如何正確進行D最優設計？你好，
我現在正在遵循教科書上的做法，但我無法模仿作者的工作。
這本書是 Douglas C. Montgomery，實驗設計與分析 (2020)
第445~448頁，例11.3，總結如下。
4個因素，
在精確的 16 次運行中，
D-最優
使用 JMP
結果是，
然而，我無法模仿這個結果，因為，
JMP>自訂 DOE>
- 4 個連續因子
- RSM
-“D-最優性”
- 運行次數：16
以上4個是我指定的數值，如下圖
然而，結果與教科書上的不一樣。
它始終包含低於小數點的因子級別，如下所示。
因此教科書之間不存在同一性。
我錯過了什麼點？
請告訴我如何通過。
進階統計建模數據探索和視覺化實驗設計回覆：如何正確進行D最優設計？你好@麥克金,
由於最優設計的實驗點是透過演算法產生的（坐標交換演算法）並且最初基於隨機點，存在一部分隨機性，並且可能導致不同的最優設計，具有相似的性能和特徵，但因子和運行的個體實驗值不同。
對於有時會看到的「奇怪」值（例如 0.81 而不是 1，或 -0.22 而不是 0），這是由於基於初始隨機值的設計產生過程造成的。 修改每次設計產生的啟動次數和時間可能會提高所找到設計的全域最優性，但您仍然可能會遇到此類值。 這不是一個大問題，您仍然可以將這些值「舍入」為更常規的值（例如，將 0.81 舍入到 1），而最優性可能只會損失一點點。
如果您想使用與另一個相同的自訂設計，最好的選擇是設定隨機種子，以便初始隨機點相同並且收斂將導致相同的設計：已解決：回覆：是否有可能使 DOE 生成可重複？ - JMP 使用者社群
對於此範例，如果您沒有用於生成此設計的種子，則可能很難找到完全相同的最佳設計，但您可以嘗試多次生成它，並使用選項來增強啟動次數和設計搜尋時間。
希望這個回答對您有幫助；
回覆：如何正確進行D最優設計？另外，請記住，在許多情況下，有多個設計同樣最優，因為它與另一種設計具有相同的最優標準值。 就運行而言，設計對您來說可能看起來非常不同，但它們與 JMP 評估的結果相同。
請注意，除非只有一種解決方案，否則您可以單擊“自訂設計”平台底部的“返回”，然後再次單擊“製作設計”以獲得另一種設計。
回覆：如何正確進行D最優設計？謝謝你維克多。
我的觀點是，實際上，一定有一種方法可以將因子的等級固定為整數。
由於其中 2 個設計（D 和 I 最佳）顯示所有等級均為整數 (-1,0,1)，因此它可能不是透過隨機方式產生的。
此外，在我的設定中產生的設計的整體性能比作者的要差很多。
例如，Pred Var：2.2（我的）和 1.8（作者）。
考慮到一些用戶想要整數級別，JMP 沒有配備該選項，這實際上是沒有意義的，所以我懷疑一定有辦法做到這一點。
Victor，請你重新考慮這個問題好嗎？ 如果您有機會，請直接參閱教科書以獲取比以下更多的資訊（如果需要）。
回覆：如何正確進行D最優設計？你好@麥克金,
當然，有一種方法可以通知 JMP 您有離散數值因子，只需將 4 個因子設為離散數值有三個等級 (-1, 0, 1) ：
這將在設計生成期間添加一個約束，即僅對設計中的每個因素使用三個可能的等級值：
但這並沒有改變 JMP 中優化設計的設計生成是「基於隨機」的事實，請參閱我之前關於坐標交換演算法的文章以及來自@馬克貝利以獲得解釋和資訊。 因此，您最終可能會得到具有相似性能但運行不同的設計。
我使用相同的模型（主效果、交互作用和二次效應）、最適性標準(D) 和運行規模(16) 產生的模型具有與書中的D 最適設計類似的預測變異數（1,86與1） ，書中80為具體設定因素）：
請參閱附件中我使用離散數字因子建立的 D 最優設計。
遵循相同的因子設定和方法，您應該能夠產生令人滿意的 I 最優設計，其性能和特徵與教科書中的設計相似。
希望這個回答對你有幫助
回覆：如何正確進行D最優設計？儘管我們知道將因子指定為離散會導致設計變得基於整數，並且考慮到作者的意圖和問題的上下文不太可能將因子指定為離散，但您對我的問題表現出了極大的興趣，所以我感謝你。
至少有兩位JMP專家表示，沒有實際模仿教科書，因此教科書可能有錯誤或誤解，或者JMP版本不同而得出不同的結果。
感謝您的友善回覆。
回覆：如何正確進行D最優設計？很高興我的回答有幫助。 請注意，離散數值因子「技巧」可用於產生最佳設計，但是一旦獲得設計，您可以將因子建模類型恢復為數值連續，以與問題的原始上下文相符。
我強烈建議您嘗試使用上面提到的方法（使用離散數字因子）來產生多個設計，並閱讀列出的有關平台自訂設計中使用的座標交換演算法的資源（以及其他可用的資源）。
抱歉堅持這一點，在一次試驗中精確模仿書中設計的唯一方法是使用隨機種子用於設計生成，並在 JMP 中使用它（我在上一篇文章中列出了一個主題）涉及這方面的答案）。 固定隨機種子可以從相同的初始隨機點開始，並收斂（在設計生成期間）到相同的最終最優設計。 如果您沒有此信息，則很可能可以創建幾個具有相似性能和特徵的最佳設計，這些設計與您假設的模型、因素規格和約束相對應。 在這個用例中，可能有幾種最佳設計，沒有單一的唯一可能的最佳設計，所以這就是為什麼我沒有得到與教科書相同的設計，而是得到另一種性能非常接近的設計。
教科書或 JMP 方面沒有錯誤，最優設計生成背後的隨機性使得能夠收斂到多個相似的（在性能方面，但在實驗運行方面不同）設計。
我希望這個補充性的答案能夠消除任何誤解，
