增强 DSD 矩阵我们运行了最终筛选设计矩阵来探索 6 个因素，随后发现，由于工艺性能的原因，我们需要将其中一个参数的范围从原始 DSD 中的目标范围稍微向下调整。 根据原始 DSD 分析，所讨论的参数确实会影响输出，作为主要因素以及与其他 2 个因素的双向交互。
最好的前进方向是什么？ 一个 6 游程矩阵来评估 X1、X2、X3、X1*X2、X1*X3 或者更周到的东西？
我们只能再跑大约 10 次。
感谢您的任何意见。
实验设计回复：增强 DSD 矩阵这是我的想法：
1. DSD的目的是寻找活跃因素而不是寻找最佳水平。尽管您没有提供 DSD 的完整分析，但您的 DSD 似乎做到了。如果没有任何因素、情况或响应变量的背景，就很难提供建议。您需要进一步的实验吗？您认为更改相关因素的因素水平是否会使 DSD 的经验失效？
2. 任何因素是否存在二次效应？您是否简化了模型并保存了预测公式？也许只是在“更好”的水平上对相关因素进行一些验证性运行。
3. 你有什么策略来处理实验中的噪音吗？也许随着时间的推移对模型进行一些采样有助于验证因素影响的一致性/可预测性。
回复：增强 DSD 矩阵我们使用 DSD 来表征一个步骤；这意味着我们有之前确定的目标和可接受的操作范围，这些范围很大程度上取决于过程中的控制能力。 我们正在检查该步骤是否对该变化水平敏感。 需要调整其中一个参数的范围，以适应该步骤在生产中实际运行的情况，因此我们试图想出一种方法来做到这一点。
感谢您的输入！
回复：增强 DSD 矩阵对提出的问题和疑问添加我的两分钱@statman这是我的想法。 忘记增强 DSD 设计吧。 增强的 DSD 将不再是 DSD……而是我以前所说的弗兰肯斯坦设计。 DSD 背后有一些非常特殊的概念（效应遗传和稀疏性，但只有两个）和特定特征，例如折叠属性，通过将其作为弗兰肯斯坦 DSD 进行分析，将变得毫无意义……而且我很确定适合最终筛选设计分析平台不喜欢弗兰肯斯坦设计，您可能会收到大量错误消息。 这是我的想法。 既然您想要进一步研究 3 个因素，并且想要估计一些非常具体的模型项，为什么不在您所说的可用的 10 次运行中运行 D 最优设计，并指定确切的模型你写了，并这样分析。 在 10 次运行中，您仍然有一些剩余的自由度用于指定模型的误差估计。 然后从这两个实验中得出实际结论，看看在哪里可以解决当前的问题或进行额外的试验。 这一切都符合顺序设计实验问题的解决过程。
回复：增强 DSD 矩阵你是绝对正确的。 在不进行完整折叠的情况下添加到 DSD 将会是一团糟。
