雖然我們最近的迷你係列《實驗設計的智慧創新》已經結束，但人們對我們所涵蓋的主題的興趣並沒有減弱。 特別是，人們希望更多地了解：
- 對能源部過去、現在和未來的反思
- 簡易實驗設計
- 和預測 DOE。
我們有很多問題，沒有時間在直播活動中回答這些問題，因此我們出色的主題專家同意在這篇文章中按每次會議的順序回答這些問題。
第 1 場會議的獨特之處在於，它是對現已退休的高級研究員布拉德利瓊斯 (Bradley Jones) 博士的換崗採訪，隨後是瑞安·萊基維茨博士Brad 幾年前聘用了他，現在領導 DOE 的 JMP 研發創新工作。 我們有一些實質的後續問題，因此我們很高興 Ryan 能夠分享更多他的專業知識。
您能否發送本次網路研討會期間提到的書籍和文章的清單？
古斯，P. 和瓊斯，B.， 2011年。實驗的最佳化設計：個案研究方法。 約翰威利父子。
Jones, B. 和 Nachtsheim, CJ, 2011年。 一類三水平設計，用於在存在二階效應的情況下進行明確篩選。品質技術雜誌, 43 (1)，第 1-15 頁。
費多羅夫，VV， 2013年。最優實驗理論。 愛思唯爾。
盒子，通用電氣， 亨特，WH 和亨特，S.， 1978年。實驗者統計（第 664 卷）。 紐約：約翰威利和兒子們。
瓊斯，B. 和古斯，P.， 2007年。 用於產生 D 最優裂區設計的無候選集演算法。英國皇家統計學會期刊 C 系列：應用統計學, 56 (3)，第 347-364 頁。
Anderson-Cook, CM 與 Lu, L., 2023 年。 設計資料收集在大數據時代仍然重要嗎？國際品質與可靠度工程。
Lekivetz, R. 與 Jones, B., 2015年。 非矩形區域的快速且靈活的空間填充設計。國際品質與可靠度工程, 31 (5)，第 829-837 頁。
您能為我們提供資源來示範如何使用增強設計來進一步優化設計空間嗎？ 您有包含該主題並包含具體範例的影片連結或書籍嗎？
Goos & Jones (2011) 第 3 章有一個設計增強的例子：
一些討論增強設計平台使用的演示：
為經驗豐富的實驗者專門客製化 DOE – JMP 使用者社群
使用確定性篩選設計從較少的試驗中獲取更多資訊 – JMP 使用者社群
Discovery 的一些演講採用了不同的方法來設計增強：
探索 JMP DOE 設計和建模功能以改進濺鍍製程（2... – JMP 使用者社群
候選集設計：根據問題自訂 DOE 約束 (2021-EU-30MP-78... – JMP 使用者社群
大能源部：順序和穩定贏得比賽？ (2021-EU-45MP-775) – JMP 使用者社群
透過 DOE 診斷進行 D/I 最優性評估，這意味著什麼？ 我如何真正獲得價值或解釋這些？
最優性標準與理論上的最優設計（甚至可能不存在！）進行比較。
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/optimality-criteria.shtml
就其本身而言，很難解釋它的含義。 我通常喜歡將這些與其他設計進行比較（就像我們在比較設計中相對效率所做的那樣）。 https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/design-diagnostics-2.shtml# ）
從廣義上講，D/A 最優性適用於您估計模型中的項目時，而 I 最優性適用於您嘗試更好地估計響應時。 我喜歡 Christine Anderson-Cook 的白皮書，其中討論了選擇設計的一些想法：
選擇正確的設計 - 在 JMP 設計瀏覽器的幫助下 |聯合管理計劃
第 2 場會議由科學家和 JMP 系統工程師主講，彼得·波利托，他分享了他與家人一起完成的一些有趣且非常相關的實驗，以展示 JMP 中 DOE 的等效「簡單按鈕」。
有沒有辦法讓JMP自動產生符合某些要求的設計，例如相關係數不大於0.5，80%設計空間的FPDS小於0.25等？
您可以使用設計評估工具和比較設計平台來確定最適合您情況的 DOE。
如果您沒有對係數做出很好的猜測，那麼後面的選項卡似乎沒有先驗的幫助。 我的理解正確嗎？
是和不是。如果您事先對係數沒有很好的了解，那麼模擬面板將成為探索模型外觀的絕佳工具。 雖然它可能無法為最終結果提供足夠的信息，但您將對可能性的藝術有很好的感覺，您可以用它來探索實驗空間。
您如何確定您的模型是穩健的？
正如他們所說，「情人眼裡出西施」。 這要看情況，這是一個令人不滿意的答案。 你的R2高嗎？ 實際與預測相符嗎？ 這些是一些識別魯棒性的方法。 但最終，我們建立了 DOE。
你真的有一架飛機長度剛好為 6.985 英吋的紙飛機嗎？
6.985 英吋約為 17.74 公分。 我的尺子的刻度為 1 毫米，所以我能夠非常接近，但可能不準確。
大多數時候，在進行實驗時對因素進行排序是具有邏輯意義的。 如果我不遵循 JMP 建議的隨機順序，我會損失多少？
在某種程度上，您將失去 JMP 準確量化和解釋實驗噪音和偏差的能力。 最終，JMP 可以容納最多你想要什麼，它只需要知道你在做什麼。 因此，如果您想加入某個特定訂單，請告訴它。 您可以透過產生裂區設計（對於難以變更的因子）或設定特定的運行順序來完成此操作。
雞蛋實驗的結果是什麼？
有趣的是，我實際上不記得結果，我一看到它就知道我需要自己做，但我希望其中一個因素是商店購買的，而不是我的雞下的雞蛋。
您能展示我們如何定義和輸入我們的因素嗎？
在 Easy DOE 平台的第一頁上輸入回應和因素。
現有的能源部如何判斷是否有另一個可能未包括在內的重要因素？
有多種方法，但最有說服力的是當我們的 DOE 結果沒有因素顯著時。 如果沒有一個因素是重要的，那麼一定有其他因素是重要的。
附註，我們很好奇你是如何使用 DOE 來優化跑步的？
在這裡閱讀： https://community.jmp.com/t5/JMP-Blog/DOE-ing-Myself-Using-design-of-experiments-to-run-more/ba-p/256981 。
如果有一個變數的變更成本很高，那麼如何解決這個問題？
當新增因子時，使用下拉式選單將變數標識為「難以」更改，這將建立裂區設計，該設計將排序您的試驗，以便難以更改的因子盡可能少地更改（除其他外） ）。
對於RSM，在開始實驗之前如何知道設計是「好的」。即因素是否相關或預測變異數不會太高？
我經常參考客製化設計的設計診斷部分中的相關性顏色圖。 這將告訴您應該能夠將哪些變數和/或交互作用與其他變數分開。
如果您需要更多分析工具，是否有簡單的方法可以將 Easy DOE 中的資料匯出到標準資料表？
是的，「資料輸入」標籤上有一個「匯出資料」按鈕。
當您使用 JMP 建立 DOE 表時，假設您決定在水平上新增多個因子變更。 我知道當你回到模型並向後重建 DOE 時，有時它的功能很奇怪（特別是運行次數上下波動）。 這樣看正常嗎？
如果您為名目因子添加額外因子或額外水平，JMP 可能會增加建立穩健、可解釋模型所需的運行次數。
JMP 可以處理「新增順序」DOE，也就是您正在處理排列效果的地方嗎？
平衡不完整區組設計 (商業銀行）可能是一種以這種方式建構 DOE 的方法
如果我們已經有了一些數據，我們可以在啟動 DOE 並進行更多實驗之前使用它來改進模型嗎？
麥克安德森（Mike Anderson）的會議（該系列的第三部分）很好地涵蓋了這一點（請參閱下面的系列連結）。
您能否多談談從模型中刪除不重要因素然後重新分析的價值？
簡而言之，非預測模型會增加雜訊。 去除它們可以減少噪音，從而增強訊號。
能否再簡單解釋一下模擬的目的？
模擬器可讓您根據您認為可能的係數「查看」模型最終的樣子。 這是什麼的預覽可能發生。 例如，如果您很好地掌握了係數，並且想了解特定的交互作用如何發揮作用，您就可以這樣做。 如果您無法對該互動獲得足夠的分辨率，您可以添加更多運行，然後重新模擬並查看是否有改進。
第 3 場會議涵蓋了從實驗和觀察數據中獲取價值的更多方法，由化學家和 JMP 系統工程師主講，麥克安德森博士。
顯著截距表示這些因素不能充分解釋結果。當我的分析中出現這種情況時，我會在得出結論之前先研究這些因素。所以，是的，截距總是存在的，但是當它很重要時，我會努力消除因素或查看交互作用，直到截距不顯著為止。您是說這在 JMP 演算法中不重要嗎？
在 SVEM 報告的上下文中，非零資料百分比表示截距不同於零的頻率。 這與基於統計檢定評估截距的顯著性不同。
Lasso 和 Elastic net 是迴歸中用於防止過度擬合的正規化技術。 Elastic Net結合了L1和L2懲罰，而Lasso只使用L1懲罰？ 它是否正確？ 以及這兩種方法該如何選擇呢？
L1 是 Lasso 回歸的懲罰。 L2 用於嶺迴歸。 彈性網路是 Lasso 和 Ridge 懲罰的線性組合，帶有額外參數 (alpha)，用於控制每個懲罰對總懲罰的貢獻程度。 一般來說，Lasso 用於變數選擇或因子之間協方差較低的情況。 嶺通常用於我們懷疑因素相關的情況。 Elastic Net 對於需要進行變數選擇但擔心某些潛在因子-因子相關性的情況非常有用。
有關這些處罰的一些有用詳細資訊可以在文件的統計詳細資訊中找到： https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/statistical-details-for-estimation-methods.shtml
JMP Education 也提供了這三種處罰如何運作的精彩課程。 該課程名為「尋找重要預測因子」： https://www.jmp.com/en_us/training/courses/jmp-and-pro-finding-important-predictors.html
我們非常感謝我們的專家花時間提供更多專業知識並推薦資源。我們希望您發現它們很有用。如果您錯過了其中任何一個透過設計實驗實現更智慧的創新系列，您可以點播觀看。每個會話的觀看頁面上列出了其他資源。如果您想分享您認為特別有用的資源，我們邀請您將它們放在評論中。謝謝！
