 您的“策劃模型”評論更接近我尋求的理想，並呼籲我在實驗設計中看到的能力，以迭代地改進描述觀察結果的數學模型。 此外，您探索廣泛因素的論點落在了接受者的耳朵上：我認為在我們將設計推到某個突破點之前，我們並不真正知道如何規範系統設計。 對於我當前感興趣的系統，我認為最有價值的下一條數據是失敗在最初的表現中：我們投入的一切似乎都很好（起初......）。
我發現我開發“自上而下”模型的概念存在缺陷，但我認為“自下而上”的方法在遊戲中太耗時太晚了。 “自上而下”的方法可能會幫助我們生成一個足夠好的模型，以促進討論我們如何迭代地改進該模型並更好地控制我們的系統，並結合我們有意擱置的那些其他因素——包括一些“可能”因素。 我們不知道的東西太多了，但我們至少有一個系統可以鼓勵我們做正確的事情。
謝謝。
回复：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？只是為了進一步思考......我最喜歡的一句話適用於許多情況：
“所有模型都是錯誤的，有些是有用的”GEP 盒子
實際上，您採取的方法取決於情況。 我們尋找“線索”來幫助我們了解情況，從而對如何進行做出理性和合乎邏輯的決定。 任何人都不太可能設計出完美的實驗，因為大多數實驗都包含未知元素。 所以我的建議是設計多個實驗（或抽樣計劃），預測每個計劃可能獲得的知識（例如，可以估計什麼效果，什麼是混雜的，什麼是限制的）並權衡這些知識與施加的約束（例如，資源、時間）。 最終，您所能做的就是盡職調查，然後獲取數據。 準備好迭代（事實上，預測所有可能的結果以及你將如何處理這些信息）。
