在工业规模上以尽可能少的运行次数筛选大量因素的最有效设计是什么？为什么？例如。 如果筛选设计的目的（很大程度上）是通过尽可能少的运行来测试主效应 - 并且我想通过最少的运行次数来筛选 7 个因素，那么为什么简单地改变不是一个好主意这些因素在 7 次运行中出现 1 次？如果这不是最有效的方法，那么运行 7 个因子的 8 次运行的饱和设计是否是测试主效应的最有效方法，或者是否有其他建议以及为什么？ 对于无法进行多次运行且需要尽可能高效的工业 DOE，饱和设计是否是首选？
实验设计回复：在工业规模上筛选大量因子并尽可能少运行的最有效设计是什么？为什么？你好@mjz5448 ,
每一次筛选都没有完美的设计，这取决于因素类型、因素数量、改变的便利性、响应的噪音和可变性、先验知识等……
如果您考虑进行 OFAT 筛查，本主题可能会帮助您了解这可能是一个坏主意：已解决：回复：主效应筛选设计与 OFAT：哪个最好？ - JMP 用户社区
假设你有 7 个因子，没有混合因子，也没有约束：
设计的选择将很大程度上受到实验预算的影响。 如果您只能负担 <10 次运行，您很可能最终会得到 (D/A-) 最佳筛选设计。 如果您可以负担更多的试验，那么增加最佳设计的试验规模可能会很有趣，甚至可以尝试最终筛选设计（对于 7 个连续因子，至少需要 17 次试验，并且需要 4 次额外试验）总共 21 次）建议）。 您可以尝试不同的运行规模和设计，并对它们进行比较，以选择最适合您的主题的一种。
更一般地说，您可能会发现 Bradley Jones 关于现代筛选设计的演讲非常有趣，它可能会为您的用例提供一些想法和观点： 21 世纪放映设计 (2021-EU-45MP-772)
希望第一个答案对你有帮助
回复：在工业规模上筛选大量因子并尽可能少运行的最有效设计是什么？为什么？哇，谢谢 Victor_G 的详细回复！
我从来没有听说过“组正交超饱和设计”之前，但会研究它。
我很大程度上受到可以执行的运行次数的限制，因为我没有能力进行大量试验，也没有容易获得的中试工厂或研发资源。所以看来我也会研究（D/A-）最佳筛选设计。
我假设很多最小的筛选设计都取决于如何控制过程以检测任何效果，对吗？
再次感谢您的链接！
回复：在工业规模上筛选大量因子并尽可能少运行的最有效设计是什么？为什么？不客气，很高兴对您有帮助！
GO-SSD 可能与需要筛选的因素较多相关，例如在制造/化学工艺线上存在数十个工艺因素的情况下。 这种设计类型确实擅长从众多琐碎的事物中识别出重要的少数事物。
我不确定此设计与 7 个因素的相关性，我的安全赌注可能更多地是 (D/A-) 最佳设计，因为它们在运行规模上提供了一定的灵活性。
这取决于“假设过程处于控制之中”背后的含义。 对于响应测量，您的测量过程应尽可能受控和稳定，以便 DoE 检测到的主要效应真正活跃，而不是不稳定测量的后果（或者，您没有太多噪音/会“隐藏”主动主效应的变异性）。 根据测量的变异性和 DoE 中的实验数量，检测主动主效应（功效）的设施将有所不同：较低的测量变异性和较高的运行规模可提高检测主效应的功效。
关于因素范围，请不要犹豫，比平常更大胆一些，以便定义因您的因素而可能发生变化的范围。 如果您的因素范围很窄并且您的过程完全受控，那么您最终可能不会检测到任何重要因素。
我希望这个补充性的回答可以帮助你，
回复：在工业规模上筛选大量因子并尽可能少运行的最有效设计是什么？为什么？其他一些想法：
1. 您可以首先尝试定向抽样（变异研究的组成部分），以了解哪些组成部分最具影响力，并同时评估测量系统。这允许在确定所利用的组件的同时评估过程的一致性/稳定性。我无法告诉你我见过多少次实验，实验者在错误的组件上进行实验。
2. 一个问题……你想在你的研究中“选出一个胜利者”还是你想理解因果结构？ 如果是后者，您将需要迭代。第一个实验旨在帮助您设计更好的实验。这可能包括使用粗体水平设置（通常是低分辨率）筛选大量因素。一旦确定了活跃/重要因素，您就可以致力于开发有用的模型。
3. 不要忽视噪音（例如，针对短期噪音进行重复，针对长期噪音进行重复）。这通常是导致实验失败的失败模式。实验在狭窄的推理空间中运行一次（噪声保持恒定）。当未来噪声不可避免地发生变化时，此类实验的结论很少有用。因此，设计的效率不仅仅是设计结构/空间。
4. 无论如何，根据您当前的知识，选择最有效和高效的设计需要考虑多种因素，因素数量只是其中之一。我的建议是设计多个实验，考虑可以从每个实验中获得什么信息。权衡资源限制，然后选择一个。
回复：在工业规模上筛选大量因子并尽可能少运行的最有效设计是什么？为什么？嗨斯塔曼，
感谢您的答复。
对于你的问题2。 我正在尝试筛选因子，以缩小范围，以进行进一步的全因子和可能的响应面设计。
感谢您在第 4 点中的建议。 我会看一下并尽力权衡不同的选择。
