最終篩選設計問題如果您知道或認為自己非常接近流程最佳值，是否應該只執行最終篩選設計？ 如果您運行 DSD，但位於最佳因子空間之外，會發生什麼情況？ 您是否會浪費時間，最好先進行分數階乘來篩選項目，然後再進行全階乘以以獲得曲率？
實驗設計回覆：最終篩選設計問題有效的篩檢依賴於幾個關鍵原則。 設計方法依賴這些原則的堅持。 聽起來您已經過了篩選停留期：您知道重要因素並懷疑最佳設定。 您可以使用 RSM 模型的自訂設計進行最佳化。 只要確保使用預期最佳水平附近的因子範圍，該範圍足夠寬，可以在響應中產生強烈的影響（大的變化）。 否則，模型係數中將會出現較大的標準誤差，且預測效能會很差。
回覆：最終篩選設計問題這是我的想法：
1. DSD 的目的是篩選大量因素，同時考慮潛在的曲率和二階效應。 所以你的第一個問題的答案是否定的。
2. 您的附加問題沒有「正確」答案。 這在很大程度上取決於您在知識連續體中的位置（例如，您的假設有多具體，您對雜訊的理解程度）、您正在建模的反應變數（例如，連續、序數或名目） 、您正在操縱的因素類型（例如，連續的、絕對的）、你的緊迫感、你的預算等。
3. 我堅信順序調查。 第一個實驗的目的是設計一個更好的實驗。 從大而大膽的開始（例如，粗體水平上的許多因素和粗體噪聲塊），了解噪聲以及如何處理它，減少因素的數量，也許用中心點測試曲率，開發一個可用的模型。
回覆：最終篩選設計問題但如果你沒有接近最佳值，你就不會看到任何曲率，對嗎？ 這就是為什麼在 RSM 中，您通常開始使用全因子 + 中心點來測試曲率，如果您沒有找到曲率，則使用最陡上升模型朝更高響應的方向「爬山」直到您的反應拒絕。 如果您在不接近最佳值的因子空間中進行 DSD，我覺得您已經浪費了運行時間，因為您必須再次向最陡上升的方向移動並重新運行另一個模型，對嗎？
這就是為什麼我想知道 DSD 的優勢是，如果您不確定自己是否接近最佳值，那麼如果您不確定是否確實接近最佳值，為什麼要使用 DSD？
回覆：最終篩選設計問題DSD 首先是篩選設計。 所以作為兩者@馬克貝利和@statman評論說，通常您的主要關注點是在更大膽的因素空間中找到最具影響力的因素，借用一句來自@statman 。 我經常和同事們使用的一個比喻是：「篩選設計只是想找到合適的教堂。 RSM 的設計試圖在正確的座位上找到正確的座位，以便最好地聽到唱詩班的聲音。” 在學習過程的早期階段，DSD 是一種有用的方法...而不是在學習過程的最後，更典型的面向RSM 的設計將會出現...例如Box-Behnken 等經典設計或中心複合設計或更現代和高效的設計最佳實驗設計工具包中的方法。
回覆：最終篩選設計問題那麼您是說 DSD 可以用作未知系統的常規篩選設計，就像可以使用分數階乘一樣，但它們的優點在於檢測曲率。 因此，雖然它們可能只比典型的 Res IV 分數階乘多運行幾次，但如果您已經接近最佳值，它們可能會節省您的運行次數？ 而使用分數階乘時，您必須轉向全階乘，然後是 RSM？
回覆：最終篩選設計問題你走在正確的軌道上......但不完全正確。 是的，DSD 可以（我會更進一步說，在許多情況下，應該將其用作常規篩選設計）。 對運行次數進行數學計算，您很快就會發現，隨著因子數量增加到超過 5 個左右...DSD 實際上比典型的 RES IV 部分因子設計具有更少的運行次數。 您可以獲得 2 因子相互作用和曲率的提示。 因此，在將 DSD 與 RES IV 兩水平部分因子設計進行比較時，有很多值得喜歡的地方。 如果是我的話...在很多情況下我都是從 DSD 開始，然後是@statman討論，利用您從 DSD 中學到的知識轉向更 RSM 的方法。 我通常會遠離經典的全因子和 RSM 導向設計（如中心複合材料），而使用更現代的最優實驗設計方法。
回覆：最終篩選設計問題謝謝，我一直在猶豫是否使用 DSD b/c，我對它們了解不多，並且想知道它們的優勢是什麼 - 但似乎它們已經是 Res IV 設計，可以導致更少的運行高數量的實驗，並且可以檢測曲率（儘管有一些別名問題）。
還有什麼「最佳實驗設計方法」可以取代 RSM？ 你有什麼例子嗎？
回覆：最終篩選設計問題當我提到「最佳實驗設計方法」時，我指的是 JMP 客製化設計平台中編纂的大量技術。 建議的參考文獻是 Goos 和 Jones，「最優實驗設計：個案研究方法」。 我也會在點播 JMP 網路研討會中搜尋該主題，該主題已在許多實例中進行了介紹。
