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？
美国能源部回复：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？不适合的原因有很多，包括您的建议。 我现在不会讨论你讨论的那一部分。
DOE 通常被认为是更广泛的质量计划或倡议的一部分。 该设计遵循先前的工作来确定相关因素和响应。 例如，此结果可能来自使用七质量工具。 它可能来自 6 Sigma 或质量源于设计项目。 主题专业知识始终是必不可少的，尽管我经常遇到令人窒息的评论，例如“但我们知道……”基于轶事经验，而不是科学数据。 （如果我们已经知道这么多，为什么我们不能解释正在发生的事情或知道该怎么做？）许多相关工具涉及收集许多想法，然后组织和优先考虑它们以供研究。
回复：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？正如您所说的那样，“自上而下”的方法确实没有错。 然而，想想最坏的情况。 您控制设计的一些因素，然后确定它不适合数据。 哦，我们需要添加更多的因素。 但是在第一组运行期间，这些因素在哪里设置？ 他们改变了吗？ 根据这些问题的答案，您可能需要重新开始。 即使记录下来，您也必须担心当时的实验运行不是随机的。
正如 Mark 建议的那样，大多数其他方法让您确定要更改的因素，以及可能影响您不想更改的设计的因素。 MAY 组中的那个组需要以某种方式进行说明（保持不变，成为阻塞变量等）。
回复：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？以下是我的想法：
我们不断“优化”有两个根本原因：
1. 我们从不从所有开始。 我们研究的因素总是所有因素的一小部分。 决定在初步研究中包括（或不包括）什么。 这通常是直觉、直觉、经验、协作的功能。 值得注意的是，研究人员会在没有数据的情况下从研究中删除因素。 这些因素在后续研究中会发生什么变化？
2. 不断发明新的或替代的材料/技术应用。
我认为你的提议遗漏了一些不一定与 DOE 相关的重要调查要素，但极大地改进了实验的使用。 例如，定向采样以了解哪些变化分量（x 组）具有最大的影响力，提供稳定性评估并评估测量不确定性。 迭代是深入理解（归纳-演绎循环）的关键。 我也相信典型的调查人员不包括噪音在他们的实验策略中，足以评估该模型在进一步条件下是否具有一致的“性能”。 在为设计因素制定最优策略方面存在巨大偏差，而在噪声策略方面则很少。
回复：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？谢谢@STAT - 和@Dan_Obermiller和@Mark_Bailey – 用于反馈。 你的评论很有帮助。
@statman ，“我们从不从所有开始”对我的心理校准来说是一个很好的观点。 你的评论是：噪音很明显。 我感兴趣的案例在一个开发项目中来得晚，在该项目中，我们尚未对发挥最大影响力的那些因素进行明确的系统探索。 同时，我们试图定义/理解标称性能范围 - 以及其中的噪声。
@Dan_Obermiller ，你给了我一些关于如何解释那些“其他”因素的想法——“MAY”组。 我对“主动无知”感到不舒服，而我可以看到一种识别和记录这些因素设置的方法——即使我们没有在测试矩阵中明确地探索它们。
和@Mark_Bailey , "如果我们已经知道这么多，为什么我们不能解释......” 太接近目标了。 正如我上面提到的，我正试图在游戏中的某个较晚且可以说“为时已晚”的点插入一些更系统的测试。 在我看来，我这样做的最佳机会需要一组非常有限的因素，故意搁置许多其他因素，以澄清我们集体 SME 告诉我们的可能是高杠杆驱动因素的影响。
谢谢大家，再次。
回复：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？我们可以提出很多意见来帮助你，但我现在想再做一个。 我经常看到设计在一个非常窄的范围内改变因素。 为什么？ 因为我们知道或认为我们会在这附近找到“答案”。 同样，没有太多证据支持这样的决定。 这也是“选择赢家”心态的一个例子。 如果你得到你想要的，你就完成了。 但是，您不知道，如果您针对所有因素探索了更广阔的区域，这是否是您所能获得的最好结果。 狭窄的范围也妨碍了设计检测实际效果的能力。 您可以通过增加运行次数或扩大因子范围来提高功效。
此外，能源部并不是要挑选赢家。 它是关于策划一个模型. 设计的目的对于估计和测试模型中的参数至关重要。 时期。 其他任何事情都是“选择获胜者”的东西。 您希望您的模型具有较长的使用寿命。 他们应该能够很好地代表您的现实以提供帮助，因此请照顾好他们。
回复：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？我当然对“挑选赢家”的想法感到内疚，我会牢记这一批评。 您的“策划模型”评论更接近我寻求的理想，并呼吁我在实验设计中看到的能力，以迭代地改进描述观察结果的数学模型。 此外，您探索广泛因素的论点落在了接受者的耳朵上：我认为在我们将设计推到某个突破点之前，我们并不真正知道如何规范系统设计。 对于我当前感兴趣的系统，我认为最有价值的下一条数据是失败在最初的表现中：我们投入的一切似乎都很好（起初......）。
我发现我开发“自上而下”模型的概念存在缺陷，但我认为“自下而上”的方法在游戏中太耗时太晚了。 “自上而下”的方法可能会帮助我们生成一个足够好的模型，以促进讨论我们如何迭代地改进该模型并更好地控制我们的系统，并结合我们有意搁置的那些其他因素——包括一些“可能”因素。 我们不知道的东西太多了，但我们至少有一个系统可以鼓励我们做正确的事情。
谢谢。
回复：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？只是为了进一步思考......我最喜欢的一句话适用于许多情况：
“所有模型都是错误的，有些是有用的”GEP 盒子
实际上，您采取的方法取决于情况。 我们寻找“线索”来帮助我们了解情况，从而对如何进行做出理性和合乎逻辑的决定。 任何人都不太可能设计出完美的实验，因为大多数实验都包含未知元素。 所以我的建议是设计多个实验（或抽样计划），预测每个计划要获得的潜在知识（例如，可以估计什么效果，什么是混杂的，什么是限制的）并将这些知识与施加的约束进行权衡（例如，资源、时间）。 最终，您所能做的就是尽职调查，然后获取数据。 准备好迭代（事实上，预测所有可能的结果以及你将如何处理这些信息）。
