处理多天的响应措施各位，
我有一个问题，我无法在网上找到答案，我怀疑正确的方法是什么。 希望你能帮助我 
简而言之，我正在通过将各种成分混合在一起来制作蛋白质面团。 准备好后，面团静置 5 天，然后加工成蛋白质棒。 在这 5 天内，面团的质地发生了变化。
我的研究问题是混合过程如何影响 5 天内的质地发展。
我的目标是优化混合过程，以便在 24 到 48 小时内获得正确的质地
我的疑问是：
1. 我应该创建我的设计，有 5 个响应，每天一个吗？
2. 我是否应该将我的设计复制 5 次，添加一个称为天数的额外因素，在其中记录我测量响应的时刻？
在第一种情况下，我无法模拟“天数”对面团质地的影响，因此无法针对该因素进行优化。
在第二种情况下，我觉得我在作弊，因为我不是在复制模型。 我只是在不同的日子多次分析同一主题/运行。
您对此设计的方法是什么？
感谢您的投入，
亲切的问候，
埃利亚
数据表美国能源部回复：处理多天的响应措施我建议您将响应视为功能数据。 也就是说，响应是随时间变化的整条曲线。JMP 可以使用函数数据作为 DOE 中的响应。 请参阅有关文档定义功能响应进而使用 Functional Data Explorer 分析 DOE .
回复：处理多天的响应措施你好@EliaDF ,
欢迎来到社区！
可能有多个选项可用，具体取决于您使用的 JMP 版本（JMP 或 JMP Pro）和测量过程。
关于测量过程，测量是否具有代表性？ 我的意思是：你是在一个点上还是在几个点上测量纹理？ 如果它在一个点上，这个点是否代表整个面团质地？
测量是否对样品具有破坏性？ 我的意思是：您能否在几天内监控和测量同一个样品的质地，或者您是否需要准备多个面团以便每天至少进行一次测量？
关于您拥有的 JMP 版本/许可证，有几个选项：
- 借助 JMP，您可以使用“通过 X 拟合 Y”平台为 DoE 的每个实验建模纹理 (Y) 与日 (X)，并提取曲线参数以将其用作建模中的响应你的能源部。
- 借助 JMP Pro，您可以使用功能数据浏览器，将日指定为 X，将纹理指定为 Y，并将您的 DoE 因子指定为“补充”变量。 然后您可以指定您的目标曲线或优化目标，并查看这些因素如何影响纹理曲线与天的形状。 可以在此处找到将 Functional Data Explorer 用于 DoE 数据集的示例： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/example-of-functional-doe-analysis.shtml
如果您可以使用 Functional Data Explorer，则第二个选项可能是最好的，并且使用相同 ID 标记来自同一实验的行将防止将“重复行”视为新的重复运行。 如果您有 JMP，逐个实验分析曲线实验（单个分析或在您的数据表中创建一个“ID 实验”并将其用作 Fit Y by X 平台中的“by”变量）也应该避免错误地“创建”重复运行.
希望这个回答对你有帮助
回复：处理多天的响应措施亲爱的马克，
谢谢你的回答。 我将进一步研究功能性反应；）回复：处理多天的响应措施嘿维克多，
感谢您的回答。 不幸的是，我有 JMP pro，但我会尝试使用样本 ID 来解决问题。
该方法不是破坏性的，但我做了一个足够大的批次，这样我就可以每天重复三次，持续 5 天。
我用于响应的值是三个重复的平均值（在不同点上测量）。回复：处理多天的响应措施好的，不幸的是，Functional Data Explorer 在 JMP 中不可用，仅在 JMP Pro 中可用。
我建议以两种方式进行分析：
- 像您提到的那样，每天都有一个响应列，根据这 5 个响应创建您的模型，并使用 Profiler 同时优化所有响应，
- 使用“通过 X 拟合 Y”平台（或其他平台）对每条曲线独立建模（使用 ID 列从 DoE 中发现每个独立实验），提取每条曲线的系数，并将它们用作您的 DoE 的响应. 如果您可以创建看起来像您要实现的目标的“假”黄金曲线，则在尝试使用 DoE 的模型优化曲线系数时，定义优化目标和目标值可能会更容易。
结合和比较这两种方法可能会非常有趣且信息丰富。
作为最后的注释/评论，考虑到不同测量点上纹理的可变性可能也很有趣，而不仅仅是平均值，如果您发现纹理的可变性可能不均匀或不恒定值取决于实验。
回复：处理多天的响应措施只是想补充一些想法……我很困惑你有没有 JMP Pro？ “不幸的是我有 JMP pro”。 我同意维克多关于查看重复测量的均值和一些变异估计的观点（这些是不是考虑重复）为每一天。 意识到你会捕获批次内误差和这 3 个样品中混杂的测量误差。 您对测量系统的信心如何？ 您可以进行的另一项分析是对 3 天内的多个响应进行多变量分析（分析>多变量方法>多变量）。
