回复：对一些有缺陷零件的 DoE 结果的分析你好@ruskicar ,
根据您的描述，我想您的 DoE 是基于模型的（平台定制设计、DSD 或经典），而不是像空间填充设计那样与模型无关？
从基于模型的设计中删除点很复杂，不推荐这样做，因为它可能会严重“损坏”或使获得的模型产生偏差，因为这些点是根据特定模型的假设/假设创建的。 使用与模型无关的设计不会有那么多的复杂性/困难，因为您对建模选项有更大的灵活性。
您的命题中有一些很棒的想法，这里有一些评论或其他命题。 由于我不是像你这样的领域专家，请忽略任何听起来与你的领域无关的提议：
- 显然不推荐，因为您会从模型中完全删除信息（即使有偏见）并且可能会严重影响它。
如果您正在测量的不同维度上有值阈值（高于或低于某个阈值，数据可能是错误的），您可以使用列属性“检测限”并指定不同响应的上限或下限？ 这里有一些用例和示例：使用广义回归分析具有检测限的设计实验... - JMP 用户社区
关于 1.a)，您能否从领域专业知识的角度发现哪些维度似乎是错误的，并可能得到不同异常值技术的支持：单变量方法如箱线图、多变量分析如 T²、Jacknife/Mahalanobis 距离、PCA 或聚类Normal Mixtures/K-Means 等技术？ 如果是，您可以引入一个新的连续数字列（Freq/Weight），您可以在其中为“有效”测量输入较高的数字，为“错误”测量输入较低的数字，并将此列用作“Freq”（频率）属性使用的建模平台。 这将更加强调有效测量而不是无效测量，就好像有效测量比无效测量多几倍。
您可以有多种方法来估算这些值，具体取决于您用于发现错误测量的分析，但是一些有趣的事情可以通过使用例如 Jacknife/Mahalanobis 距离的倒数值作为计算频率来工作：一个实验的距离越远，频率越低，该实验对模型的重视程度就越低。
- 通过使用二项式响应（安全/异常），您可以使用第一个模型来查看设计中的某些因子值与异常/异常值的存在之间是否存在联系。 如果有链接，您可以保存预测概率并将这些概率用作优化探查器中的第二响应：基于域目标（您的初始响应）进行优化，最大概率从异常值（第二响应）中“安全”基于二项式模型的概率）。
- 这取决于：该因素可以被视为固定和/或随机效应，因为有缺陷的部件可能会对平均响应产生影响（固定效应，即使不可重现），但也可以作为随机效应，因为它可能有对响应方差的影响。 如果您可以识别有缺陷的零件，您可以使用“Fit Y by X”平台进行简短的比较测试，以评估零件之间的差异是否更倾向于响应均值的差异，或者对响应方差的差异。
我希望这篇评论能对你有所帮助，并给你一些想法:)
回复：对一些有缺陷零件的 DoE 结果的分析对不起，我有点困惑。 没有足够的上下文来正确提供建议，但这是我的想法：
如果您正在测量尺寸，我假设这些是连续测量。 使用这些值来分析实验。 实验的一个目的是在响应变量中创建变化。 在某种程度上，你创造的变化越多，就越容易看出因果关系。 目的不是创造好的部分。 事实上，它是在短时间内在零件中产生变化。 由于你有多个维度，我也会做一些多变量分析，但除此之外，使用拟合模型并将所有维度加载到 Y 中，使模型饱和以寻找显着的模型效果。 减少模型并分析残差。
回复：对一些有缺陷零件的 DoE 结果的分析谢谢 statman，我同意你的论点，但是：
- 零件用 CMM 测量。
- 有缺陷的部件以这样一种方式变形，即对于某些尺寸，CMM 探头无法到达测量位置（点）。
回复：对一些有缺陷零件的 DoE 结果的分析谢谢维克多，这些想法一定会对我有所帮助。
对部分缺陷零件的 DoE 结果进行分析你好，
我正在尝试对生产了 30 个零件的设计实验的结果进行建模。 测量的特性是零件的各种尺寸。
然而，其中有 10 个零件存在明显可见的缺陷，因此这些缺陷零件的某些尺寸显然是错误的。 其他维度也可能受到影响。
我想到了 3 (4) 种可能的建模方法：
1) 从分析中删除有缺陷的部件（这很棘手，因为有 10 个）。
1a) 仅删除明显错误的尺寸，同时假设其他尺寸不受影响。
2) 向模型添加另一个描述质量的响应（1 表示良好，0 表示有缺陷）。 然后仅定位质量 = 1 的那些
3）添加具有随机效应的分块因子，并将零件分成2组
你有什么建议？ 您是否认为有更好的方法来做到这一点？
谢谢！
消费者和市场研究实验设计分享和交流结果
