最终筛选设计问题如果您知道或认为自己非常接近流程最佳值，是否应该只运行最终筛选设计？ 如果您运行 DSD，但位于最佳因子空间之外，会发生什么情况？ 您是否会浪费时间，最好先进行分数阶乘来筛选项目，然后再进行全阶乘以获得曲率？
实验设计回复：最终筛选设计问题有效的筛查依赖于几个关键原则。 设计方法依赖于这些原则的坚持。 听起来您已经过了筛选停留期：您知道重要因素并怀疑最佳设置。 您可以使用 RSM 模型的自定义设计进行优化。 只要确保使用预期最佳水平附近的因子范围，该范围足够宽，可以在响应中产生强烈的影响（大的变化）。 否则，模型系数中将会出现较大的标准误差，并且预测性能会很差。
回复：最终筛选设计问题这是我的想法：
1. DSD 的目的是筛选大量因素，同时考虑潜在的曲率和二阶效应。 所以你的第一个问题的答案是否定的。
2. 您的附加问题没有“正确”答案。 这在很大程度上取决于您在知识连续体中的位置（例如，您的假设有多具体，您对噪音的理解程度）、您正在建模的响应变量（例如，连续、序数或名义）、您正在操纵的因素类型（例如，连续的、绝对的）、你的紧迫感、你的预算等。
3. 我坚信顺序调查。 第一个实验的目的是设计一个更好的实验。 从大而大胆的开始（例如，粗体水平上的许多因素与粗体噪声块），了解噪声以及如何处理它，减少因素的数量，也许用中心点测试曲率，开发一个可用的模型。
回复：最终筛选设计问题但如果你没有接近最佳值，你就不会看到任何曲率，对吗？ 这就是为什么在 RSM 中，您通常开始使用全因子 + 中心点来测试曲率，如果您没有找到曲率，则使用最陡上升模型朝更高响应的方向“爬山”直到你的反应拒绝。 如果您在不接近最佳值的因子空间中进行 DSD，我觉得您已经浪费了运行时间，因为您必须再次向最陡上升的方向移动并重新运行另一个模型，对吗？
这就是为什么我想知道 DSD 的优势是，如果您不确定自己是否接近最佳值，那么如果您不确定是否确实接近最佳值，为什么要使用 DSD？
回复：最终筛选设计问题DSD 首先是筛选设计。 所以作为两者@马克贝利和@statman评论说，通常您的主要关注点是在更大胆的因素空间中找到最具影响力的因素，借用一句来自@statman 。 我经常和同事们使用的一个比喻是，“筛选设计只是想找到合适的教堂。 RSM 的设计试图在正确的座位上找到正确的座位，以便最好地听到唱诗班的声音。” 在学习过程的早期阶段，DSD 是一种有用的方法...而不是在学习过程的最后，更典型的面向 RSM 的设计将会出现...比如 Box-Behnken 等经典设计或中心复合设计或更现代和高效的设计最佳实验设计工具包中的方法。
回复：最终筛选设计问题那么您是说 DSD 可以用作未知系统的常规筛选设计，就像可以使用分数阶乘一样，但它们的优势在于检测曲率。 因此，虽然它们可能只比典型的 Res IV 分数阶乘多运行几次，但如果您已经接近最佳值，它们可能会节省您的运行次数？ 而使用分数阶乘时，您必须转向全阶乘，然后是 RSM？
回复：最终筛选设计问题你走在正确的道路上……但并不完全正确。 是的，DSD 可以（我会更进一步说，在很多情况下，应该将其用作常规筛选设计）。 对运行次数进行数学计算，您很快就会发现，随着因子数量增加到超过 5 个左右...DSD 实际上比典型的 RES IV 部分因子设计具有更少的运行次数。 您可以获得 2 个因子相互作用和曲率的提示。 因此，在将 DSD 与 RES IV 两水平部分因子设计进行比较时，有很多值得喜欢的地方。 如果是我的话...在很多情况下我都是从 DSD 开始，然后是@statman讨论，利用您从 DSD 中学到的知识转向更加 RSM 的方法。 我通常会远离经典的全因子和 RSM 导向设计（如中心复合材料），而使用更现代的最优实验设计方法。
回复：最终筛选设计问题谢谢，我一直在犹豫是否使用 DSD b/c，我对它们了解不多，并且想知道它们的优势是什么 - 但似乎它们已经是 Res IV 设计，可以导致更少的运行高数量的实验，并且可以检测曲率（尽管有一些别名问题）。
还有什么“最佳实验设计方法”可以代替 RSM？ 你有什么例子吗？
回复：最终筛选设计问题当我提到“最佳实验设计方法”时，我指的是 JMP 定制设计平台中编纂的大量技术。 推荐的参考文献是 Goos 和 Jones，“最优实验设计：案例研究方法”。 我还会在点播 JMP 网络研讨会中搜索该主题，该主题已在许多实例中进行了介绍。
