固定分块变量与分类变量是否相同，只是它们不会出现在预测刻画器中？你好，
我一直在分析一个用 3 个因素测量人类细胞生长的实验的数据：其中 2 个是受控的自变量，第 3 个变量是人类细胞的供体（其中有两个）。 我的 n = 8，设计是 2^3 阶乘。 然而，我目前发现有 3 种方法可以对变量“Donor”进行数据分析：
1. 我可以简单地将其作为分类 2 水平因子包含在内，在这种情况下，它会进入模型并显示在预测刻画器中。 事实证明，“捐赠者”和其他两个因素之间存在相互作用，这也是很容易可视化的结论。 然而，在预测分析器中加入这一点并不是特别有帮助，因为捐助者的可变性是我始终必须处理的问题 - 我不能只是通过一遍又一遍地返回同一捐助者来保持“最大化”。
2.我可以将“设计角色”更改为阻塞变量。 但我注意到，当我拟合模型时，它基本上会产生相同的模型，但“捐赠者”不再出现在预测刻画器中。 这很好，因为我可以阐明其他两个因素（我想要操纵的实际的、可控的自变量）的贡献。 我在之前的一篇文章中读到，阻塞变量也只能出现在主效应中，但事实并非如此，因为我仍然能够对交互进行建模。 目前，我认为这是最好的做法。
3. 鉴于我选择的 2 个捐赠者是当前和未来无限大人口的子集，我可能会认为这个阻塞变量实际上是“随机”的，而不是“固定的”。 然而，根据一些阅读，您似乎确实需要大约 5 个以上水平的分块变量才能准确估计方差。 因此，考虑到我的数据集很小（n = 8，只有 2 个级别的阻塞变量），这可能并不理想。
我的想法是否走在正确的道路上？
数据探索和可视化回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？是的！
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？是的，但裂区不是根据噪声因子创建的，也不是以相同的方式进行分析的（也就是说，您不会像分块设计一样分析或解释裂区设计的结果）。
实际上，Cox 在 20 世纪 50 年代首先提出了对设计因子实验的每种处理方法的噪音变量进行实验的想法。 他将这些称为叉积阵列（类似于田口内部和外部阵列，但分析更类似于裂区设计，而不是聚合数据以获得 1 信噪比）。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？感谢您的进一步解释！
因此，噪声因素被视为难以改变的因素（不是随机的），但他们定义了一个分析块。 它让我想起田口的设计，内部数组在外部数组中进行复制。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？标记，
显然我沟通不太好。 我们几乎总是意见一致，所以让我再试一次。
让我澄清一下这个例子。 我们使用块来管理实验的噪声。 在第一个块中，我们使用一个角度、一种压力、一种基材类型和一组环境条件（基本上是这些条件的低水平）。 在第二个块中，我们将所有这些更改为另一个“级别”（高级别）。 因此，这些噪声变量在块内保持恒定，从而提高精度，然后与块混淆以增加推理空间并测试产品的稳健性。 在这种情况下，将块视为固定效应可以估计噪声变量（角度、压力、基材和环境）和设计因素（墨水配方、笔尖设计等）之间是否存在任何相互作用。 是的，有！
通过这种方法，您可以研究设计因素对改变噪声的影响：
- 获得信心，您最初获得的结果在不断变化的噪声中是可重复的，
- 估计因素对噪声的鲁棒性（通过逐个因素的相互作用量化），或
- 确定您的研究方向是否需要改变（应分解大块效应以确定进一步研究的潜在因素）。
我对许多产品都做到了这一点，并取得了巨大成功。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？再次，我完全同意你的观点。 我不明白开发圆珠笔的例子是如何说明阻塞的。 该示例中的所有因素（例如角度）都受到控制，并且没有一个因素定义了块。 它们都是实验室实验中治疗的一部分。
对于造成的混乱，我深表歉意。 我们真的很同意！
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？标记，
嗯，我对你的说法感到很困惑”我不明白什么噪音因素与阻塞有关”。 阻塞是这样完成的之内每个块，噪声都是恒定的，从而提高了精度。 块内保持恒定的噪音被有目的地改变之间块以增加推理空间。
也许这就是噪音的定义。 我将噪音定义为那些你不愿意管理的因素/变量（将来时）。 我所说的管理是指控制或设定水平。 您可能不愿意管理因素的原因是：
1.你不能，或者没有技术
2.成本太高
3、不方便
我的大部分时间都花在产品开发 (R&D) 上。 大部分时间都花在理解设计因素将如何影响产品性能上，我们确实在努力理解因果结构。 必须做出决定哪些因素可以管理，哪些因素不能管理。 随后我们获得数据来支持或推翻这些决策。 工程师必须考虑设计因素对客户手中的产品性能的影响程度。 工程师必须考虑变异的来源：材料、制造/组装、测试、分销、存储、使用等。从历史上看，产品开发是使用极小推理空间中的极少量样本来完成的。 根据产品的复杂性和成本，他们可能只会获得一些“测试版”单元来确定他们的设计未来的表现如何。 也许正因为如此，他们选择在这种小规模上测试产品性能，同时尽可能保持噪音恒定（从而提高实验的精度）。 “beta”单位来自 1 批原材料、1 条生产线（可能不是生产线）、1 名组装人员，在环境条件变化不大的短时间内进行测试，使用 1 个测量系统，客户使用的变化都保持恒定（使用前面的墨水示例...保持压力、角度、基材和环境条件恒定）。 然后他们将这些结果推断到未来，并声称性能和可靠性统计数据。 你可能知道这一点！ 问题是，我们如何以更高的精度和更大的推理空间来测试一小部分 beta 单元样本。 感谢能源部的上帝！工程师/科学家需要制定策略来处理这些情况下的噪音。 设计结构只是方程式的一部分。 流程中通常进行实验的所有因素的百分比是多少？ “其他”因素如何处理？ 阻止就是其中一种策略（当然还有其他策略）。 虽然阻塞混淆了许多噪声因素，但它确实提供了回答以下问题的机会：如果噪声在未来发生变化（由于根据定义它不受管理，因此必然会发生变化），产品是否仍会按预期运行？ 如果设计因素的影响工程师正在选择提高产品性能取决于噪音（这是交互的定义），那么设计工程师如何指定设计因子的设置呢？ 越早发现这一问题，您拥有的选择就越多，修复或缓解问题的成本也就越有效。 当设计因素对产品性能与变化的噪声具有相同的影响时，您就拥有了稳健的产品设计。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？我同意你的看法。 我现在对你的噪音因素的例子感到困惑。 我不明白什么噪音因素与阻塞有关。
不，我建议还有另一个具有固定效应的因素，它不是一个简单的块，例如手数或天数。 它可能尚未被识别，但它是一个不受控制的潜伏变量，随着块的变化而变化。 因简单的均值变化而封锁账户。 相互作用表明另一个因素处于活跃状态。 这就是我的意思。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？我可能不明白你的意思@马克贝利？ 嗯， “他们不应该这样做”？ 你猜怎么着，这种情况在现实世界中经常发生。 这表明产品或工艺设计不稳健。 为了实现稳健性，您必须在噪声变化时对设计因素进行试验。
您是否认为从科学的角度来看，逐个因素的相互作用不存在？ 如果是这样我一定不同意。 让我举一个例子（我曾经研究过数百个例子）。 设计圆珠笔墨水。 墨水的输送系统是重力和毛细管的函数。 用户将笔握在基材（例如纸）上，球移动“进入”笔并允许墨水流动。 基材吸收油墨。 有许多与产品相关的设计因素（例如，几何形状、尺寸、材料、化学）。 以下是与操作相关的噪音的简短列表。 这些都不是笔制造商可以控制的。
握笔的角度
施加在笔上的压力
基材的吸收能力
环境条件
从历史上看，在执行“写入测试”以量化墨水/笔组件的性能测量时，这些“因素”保持不变。 设计正在针对现实世界中几乎从未发生过的情况进行“优化”。 我们通过实验发现，设计因素的性能取决于噪声（这最初是通过 RCBD 发现的，然后通过叉积数组（分割图）进行优化）。 很有道理，也很科学。 顾客投诉的原因是没有测试笔的使用条件。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？其他人很好地解决了这些问题。 我只想讨论从交互效应中排除阻塞因素的想法。 这是一个有点哲学的决定。 该设计将一组运行分配给噪声因子的一个水平，例如“日”或“批次”。 将块效应视为对截距的局部调整。 这是总体平均响应的变化，以解释块中的变化。 我们排除交互作用，因为它们表明因素的固定效应发生了变化。 他们不应该这样做。 每个块中响应与因素之间的关系应该相同。 如果情况并非如此，那么一定存在潜伏的、未知的因素，这些因素在区块之间发生变化，并产生更多的固定效应。 所以这不是数学或线性模型；而是数学模型。这是排除背后的科学观点。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？由于存在交互作用，我很想利用您的解决方案 1，并将捐赠者视为一个因素，特别是当分析器可以帮助可视化这些交互作用时。
然而，在预测分析器中使用此功能并不是特别有帮助，因为捐赠者的可变性是我始终必须处理的问题 - 我不能通过一遍又一遍地返回同一捐赠者来保持“最大化”。
如果您选择“锁定因子设置”，则在分析器中按住 Alt 键单击供体可以缓解最大化问题。 这将使分析器最大化其他因素，同时防止捐赠者移动。 当然，我可能误读了您所写的内容，而锁定因子设置可能正是您想要避免的。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？你好@QW ,
到目前为止，回复中有很多好的建议。
“……t将我的麻烦变量指定为阻塞因子与仅将其称为分类因子之间似乎没有实际区别。 ”
正确的。 在这种情况下，设计不会有任何差异。
无论您将供体因子指定为分块因子还是分类因子，对于 8 次运行，2^3 完整因子都是因子效应相关性为 0（正交）的最佳解决方案。
我希望这有帮助。
菲尔
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？让我尽可能说清楚。 决定分析如何进行的不是 JMP，而是用户。 许多列举性的统计学家认为块效应是随机效应。 我采用更具分析性的方法来理解因果结构。 当我尽职调查识别噪音时，恕我直言，有一种更有效的方法来理解噪音和噪音的后果。 是的，我会在 RCBD 的饱和模型中包含块和所有逐块因子的相互作用。
看：道格·桑德斯、玛丽·G·莱特纳克和罗伯特·A·麦克莱恩(2002)工业研究中的随机完整区组设计，质量工程， 14:1, 1-8,数字编号： 10.1081/QEN-100106880
关于您的第二段，您不太可能通过仅对其中两个捐赠者进行抽样来推断出所有捐赠者。 您可能对捐赠者为何会影响反应有一些假设（例如，年龄、基础疾病、性别、遗传......）。 如果您可以选择能够捕获捐赠者条件极端情况的捐赠者（例如大胆的水平设置），那么您可能能够充分增加推理空间，以使您的研究结果在将来有用。 然而，如果这是不可能的，您将需要在更大的样本中捕获捐赠者之间的差异。
经验法则：
“不幸的是，未来的实验（未来的试验、明天的生产）将受到与影响本次实验的环境条件（温度、材料、人）不同的影响……这只能通过对主题的了解，可能需要进一步实验的帮助（添加斜体）为了涵盖更广泛的条件，人们可以决定未来的环境条件是否与今天的环境条件足够接近，以允许使用手头的结果，尽管存在犯错的风险。”
戴明博士
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？谢谢， @statman 。 对于这句话：“通过这种策略，您可以评估块效应的大小，以及能够评估设计因素效应在变化的噪声上是否一致（通过逐块因子相互作用进行量化）的额外好处。” 您是说，虽然 JMP 不认为块：因子交互作用是块变量的特征（即，这将被视为分类因子而不是块变量的特征），但无论如何您都应该尝试拟合块：因子交互作用？
其次，关于这一点：“现在，如果您还没有识别出噪声，那么您只能将噪声视为随机效应。 由于您不知道噪声对未来条件的代表性有多大，因此您可能必须增加样本量，以增加将结果外推到未来的信心。” 捐赠者变异性的可能来源有很多，因此我试图将它们简单地混杂为一个变量，而不是试图确定捐赠者具体是什么导致了变异性。 在这种情况下，将其视为随机效应是最合乎逻辑的。 然而，由于人力限制我可以筛选的捐赠者数量通常为 2 或 3 个，我可能需要将捐赠者建模为固定效应（“我发现这些特定捐赠者在具体情况下很有趣”）。 是否有经验法则/统计数据来测试我可能需要筛选多少个捐赠者，然后才能对与捐赠者变异性相关的噪音做出自信的预测，并将其推断到更大的人群？
谢谢。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？谢谢， @Victor_G 。 我通读了给出的答案，但我仍然对有关阻止与简单添加分类因素的一件事感到困惑。
在自定义设计器中，如果我有 8 次运行和 2 个变量，并选择将它们分组为大小为 4 的块，我基本上会得到完整的因子设计，其中每个块都是正交的。 如果我选择将我的分块变量作为分类变量包含在内，我将再次获得完整的因子设计，其中分类变量的每个级别都是正交的。 从这个意义上说，将我的麻烦变量指定为阻塞因子与仅将其称为分类因子之间似乎没有实际区别。
对我来说，似乎唯一的阻碍是：
1. 从自定义设计对话框中删除块：因子交互，因为这个想法是块内因子效应应该独立于它所在的块。
2. 使预测分析器更易于理解，因为您并不真正关心找到块的“最佳级别”。
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？我对你提出的问题有不同的“看法”。 分块是处理实验中噪声的一种方法。 噪音是你将来不愿意管理的因素（要么因为你没有技术、成本太高或者根本不方便管理）。 块旨在聚合大块噪声（您可以将许多噪声变量与块效应混淆）。 块增加了推理空间，同时不会降低设计精度（事实上，块可能会提高设计精度。 归根结底，您可能对块效果的大小感兴趣，但您无法选择“最佳”级别。 当然，对于绝对因素来说，情况并非如此。 您可以选择一个级别而不是另一个级别。
对于阻塞，如果您已经确定了噪声是什么（这是重要的一步），您可以选择将噪声视为固定效果。 通过此策略，您可以评估块效应的大小，以及能够评估设计因子效应在变化的噪声上是否一致（通过逐块因子交互进行量化）的额外好处。 这是设计因素稳健性的真正衡量标准。 问题是如何在实验中表示这种噪音。 同样的建议也适用于调查因素。 由于实验是在小规模（相对狭窄的推理空间）下进行的，因此需要夸大效果以增加推理空间。 这就是为什么在筛选实验中将因素设置为大胆的水平。 噪声效果也是如此，夸大设计空间中的噪声。 例如，您可能运行一个环境条件寒冷干燥的区块，而第二个区块温暖潮湿。 为什么捐助者会有所不同？ 捐赠者的哪些身体特征可能会对响应变量产生影响？ 您的设计因素可能会与捐赠者产生哪些相互作用？ 这些问题的答案构成了假设的基础，可以帮助确定如何选择捐赠者。
现在，如果您还没有识别出噪声，那么您只能将噪声视为随机效应。 由于您不知道噪声对未来条件的代表性有多大，因此您可能必须增加样本量，以增加将结果外推到未来的信心。
“阻止你能阻止的，随机化你不能阻止的”GEP 盒子。 （阻止已识别的噪声，在未识别噪声的情况下使用随机化）
回复：固定阻塞变量与分类变量是否相同，只是它们不会出现在预测刻画器中？你好@QW ,
您的想法是正确的，分类因子和分块因子具有不同的现实和用途（您可以在实验中独立更改的固定效应与已知（一周中的某一天）或未知数量的水平（捐赠者特征）的随机效应）。
我建议看一下与该主题相关的主题（来自@马克贝利和@丹_奥伯米勒），因为这可以帮助您根据您的情况选择最合理的选项：
还有一个关于 DoE 阻止的网络研讨会记录：设计实验时使用分块 - JMP 用户社区
希望第一个答案对你有帮助
