主效果篩選設計與 OFAT：哪個最好？你好，
在 JMP 中，在 DOE > 經典 > 兩層篩選 > 篩選設計 >「建立主效應篩選設計」下，可以建立僅調查主效應的篩選設計。 8個參數的結果如附件所示。
與 OFAT 相比，該設計的優勢是什麼？OFAT 中的 8 個參數中的每一個都將在高水平和低水平上進行研究（每個參數運行 2 次）？
在這兩種情況下，運行次數均為 16。
預先感謝您對我們的支持！
此致，
克萊爾
實驗設計回覆：主效果篩選設計與 OFAT：哪個最好？你好@cbaril ,
這篇文章的問題有點令人不安，因為答案肯定是 DoE，所以我建議您觀看一些有關 DoE 基礎知識的網路研討會，以更好地評估 DoE 的相關性和重要性。
與 OFAT 相比，DoE 有許多好處，以下是一些：
- 有限的（並提前計劃/控制！）實驗數量，
- 可以研究交互作用和非線性效應，
- 用於解釋或預測反應變化的數學模型，
- 假設模型的高效率（資訊與實驗數量）與彈性，
- 錯誤在設計空間中平等/同質地共享，
- 創建約束/客製化設計的可能性，
- 透過「增強」和許多可能的策略的迭代過程：您可以從篩選主效應開始，然後檢查交互作用，最後建立一個強大的響應面模型來準確預測您的反應，...
- 運行的隨機化可避免噪音和/或非受控變數的影響（OFAT 方法不會產生這種影響）。
您也可以透過建立OFAT 設計並將其與部分因子設計進行比較來回答您的問題（與OFAT「篩選」相比，在DOE 的情況下，您有可能擬合一些2 因子交互作用，運行16 次） ）：
- 功率分析：與 OFAT 相比，偵測顯著主效應的可能性更高
- 實驗空間的預測方差：更好地重新分配實驗空間中的運行，從而降低預測方差
- 術語之間的相關性/別名：採用 OFAT 設計，無法偵測互動（別名）
您可以重現設計評估並與副本中的資料表進行比較。
您可以在這些帖子中找到一些資源和更多資訊：
已解決：DOE 方法 - JMP 用戶社群
已解決：使用 DOE 進行 OFAT 實驗 - JMP 使用者社群
您也可以加入實驗設計俱樂部交流並了解更多關於DOE的資訊。
希望這個回答對你有幫助
回覆：主效果篩選設計與 OFAT：哪個最好？你好維克多，
感謝您的詳細回复，對於打擾您深表歉意！
我不想一般性地比較 DoE 與 OFAT，但想知道，對於某些人只想篩選主要效應的特定情況，DoE 是否比 OFAT 有優勢。 在這種情況下，有必要質疑該請求並解釋很有可能產生交互效應。 因此，無論如何，都需要使用 DoE。 正確的？
仍然讓我困惑的是JMP中有一個DoE設計叫做“建立主效應篩選設計”，所以我認為它專門研究主效應，OFAT 也可以做到。 「建構主效應篩選設計」設計的模型規格對話方塊中預設顯示的模型術語實際上僅包含主效應。 那麼這樣的特殊設計就沒有任何用處了嗎？
此致，
克萊爾
回覆：主效果篩選設計與 OFAT：哪個最好？你好@cbaril ,
即使您只想篩選主效應（甚至不考慮交互作用），與OFAT 相比，DoE 也是更好、更有效的方法，因為您將擁有更高的功效（如果有效，則檢測到顯著效應的機率）、更低的預測方差，以及輸入之間更好的相關結構（您可以查看並比較先前發送的資料表中的設計）。
對於8 個因子，使用DoE 至少需要運行9 次來估計主效應係數項，而使用OFAT 則需要運行16 次（因為您將為每個因子創建一對實驗，使用-1 和1，其他因子使用- 1 和1） 0 或其他固定水平）。
在 16 次運行-DoE 的範例中，運行次數超過了所需的最小值，因此有一些額外的運行有助於提高回歸模型中主效應係數的功效和精度，並且還提供了包含一些 2 -因素相互作用（OFAT 方法不可能做到這一點）。
因此，即使您只想篩選主效應，DoE 也是比 OFAT 更可靠、更精確、資訊更豐富的方法。
回覆：主效果篩選設計與 OFAT：哪個最好？維克多已經提供了很多細節，所以我將簡短地表達我的想法。 我想重申的是實驗與 OFAT 的一個重要特徵。OFAT 的推理空間極為狹窄。OFAT 的結論取決於未來在這些恆定設定下保持不變的所有其他因素。這很可能是完全不切實際的。DOE中的8個因素具有更廣泛的推理空間（設計空間是8維的）。OFAT 是一維的。 儘管您可能會在實驗中優先考慮主效應，但高階效應仍然存在，它們只是令人困惑。
