DOE：“自上而下”的方法会收敛于更传统的“自下而上”因素分析吗？我是在研发中使用 DOE 的相对新手：我长期以来一直持怀疑态度，但最近看到了它提供的巨大力量，并接受了 JMP 作为我的首选工具。 在学习如何应用 DOE 方法的过程中，我开始将其首选实施视为一种“自下而上”的方法：我们首先确定可能有助于衡量结果的所有因素，然后创建这种设计使我们能够筛选每个因素的影响，确定最关键的因素。 我们可以生成一个模型来表示感兴趣的系统，从该模型中删除没有显着贡献的因素，然后使用这些驱动程序改进我们的模型。 在我看来，我们可能偶尔会发现我们的模型仍然不能很好地代表我们的观察结果——也许我们忽略了一个或两个因素。 我们可以通过扩充我们的模型来解决这个问题。 对于具有大量因素的复杂系统，这种传统方法会产生很大的测试矩阵。 我知道我可以通过使用部分因子和自定义/最优设计来减小该矩阵的大小。 对于一个持怀疑态度的客户和一个复杂的系统，这仍然是一个艰难的销售。 但是：从“自上而下”的方法开始有什么坏处吗？ 我们是否可以使用我们的主题知识来确定一些我们认为是性能驱动因素的因素，并用它们建立一个测试矩阵，然后是观察数据的统计模型？ 如果这可以很好地拟合观察到的数据，那就太好了。 但是，如果该模型未能充分解决观察结果，那么我们可以利用模型中的这一明显缺陷通过结合其他因素来改进它（我们一开始就选择搁置的一些大捆绑......）和更多测试？ “自上而下”和“自下而上”方法的数学不是趋于收敛于同一模型吗？ 或者我的“自上而下”方法的概念真的只是定制设计的一种变体？
美国能源部
