虽然我们最近的迷你系列《实验设计的智慧创新》已经结束，但人们对我们所涵盖的主题的兴趣并没有减弱。 特别是，人们希望更多地了解：
- 对能源部过去、现在和未来的反思
- 简易实验设计
- 和预测 DOE。
我们有很多问题，没有时间在直播活动中回答这些问题，因此我们出色的主题专家同意在这篇博文中按每次会议的顺序回答这些问题。
第 1 场会议的独特之处在于，它是对现已退休的高级研究员布拉德利·琼斯 (Bradley Jones) 博士的换岗采访，随后是瑞安·莱基维茨博士Brad 几年前聘用了他，现在领导 DOE 的 JMP 研发创新工作。 我们有一些实质性的后续问题，因此我们很高兴 Ryan 能够分享更多他的专业知识。
您能否发送本次网络研讨会期间提到的书籍和文章的列表？
古斯，P. 和琼斯，B.， 2011年。实验的优化设计：案例研究方法。 约翰·威利父子。
Jones, B. 和 Nachtsheim, CJ, 2011年。 一类三水平设计，用于在存在二阶效应的情况下进行明确筛选。质量技术杂志, 43 (1)，第 1-15 页。
费多罗夫，VV， 2013年。最优实验理论。 爱思唯尔。
盒子，通用电气， 亨特，WH 和亨特，S.， 1978年。实验者统计（第 664 卷）。 纽约：约翰·威利和儿子们。
琼斯，B. 和古斯，P.， 2007年。 用于生成 D 最优裂区设计的无候选集算法。英国皇家统计学会期刊 C 系列：应用统计学, 56 (3)，第 347-364 页。
Anderson-Cook, CM 和 Lu, L., 2023 年。 设计数据收集在大数据时代仍然重要吗？国际质量与可靠性工程。
Lekivetz, R. 和 Jones, B., 2015年。 非矩形区域的快速灵活的空间填充设计。国际质量与可靠性工程, 31 (5)，第 829-837 页。
您能为我们提供资源来演示如何使用增强设计来进一步优化设计空间吗？ 您有包含该主题并包含具体示例的视频链接或书籍吗？
Goos & Jones (2011) 第 3 章有一个设计增强的示例：
一些讨论增强设计平台使用的演示：
为经验丰富的实验者专门定制 DOE – JMP 用户社区
使用确定性筛选设计从更少的试验中获取更多信息 – JMP 用户社区
Discovery 的一些演讲采用了不同的方法来设计增强：
探索 JMP DOE 设计和建模功能以改进溅射工艺（2... – JMP 用户社区
候选集设计：根据问题定制 DOE 约束 (2021-EU-30MP-78... – JMP 用户社区
大能源部：顺序和稳定赢得比赛？ (2021-EU-45MP-775) – JMP 用户社区
通过 DOE 诊断进行 D/I 最优性评估，这意味着什么？ 我如何真正获得价值或解释这些？
最优性标准与理论上的最优设计（甚至可能不存在！）进行比较。
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/optimality-criteria.shtml
就其本身而言，很难解释它的含义。 我通常喜欢将这些与其他设计进行比较（就像我们在比较设计中相对效率所做的那样）。 https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/design-diagnostics-2.shtml# ）
一般来说，D/A 最优性适用于您估计模型中的项时，而 I 最优性适用于您尝试更好地估计响应时。 我喜欢 Christine Anderson-Cook 的白皮书，其中讨论了选择设计的一些想法：
选择正确的设计 - 在 JMP 设计浏览器的帮助下 |联合管理计划
第 2 场会议由科学家和 JMP 系统工程师主讲，彼得·波利托，他分享了他与家人一起完成的一些有趣且非常相关的实验，以展示 JMP 中 DOE 的等效“简单按钮”。
有没有办法让JMP自动生成满足某些要求的设计，例如相关系数不大于0.5，80%设计空间的FPDS小于0.25等？
您可以使用设计评估工具和比较设计平台来确定最适合您情况的 DOE。
如果您没有对系数做出很好的猜测，那么后面的选项卡似乎没有先验的帮助。 我的理解正确吗？
是和不是。如果您事先对系数没有很好的了解，那么模拟面板将成为探索模型外观的绝佳工具。 虽然它可能无法为最终结果提供足够的信息，但您将对可能性的艺术有很好的感觉，您可以用它来探索实验空间。
您如何确定您的模型是稳健的？
正如他们所说，“情人眼里出西施”。 这要看情况，这是一个令人不满意的答案。 你的R2高吗？ 实际与预测相符吗？ 这些是一些识别鲁棒性的方法。 但最终，我们建立了 DOE。
你真的有一架飞机长度恰好为 6.985 英寸的纸飞机吗？
6.985 英寸约为 17.74 厘米。 我的尺子的刻度为 1 毫米，所以我能够非常接近，但可能不准确。
大多数时候，在进行实验时对因素进行排序是具有逻辑意义的。 如果我不遵循 JMP 建议的随机顺序，我会损失多少？
在某种程度上，您将失去 JMP 准确量化和解释实验噪声和偏差的能力。 最终，JMP 可以容纳最多你想要什么，它只需要知道你在做什么。 因此，如果您想加入某个特定订单，请告诉它。 您可以通过生成裂区设计（对于难以更改的因子）或设置特定的运行顺序来完成此操作。
鸡蛋实验的结果是什么？
有趣的是，我实际上不记得结果，我一看到它就知道我需要自己做，但我希望其中一个因素是商店购买的，而不是我的鸡下的鸡蛋。
您能展示我们如何定义和输入我们的因素吗？
在 Easy DOE 平台的第一页上输入响应和因素。
现有的能源部如何判断是否存在另一个可能未包括在内的重要因素？
有多种方法，但最有说服力的是当我们的 DOE 结果没有因素显着时。 如果没有一个因素是重要的，那么一定有其他因素是重要的。
旁注，我们很好奇你是如何使用 DOE 来优化跑步的？
在这里阅读： https://community.jmp.com/t5/JMP-Blog/DOE-ing-Myself-Using-design-of-experiments-to-run-more/ba-p/256981 。
如果有一个变量的更改成本很高，那么如何解决这个问题？
添加因子时，使用下拉菜单将变量标识为“难以”更改，这将创建裂区设计，该设计将排序您的试验，以便难以更改的因子尽可能少地更改（除其他外） ）。
对于RSM，在开始实验之前如何知道设计是“好的”。即因素是否相关或预测方差不会太高？
我经常参考定制设计的设计诊断部分中的相关性颜色图。 这将告诉您应该能够将哪些变量和/或相互作用与其他变量分开。
如果您需要更多分析工具，是否有一种简单的方法可以将 Easy DOE 中的数据导出到标准数据表？
是的，“数据输入”选项卡上有一个“导出数据”按钮。
当您使用 JMP 构建 DOE 表时，假设您决定在水平上添加多个因子更改。 我知道当你回到模型并向后重建 DOE 时，有时它的功能很奇怪（特别是运行次数上下波动）。 这样看正常吗？
如果您向名义因子添加额外因子或额外水平，JMP 可能会增加构建稳健、可解释模型所需的运行次数。
JMP 可以处理“添加顺序”DOE，即您正在处理排列效果的地方吗？
平衡不完整区组设计 (商业银行）可能是一种以这种方式构建 DOE 的方法
如果我们已经有了一些数据，我们可以在启动 DOE 并进行更多实验之前使用它来改进模型吗？
迈克·安德森（Mike Anderson）的会议（该系列的第三部分）很好地涵盖了这一点（请参阅下面的系列链接）。
您能否更多地谈谈从模型中删除不重要因素然后重新分析的价值？
简而言之，非预测模型会增加噪音。 去除它们可以减少噪音，从而增强信号。
能否再简单解释一下模拟的目的？
模拟器允许您根据您认为可能的系数“查看”模型最终的样子。 这是什么的预览可能发生。 例如，如果您很好地掌握了系数，并且想了解特定的交互作用如何发挥作用，您就可以这样做。 如果您无法对该交互获得足够的分辨率，您可以添加更多运行，然后重新模拟并查看是否有改进。
第 3 场会议涵盖了从实验和观察数据中获取价值的更多方法，由化学家和 JMP 系统工程师主讲，迈克·安德森博士。
显着截距表明这些因素不能充分解释结果。当我的分析中出现这种情况时，我会在得出结论之前先研究这些因素。所以，是的，截距总是存在的，但是当它很重要时，我会努力消除因素或查看相互作用，直到截距不显着为止。您是说这在 JMP 算法中不重要吗？
在 SVEM 报告的上下文中，非零数据百分比表示截距不同于零的频率。 这与基于统计检验评估截距的显着性不同。
Lasso 和 Elastic net 是回归中用于防止过度拟合的正则化技术。 Elastic Net结合了L1和L2惩罚，而Lasso只使用L1惩罚？ 它是否正确？ 以及这两种方法该如何选择呢？
L1 是 Lasso 回归的惩罚。 L2 用于岭回归。 弹性网络是 Lasso 和 Ridge 惩罚的线性组合，带有额外参数 (alpha)，用于控制每个惩罚对总惩罚的贡献程度。 一般来说，Lasso 用于变量选择或因子之间协方差较低的情况。 岭通常用于我们怀疑因素相关的情况。 Elastic Net 对于需要进行变量选择但担心某些潜在因子-因子相关性的情况非常有用。
有关这些处罚的一些有用详细信息可以在文档的统计详细信息中找到： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-estimation-methods.shtml
JMP Education 还提供了关于这三种处罚如何运作的精彩课程。 该课程名为“寻找重要预测因素”： https://www.jmp.com/en_us/training/courses/jmp-and-pro-finding-important-predictors.html
我们非常感谢我们的专家花时间提供更多专业知识并推荐资源。我们希望您发现它们很有用。如果您错过了其中任何一个通过设计实验实现更智能的创新系列，您可以点播观看。每个会话的观看页面上列出了其他资源。如果您想分享您认为特别有用的资源，我们邀请您将它们放在评论中。谢谢！
