如何正确进行D最优设计？你好，
我现在正在遵循教科书上的做法，但我无法模仿作者的工作。
这本书是 Douglas C. Montgomery，实验设计与分析 (2020)
第445~448页，例11.3，总结如下。
4个因素，
在精确的 16 次运行中，
D-最优
使用 JMP
结果是，
然而，我无法模仿这个结果，因为，
JMP>自定义 DOE>
- 4 个连续因子
- RSM
-“D-最优性”
- 运行次数：16
以上4个是我指定的值，如下图
然而，结果与教科书上的不一样。
它始终包含低于小数点的因子级别，如下所示。
因此教科书之间不存在同一性。
我错过了什么点？
请告诉我如何通过。
高级统计建模数据探索和可视化实验设计回复：如何正确进行D最优设计？你好@迈克金,
由于最优设计的实验点是通过算法生成的（坐标交换算法）并且最初基于随机点，存在一部分随机性，并且可能导致不同的最优设计，具有相似的性能和特征，但因子和运行的个体实验值不同。
对于有时会看到的“奇怪”值（例如 0.81 而不是 1，或 -0.22 而不是 0），这是由于基于初始随机值的设计生成过程造成的。 修改每次设计生成的启动次数和时间可能会提高所找到设计的全局最优性，但您仍然可能会遇到此类值。 这不是一个大问题，您仍然可以将这些值“舍入”为更常规的值（例如，将 0.81 舍入到 1），而最优性可能只会损失一点点。
如果您想使用与另一个相同的自定义设计，最好的选择是设置随机种子，以便初始随机点相同并且收敛将导致相同的设计：已解决：回复：是否有可能使 DOE 生成可重复？ - JMP 用户社区
对于此示例，如果您没有用于生成此设计的种子，则可能很难找到完全相同的最佳设计，但您可以尝试多次生成它，并使用选项来增强启动次数和设计搜索时间。
希望这个回答对您有所帮助；
回复：如何正确进行D最优设计？另外，请记住，在许多情况下，有多个设计同样最优，因为它与另一种设计具有相同的最优标准值。 就运行而言，设计对您来说可能看起来非常不同，但它们与 JMP 评估的结果相同。
请注意，除非只有一种解决方案，否则您可以单击“自定义设计”平台底部的“返回”，然后再次单击“制作设计”以获得另一种设计。
回复：如何正确进行D最优设计？谢谢你维克多。
我的观点是，实际上，一定有一种方法可以将因子的级别固定为整数。
由于其中 2 个设计（D 和 I 最佳）显示所有级别均为整数 (-1,0,1)，因此它可能不是通过随机方式生成的。
此外，在我的设置中生成的设计的整体性能比作者的要差很多。
例如，Pred Var：2.2（我的）和 1.8（作者）。
考虑到一些用户想要整数级别，JMP 没有配备该选项，这实际上是没有意义的，所以我怀疑一定有办法做到这一点。
Victor，请你重新考虑一下这个问题好吗？ 如果您有机会，请直接参阅教科书以获取比以下更多的信息（如果需要）。
回复：如何正确进行D最优设计？你好@迈克金,
当然，有一种方法可以通知 JMP 您有离散数值因子，只需将 4 个因子设置为离散数值具有三个级别 (-1, 0, 1) ：
这将在设计生成期间添加一个约束，即仅对设计中的每个因素使用三个可能的级别值：
但这并没有改变 JMP 中优化设计的设计生成是“基于随机”的事实，请参阅我之前关于坐标交换算法的文章以及来自@马克贝利以获得解释和信息。 因此，您最终可能会得到具有相似性能但运行不同的设计。
我使用相同的模型（主效应、交互作用和二次效应）、最优性标准 (D) 和运行规模 (16) 生成的模型具有与书中的 D 最优设计类似的预测方差（1,86 与 1） ，书中80为具体设定因素）：
请参阅附件中我使用离散数字因子创建的 D 最优设计。
遵循相同的因子设置和方法，您应该能够生成令人满意的 I 最优设计，其性能和特征与教科书中的设计类似。
希望这个回答对你有帮助
回复：如何正确进行D最优设计？尽管我们知道将因子指定为离散会导致设计变得基于整数，并且考虑到作者的意图和问题的上下文不太可能将因子指定为离散，但您对我的问题表现出了极大的兴趣，所以我感谢你。
至少有两位JMP专家表示，没有实际模仿教科书，因此教科书可能存在错误或误解，或者JMP版本不同而得出不同的结果。
感谢您的友好回复。
回复：如何正确进行D最优设计？很高兴我的回答有帮助。 请注意，离散数值因子“技巧”可用于生成最佳设计，但是一旦获得设计，您可以将因子建模类型恢复为数值连续，以与问题的原始上下文相匹配。
我强烈建议您尝试使用上面提到的方法（使用离散数字因子）生成多个设计，并阅读列出的有关平台自定义设计中使用的坐标交换算法的资源（以及其他可用的资源）。
抱歉坚持这一点，在一次试验中精确模仿书中设计的唯一方法是使用随机种子用于设计生成，并在 JMP 中使用它（我在上一篇文章中列出了一个主题）涉及这方面的答案）。 固定随机种子可以从相同的初始随机点开始，并收敛（在设计生成期间）到相同的最终最优设计。 如果您没有此信息，则很可能可以创建几个具有相似性能和特征的最佳设计，这些设计与您假设的模型、因素规格和约束相对应。 在这个用例中，可能有几种最佳设计，没有单一的唯一可能的最佳设计，所以这就是为什么我没有得到与教科书相同的设计，而是得到另一种性能非常接近的设计。
教科书或 JMP 方面没有错误，最优设计生成背后的随机性使得能够收敛到多个相似的（在性能方面，但在实验运行方面不同）设计。
我希望这个补充性的答案能够消除任何误解，
