回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
不客气 ！ 我很高兴得知您对这种设计感到满意，并且您将在实验室中进行尝试。
请发送一些有关其工作原理的新闻，如果您有任何问题或疑问，请访问 JMP 社区！ 
也有一个愉快的周末@ADouyon ！回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？太感谢了， @维克多_G ，感谢您在完善此设计方面提供的宝贵帮助！ 我由衷地感谢它！
我现在对在实验室中测试此设计感到更加自在和自信 
感谢您提供的所有超级有用的说明以及总是这么快的回复！
周末愉快， @维克多_G ！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
太好了，我认为首先确定主要影响和交互作用，然后扩充设计以优化方差预测更有意义。
1- 如果您可以按 12 次运行的批次运行实验，则更安全，建议使用分块。 在您的情况下，像您这样的随机块似乎是一个不错的选择，因为您对了解两次运行之间的差异并不特别感兴趣，但更多的是了解两次运行中的可变性。
2-“Augment Design”平台的问题是你可能会失去你的随机阻塞（因为即使你在启动平台之前把它放在因素中，之后也不会考虑，你只会可以访问“扩充”选项，而不是“复制”选项）。 两个选项可以增强您的设计并复制它：
- 您只需复制前 24 行，然后粘贴，然后更改随机块级别（1 变为 3，2 变为 4）。
- 通过在设计生成中指定您想要 24 次重复运行，按 12 组实验直接生成 48 次运行设计。 您最终会得到设计 tv8（已附），如果您有足够的实验预算，您可以从那里直接运行此设计的 48 个实验。
这两种方法是相似的，即使第二种方法（tv8 与通过复制/粘贴增强的 tv7 相比）更有效（更好地重新划分不同块中的实验运行，请参见屏幕截图）。
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？谢谢@马克贝利为了澄清！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@维克多_G ，非常感谢您一如既往的澄清和快速回复！
我现在完善我的设计以包括所有 4 个因素（不是忽略 X4，因为这个因素的影响仍然完全未知）并且所有与可估计性设置为“必要”的交互，以及我的时间变量（X3）的二次效应也设置为“必要”。 我保留了其他 3 个变量（X1、X2、X3）的其他二次效应，并将可估计性设置为“如果可能”，因为我认为会有曲率，所以我想在未来增加设计。
[我预计大多数因素的交互项都会产生显着影响，但与变量 X4 的交互除外，我事先没有任何信息。 这就是为什么，在这个精美的设计中，我将所有可估计性的交互设置为“必要”]。
在我之前的设计中， “i_tv5_Iopt_changedEst_remov2_24runs” ，我删除了术语“X1*X1”和“X2*X4”，但因为我没有任何证据表明这些并不重要，（并根据您帮助我进行的各种澄清）我决定将它们保留在新的抛光设计中（'X1*X1'，可估计性设置为'if-possible'，'X2*X4'设置为'necessary'）。
附上名为“tv6_Dopt_24rns_QTermsIfPoss_ExceptX3X3_110322”的精美设计。
方差现在似乎有所增加，但从你向我解释的内容来看，我知道这没关系，因为我计划在未来增加这种设计。
现在，我想知道“阻塞”变量有多重要？
我的实验可以在一个（反应）容器中运行，该容器可以专门测试一次最多 12 种不同的条件（治疗） . 由于此设计有 24 种不同的处理（24 次运行），因此我必须先运行 12 种处理并完成该实验。 然后，分别地，一旦我完成了第一批 12 种治疗，我将对其余 12 种治疗进行另一次实验。 那么我应该添加“阻塞”变量吗？
我尝试通过输入数字“12”来添加此“阻塞”变量，其中显示“Group runs into random blocks of size”（= 12）（附加设计，名为“tv7_liketv6_withBlocking”）。 我注意到这稍微增加了我的方差（见屏幕截图，此 tv7 设计的颜色为橙色。
1-我是否正确地完成了这部分@维克多_G ？
2- 而且，由于我在容器中有空间放置重复项，我现在也可以扩充设计以复制它，对吗？ 复制设计时如何处理“随机块”变量？ 请参阅所附的第一个屏幕截图，我是否也应该将其添加到“X，因子”框中？
多谢@维克多_G ！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？当预测是该实验的主要目标时，预测方差在比较两个或多个设计时是有用的信息——方差越低，设计越好。
请记住，在收集数据之前，没有关于响应方差的信息。 该图假设此方差为 1，这不太可能。 该图还采用线性模型及其假设，包括整个响应范围内的恒定方差。 如果您有响应的估计值，则将此图中的比例乘以您的估计值以了解实际预测方差。 此方差的平方根是预测的标准误差。
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
- 你是对的，因为你在屏幕上添加了很少的因素，我建议你添加时间的二次效应，因为化学或生物过程很少随时间线性相关，所以最好直接在模型中使用这个二次项. 并且由于您对该时间因子（对于小数）有“约束”，因此您为此因子选择了具有 3 个级别的离散数字类型，它会自动在模型中添加具有“如果可能”可估计性的二次项，因此您应该确定这些设置。
- 这些桶并没有完全分开，它更多的是在你的 DoE 创建过程中帮助和指导你，自我评估你处于哪个阶段。 根据您的实验预算，只做一个大的 DoE 可能很诱人，但这可能是因为缺乏资源，因为大多数效果可能不会很显着或对响应有很大影响。 这就是为什么我倾向于通过以下 3 个步骤来描述 DoE 在研究过程中的使用：筛选、优化和预测，因为它有助于弄清楚您对系统已经了解的内容，以及您想进一步了解和了解的内容预测你的系统。 我在之前的 DoE 培训中使用了我在此处作为屏幕截图插入的图形。 但正如你所说，根据情况，它可能看起来有点过于简单，所有使用 DoE 的研究都不会经历这 3 个阶段，因为先前的知识、领域经验或历史数据可以帮助对系统有一个公平的理解。
在您的情况下，您的因素数量非常少，但您不确定某些影响的重要性（X4 和涉及 X4 的交互作用/二次效应）。 因此，我会选择 D 最优性标准，以便尽可能准确地评估参数估计值，并有可能将显着影响与不显着影响区分开来。
您的设计确实有意义，并且在复制之前完成的 24 次运行 DoE（“i_tv5_Iopt_changedEst_remov2_24runs”）看起来像是运行大小和效果筛选之间的良好折衷。 由于存在 5 次重复运行，您应该能够估计响应中的噪声和失拟。
它可能还不是一个预测模型（取决于您想要的精度），但它是评估哪些项重要的第一步，您可以从那里扩充设计以提高预测精度。
希望这个回答能帮到你
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？谢谢@维克多_G为了快速回复和明确回复！！
- 所以，但如果我的一个因素是时间，那么你会直接在第一个“概念验证”设计中添加二次效应/项，还是会等到稍后（在下一次迭代中）增加时再添加？
我记得在我的第一篇文章中你警告我，如果我有一个因素是时间并且是一个连续变量，我应该有二次效应（ https://docs.google.com/presentation/d/1BOYJfa54Kt2MnH5TrSpSOOr6-GLIwlJKUhZPFK8gxXM/edit?usp=sharing ). 虽然，我的时间因子是一个具有 3 个级别的离散数字（由于我不能接受小数）因子，但这有什么不同吗？
- 在 JMP DOE 中，我们似乎真的根据目的将事物分成桶； 1) 筛选，2) 优化，3) 预测。
但是，人们在他们的工作/设计中总是有如此清晰的分离吗？
我的设计有 4 个因素，我确定其中 3 个具有显着的主效应。 只有 1 个因素 (X4) 我不确定它在设计中是否会非常重要（我怀疑，它不会像其他 3 个一样重要，但我没有证据）。 我怀疑大多数交互项的交互效应都会很显着（可能是所有那些除了与 X4 交互的那些，我认为这不会那么重要，但我没有证据）。 [而且，我怀疑我也会产生二次效应……]
因此，我的设计似乎是筛选的混合体（因为我有一个我不知道的因素）+ 优化（因为我有 3 个因素，我 99.999..% 肯定会产生真正的显着影响）。 这有意义吗？ 你能澄清一下吗@维克多_G因为这会影响开始时选择的最优性标准（如果我应该选择 D- 或 I- 最优性，我会感到困惑）？
太感谢了@维克多_G ！！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
是的，通常您不会只进行一种设计，而是随着您对流程/系统/配方的了解不断增加多次。
您可以从仅筛选主效应开始（取决于因素的数量和所需的运行次数，您可以在此阶段直接添加交互项），然后是交互以优化有关系统的知识，然后是二次效应以构建稳健的预测模型。
根据因素的数量和类型，可能有更好的选择：例如，对于大量因素（> 5，并且只有连续或 2 级分类因素），确定性筛选设计 (DSD) 可能是一个不错的选择用于以无偏方式筛选主效应，并有可能检测到一些交互项和二次项。
希望这个回答对你有帮助
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？非常感谢@维克多_G ！！ 这就说得通了！
因此，一般来说，先用主要因素测试交互项，然后再通过添加二次项进行扩充是否是一种好的做法？ （只是确认因为你的建议有这个顺序）。
多谢@维克多_G ！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
对于（相对？）预测方差应该有多低，没有“硬性规定”或“截止值”，因为此要求可能因主题、领域和业务价值而异。 在某些领域和特定应用（如制药）中，有关于模型所需精度的规范，在其他一些领域中，该值由科学家/实验人员自行决定。 根据可能的实验预算和设计/实验空间的限制，应该在足够的精度之间做出折衷。
我对两种设计之间的比较和结果并不感到惊讶，因为增加运行次数会减少预测方差（您将拥有更多的自由度，因此可以更好地估计错误/噪音和效果).
如果您处于“概念验证”阶段并且不完全确定要在模型和设计中输入哪些因素，我发现如果您不完全确定该因素对响应没有影响，则删除该因素非常危险(s).
为了安全起见，我更愿意从具有更高预测方差（但评估的因素更多）的设计开始，以确保不会错过任何效果。 完成此筛选后（针对主要效果和交互），您始终可以扩充设计以减少预测方差（预测模型）和/或在模型中输入新项（例如用于优化模型的二次效应）。
您的选择将取决于您所处的设计阶段（筛选、优化、预测？）以及您对流程/产品/配方/...
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@维克多_G ！
非常感谢您的回复，超级有帮助！！
为了跟进，预测方差需要多低？截止值是多少？
在 JMP 帮助页面中，它说“需要低预测方差。”
我在两个 DOE 设计之间， 'tv5'（24 次处理，48 次运行，因为重复）和'tv7'（12 次处理，24 次运行，因为重复） , 都附上。 就预测方差而言，设计“tv5”具有更好（更低）的预测方差。
但是，“tv5”的处理次数是“tv7”的两倍（24 对 12），这意味着我可以使用“design tv7”更快地进行实验。 设计“tv7”只有 3 个因素；我放弃了“X4”以尝试减少所需的实验次数。 我希望这个第一个实验只是一个概念验证，以展示我们可以使用 JMP 完成什么，所以我不希望在我的第一个设计中有太多的处理/运行，但我担心预测的方差太大tv7 高，是吗？
多谢， @维克多_G ！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
关于您关于 G 效率低于 D 效率的第一个问题，很难仅在一个设计上比较不同的效率指标。 请记住，效率指标是最优性标准的聚合度量/统计数据，因此它们可以在比较设计时提供一个很好的概览，但它们不足以做出决定。
- 如果您担心预测响应的精度，我认为“预测方差曲线”的信息量要大得多，因为您可以探索并确定您的实验空间的哪个区域的相对方差预测最高。 在您的最新设计中，当 X2 处于最低水平 (1) 且 X4 处于最高水平 (10) 时，您的相对方差预测会非常高，这是正常的，因为由于不允许的组合，该区域不会有任何点（参见屏幕截图“Experimental-space-X4-X2”）。 这也可以解释为什么 G 最优性的聚合度量 G 效率较低（因为实验区域受限，增加了相对预测方差）。
因此，您可以很好地理解可视化您的实验点/空间并查看“预测方差配置文件”。 看预测方差曲线 (jmp.com)有关详细信息和计算预测的实际方差。
关于你的第二个问题，这些预期的响应值不是响应的预测，因为如果它们是，那假设你已经知道回归模型中系数的确切值是多少，所以你可能不会进行实验设计如果你已经知道了。
它更像是一个指南/帮助，您可以通过两种不同的方式使用它：
- 要知道，根据您创建的模型和您可以自由选择/更改的模型系数，您可以从实验响应中获得哪些值（不要忘记更改截距系数以使其响应值在你所期望的，而不是以 0/1 为中心，这取决于其他系数）。
- 在功效列的帮助下，对于特定的显着性水平和 RMSE，您的设计可检测到的最低差异（或检测和影响的概率）是多少。
我希望这个回应会有所帮助，
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？因此，RMSE 和所有系数的默认值 1 都是有用的。 此设置反映了您期望所有效果的绝对值至少是 RMSE 两倍的情况，这是一种相对比较。
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？谢谢@马克贝利为了澄清！
这就说得通了！
所以，现在默认的预期系数都是 1。 因为所有系数都是相同的值 (=1)，所以各种处理/运行之间的预期响应非常相似（范围从 -0.9 到 9）。 正确的？ 然而，在现实生活中这些值可能不会完全相同，也可能这些值不等于 1 . 我理解正确吗？
非常感谢！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？是的，这正是它的意思。 如果您以这种方式使用 Power Analysis，则此信息是一致性检查。 您可以输入预期系数并查看每次运行的预期响应，或者您可以输入预期答案并查看将从回归分析中获得的相应系数。 它们只是告诉 JMP 您期望执行功效分析的效应大小的两种不同方式。 它们各不相同，但必须保持一致。
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@维克多_G ，非常感谢您花时间解释所有内容并为我指出其他资源！ 这非常有帮助！
我想知道，事实是如果我的目标是优化，G 效率 (32) 低于 D 效率 (41)并准确预测最佳响应（不筛选因素）？
另外，我读了关于“设计和预期响应大纲”的 JMP 帮助页面. 它具体说“设计和预期响应大纲显示了设计之前的预期响应列。 第一列中的每个条目都是与设计设置对应的预期响应。 预期响应是使用预期系数计算的...预期的反应是这使用预期系数值作为模型中的系数获得的响应值。 当轮廓首次出现时，预期响应值的计算基于预期系数列中的默认值。 当您在预期响应列中设置新值时，单击对预期响应应用更改更新预期系数和功率列" .
但是，由于解释非常简短，我仍然有点困惑。 这些预期的响应值不是对响应的预测，对吗？ 这些值并不意味着这些响应值是我在实验室进行实验后应该期望的值，对吗？
在我的 i_tv5 复制设计（附后）中，这些值目前的范围是 -0.9 到 9，但这并不意味着我应该期望在实验室进行实验后获得这个 -0.9-9 范围内的响应，是吗？ ？
谢谢@Victor_G ！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
首先，我刚刚查看了 JMP 帮助部分，当使用“比较设计”平台时，我对效率比的解释是正确的。 看不同试验规模的设计 (jmp.com)
关于您的新问题：
- 由于约束是设计创建的一部分（将它们考虑在内以了解实验空间的哪一部分被限制/禁止，并且坐标交换算法尝试以最佳方式将点放在这个新空间中），您可以' 在生成设计后更改约束。 否则，您可能会发现实验空间中新禁止/限制部分中的点，因此这些运行将不可行。 恐怕你得重新开始。 如果你在谈论约束和我用变量名称确定的问题，你可以编辑脚本，但请检查我编辑的变量名称是否正确，以确保你已经拥有的设计表尊重约束。
如果你点击脚本“DoE Dialog”，你会看到一个打开的新窗口，里面有你点击“Make Design”之前的所有信息，这样你就可以检查术语的可估计性在你的设计中（见截图）。
- 由于这个 X4*X4 不是一个“必要的”估计项，您不会在“评估设计”平台中看到它，因为运行次数小于您要估计的参数总数（必要 + 如果可能）。 在关于设计诊断的 JMP 帮助中：“对于包含更改设置为“困难”或“非常困难”的因素或将“可估计性”指定为“如果可能”的效应的设计，不会显示这些诊断。 （来源：设计诊断 (jmp.com) ). 这就是为什么当您将此设计与将此项可估计性设置为“必要”（因为这次在设计评估中已考虑在内）的设计进行比较时，您会得到“更差”的设计诊断的原因。
但在分析中，这项仍然保留，因为如果主效应不显着，这会释放一些自由度来估计另一个效应/项。 您可以在此处阅读有关此特定设计的更多详细信息（带有“如果可能”的估计条款）：最优性标准 (jmp.com)有几种方法可以分析这种类型的设计，我在您的另一篇文章中提到了一些：已解决：回复：比较多个 DOE 设计时出错 - JMP 用户社区
我建议您将 X4*X4 项的可估计性设置为“如果可能”，并在您测量的响应显示出该项可能很重要和/或您缺乏精确度的情况下尝试扩充您的设计对于您的预测响应。 DoE 不一定是“一次性完成所有工作”的方法，通常最好从较小的设计开始，然后以最有效和最佳的方式（顺序/迭代方法）扩充它们。
3. 你会在这里找到你的答案：功效分析 (jmp.com)您可以自由更改响应预期（或系数预期）值，以查看预期系数的行为方式（或相反，响应预期值如何变化）。 如果您想更接近您的用例的预期响应，请不要忘记更改截距系数以在您的具体案例中获得高于 10 的响应。
4. 最优性标准可能会根据您扩充设计的方式而改变。 例如，如果您从筛选设计转到 RSM 设计（通过在模型中添加交互项和二次项），则最优性标准可能会从 D 变为 I 最优。 最好的选择是检查哪一个是由 JMP 设置的（您可以在表中查看，就在表名称下方和脚本上方，选择了哪个标准以及设计是如何生成的），或者如果您知道，则进行设置推进（定制设计平台中的红色三角形，最优性标准，然后选择最相关的一个）。
希望这个回答能帮到你
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@Victor_G和@马克贝利！ 感谢您的帮助！ 非常感激！
@马克贝利, 谢谢指教！ 如同@维克多_G ，我还想知道我们分别与重复或三次设计进行比较时看到的这个 0.5 和 ~0.333（效率）比率是否有任何意义？
1-谢谢@维克多_G在约束中捕获该错误！ 我想知道，在我已经生成 DOE 表之后，我真的可以编辑约束吗，还是必须重新开始？
同样，在生成 DOE 表后，如何检查/查看各种项（主效应、二次项等）的“可估计性”？
2- 我还注意到我的（现已更新）设计（附有 i_tv5）发生了另一件奇怪的事情。 我指定了X4*X4 术语为“如果可能”在“可估计性”选择中。
生成 DOE 表后，当我去检查“>模型”（在左侧面板上）时，我会看到在生成设计之前包含的所有项。 但是，如果我转到“> 评估设计”（也在左侧面板上），我会注意到术语 X4*X4 消失了。 它没有显示在那里。JMP 是否因为没有足够的运行次数来分析该 x4*x4 项（#runs 总数为 24）而从设计中删除了该项？
如果我将此项的可估计性更改为“必要”，那么设计将变得最差（附上）：a) 预测方差更高，b) 功率分析全为 0，c) 设计效率降低 10 倍。
x4*x4 项的这个问题让我在比较设计时遇到困难。 我试图将此设计与复制的设计（附后）进行比较。 错误消息再次出现 ☹ “初级设计模型不能适用于所有设计。 删除不可估量的模型项。”
我该如何解决这个问题？ 如果 JMP 无论如何都会忽略它，我是否只是忽略此错误消息？ 我相信这个 X4*X4 项可能并不重要（但不是 100% 确定）。由于资源限制，我不能进行超过 24 次运行。
如果我只能运行 24 次，同时我认为这个术语可能不是很重要（但之前从未测试过），你会推荐什么？
3- 另一方面; “设计和预期响应”下的值是什么（见截图）意思是？ 这些价值观对我来说毫无意义。 此设计的目标是最大化响应。 我将下限设置为 10。 我在这个“设计和预期响应”部分看到的值 <10，或者 0 或者一些是负值。 这是一个问题吗？
4- 最后一个快速问题：当我扩充设计时，最优性标准是否保留在扩充设计中？ 我注意到，当我通过扩充来复制设计时，复制的设计似乎回到了“推荐的”最优性标准……。 但是，JMP 推荐的是 D 最优性还是 I 最优性，它是什么？
感谢大家的帮助！！
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@马克贝利,
提供的屏幕截图取自“比较设计”平台，因此效率“已经”是相对的，因为它们是与此处的“最差”设计（v5，运行 18 次）进行比较计算得出的。
所以 v5 与 v6（36 次运行）的效率是 0,5（效率 v5/v6 = 0,5）这应该意味着 v6 的效率是 v5 的 2 倍？
如果逻辑正确，则 v5 与 v7（54 次运行）的效率为 0,333，这意味着 v7 的效率是 v5 的 3 倍，因此 v7 是最好的设计（与其他设计相比），而不是 v6 具有与 v5 相比，相对设计效率等于 0.5。
还是我误解了什么？
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？FDS 图使用的预测方差比例看起来不对。 我怀疑所有的值都大于刻度上的最大值。 您是否尝试更改比例？
高阶项的功效总是较低。 此外，当您不使用分析来确定哪些效应重要时，功效并不那么重要。 使用模型优化因子设置时，预测方差更为重要。
效率针对运行次数进行了标准化，因此复制设计不会改变效率。 效率作为绝对指标没有帮助。 它告诉您当前设计相对于理论设计的信息，这通常是不可能的。 将其用作比较两个或多个设计的比较度量。 因此，效率 = 1/2 的设计优于效率 = 1/3 的设计。
回复：比较 DoE——为什么 D/G/A/I- 效率都是一样的，而且非常低？你好@ADouyon ,
对于您的第一个问题，每个单独设计的设计空间图部分都是空白的，这很奇怪。 查看您不允许的组合脚本，可能存在问题，因为数据表中的因素名称与您的“不允许的组合”脚本中的名称不同（因此 JMP 可能会在解释什么是“脉冲”以及它在哪一列时丢失例如）。
当我用列的匿名名称（X1、X2、X3、X4）更改“不允许的组合”脚本时，我能够看到每个单独设计的设计空间图的分数，并且它出现在设计比较中（见屏幕截图). 更正后的不允许组合脚本在这里（确保我没有在脚本中反转 X1/X2/X4 时犯任何错误）：
X2 == 1 & (X4 >= 0.0595238095238095 & X4 <= 10) | (
X2 == 2 | X2 == 3) & X4 == 0
对于设计效率比较的第二个问题，请记住，根据您的屏幕截图，您在该平台中的参考是 v5（因此最小的设计有 18 次运行）。 所以 JMP 将计算相对的v5 与 v6 和 v7 相比的效率（作为分数：v5 效率除以所有效率标准的 V6 或 v7 效率）。 根据您的屏幕截图，您可以看到当您添加 18 次运行时，对于 D/G/A/I 效率标准，v6 的效率将是 v5 的 2 倍，对于 D/G/A，v7 的效率将是 v5 的 3 倍/I 添加 36 次运行时的效率标准（因为与 v7 相比，v5 的相对效率为 0,333）。
如果您想查看基于具有 36 次运行的“中等”设计的比较，请从您的 36 次运行设计的数据表中启动设计比较平台。 您应该有我所附屏幕截图中所示的相对比较（您确实会看到 v6 的相对效率值比 v5 高 2 倍）。
比较 DoE——为什么 D/G/A/I——效率都一样，而且非常低？你好，
我正在研究定制 DoE (JMP16)。 我有 4 个因子（1 个连续因子和 3 个离散因子，有约束）。 我有 1 个回复。 我知道这四个因素都很重要并且相互作用。 我的目标是优化响应以找到最佳因子水平从而实现最高效率。 我包括了所有二次效应和交互效应。
我使用的是 I 最优性，因为这不是筛选设计。
- 第一个设计 (v5) 没有重复。 总共有 18 次运行。
- 第二个设计（v6）有重复。 它总共有 36 次运行（我对其进行了扩充）。
- 第三个设计（v7）有三份。 它总共有 54 次运行（我对其进行了扩充）。
对于我计划做的这个实验，我更容易在实验室中添加重复项或三次重复项（相同条件）。 这就是为什么我不介意是否进行更多运行，只要它们具有相同的条件（重复或三次重复），因为只要这些是相同的初始 18 次运行的重复，我就能够一起运行它们。
[如果我只是简单地使用“添加重复运行”功能，那么 JMP 会添加太多的运行以及太多不同的条件供我测试（资源限制）。 例如，当仅添加 4 个重复运行时，JMP 会生成一个默认运行总数 = 27 的设计，这需要测试太多不同的条件...这就是为什么我决定复制我的整个设计，而不是使用增强功能.]
- 我正在比较 v5、v6 和 v7 的设计（附后）。 然而，我的“设计空间分数”图是空白的。 为什么是空白的？还是数据太小我看不到？
- v6 和 v7 的“功效分析”和“功效图”看起来相当不错。 但是，我有兴趣无论如何优化响应（而不是主要效果）。
- 然而，D/G/A/I 的效率非常差，而且都一样。 这些是否都相同，因为设计 v6 是设计 v5 的副本，而设计 v7 是设计 v5 的三重副本？为什么这些值如此低（0.5 和 0.3）？我的设计不好吗？
我试图查找这一点，但是我在能源部指南上发现的是：
“相对效率值超过 1 表明参考设计更适合给定的措施。 值小于 1 表示与参考设计相比，该设计更可取。 16 次试验的设计在所有指标上都比其他两种设计低，这表明更大的设计更可取。”
但是，这对我没有多大帮助。
先感谢您！！
实验设计苹果系统
