分割图 DoE（每天限制试运行次数）大家好，
新案例：
3个变量（因素）
系数 1（连续）= 0 - 225
因子 2（连续）= 0 - 10
因子 3（离散 - 2 水平）= 60 和 90（处理步骤）
因子 3 可以被视为前 2 个因子混合的最终处理步骤。 举个例子：
因子 1 (225) 与因子 2 (10) 相结合 - 该批次最好在同一天在 60 和 90 下进行处理。
限制/挑战部分是可以完成的批次数量。天。 每天只有时间混合2批，总共试用8天。 意味着最多 16 个批次和“32 个独特的运行”。
我已经尝试了不同的解决方案与阻塞/难以改变的因素。 然而，如果我将两个连续因素都设置为难以改变，功效分析结果会很差。
我对可以解释以下内容的模型感兴趣：
3个主要因素
所有交互术语
系数 1 X 系数 1
我当前的设置可以在附图中看到。
可能有几个我没有考虑过的解决方案。 确实可以使用一些输入。
期待你的回复。 当前使用 JMP 17 - 无法编写/使用 JSL 脚本。
自动化和脚本编写实验设计质量和工艺工程回复：分割图 DoE（每天限制试运行次数）抱歉，我无法自拔。 我对这个问题的看法略有不同......通过了解每天实际发生的变化，您有很大的机会来改进您的流程。 为什么流程每天都会发生如此大的变化？ 因素影响每天保持一致还是变化？我太确定了，不相信随机变化不能被理解、解释和可能用正确的努力。 这确实需要一些持久而勤奋的工作来识别日常变化的变量，并确定您长期管理这些变量的能力，如果不能，如何开发一个对这些变量稳健的流程。 拥有一个在不了解导致变化的原因的情况下“预测”均值的模型有点像这个古老的短语：
“脚在烤箱里，头在冰箱里，平均温度是完美的”
顺便说一句，您的小屏幕截图没有告诉我们一些确定模型充分性的重要信息（例如，RSquares、RMSE、残差分析）。 此外，这些百分比仅适用于手头的数据，并不一定意味着您将来会得到相同的结果。
回复：分割图 DoE（每天限制试运行次数）你好，
报告的 REML 方差分量估计部分告诉您随机（整图）效应捕获的误差方差量与残差的关系。 将其解释为 18% 的数据是“有效”是不正确的。 您应该将其解释为 18%（或实际上 19%）的误差方差并未被整个图效应所解释。
我希望这有帮助，
菲尔
回复：分割图 DoE（每天限制试运行次数）你好@Bertelsen92 ,
我想你会找到解释@马克贝利关于随机效应和固定效应之间的差异非常有用：已解决：回复：报告中随机效应 p 值的含义 - JMP 用户社区
在您的情况下，81% 的方差可以归因于您的随机效应，即您的日期变量。 具有显着的 Wald p 值意味着响应方差取决于随机效应，因此您的日期变量（整个图）。 但这并不意味着您的数据是“垃圾”。 您还可以首先通过不同的平台可视化您的数据和/或模型，例如查看不同建模平台中可用的“实际预测图”可能已经告诉您是否可以获得数据的合理模型（例如从我的示例数据表中重现您所拥有的相同条件）：
作为示例，我添加了非恒定噪声（随着行数的增加而增加），并且我的 REML 的显示与您非常相似：
但是查看固定效应估计（并在删除非显着效应后），我能够检测到 2 个显着的主效应、1 个显着的交互作用和 1 个显着的二次效应：
根据您的噪声/方差有多大（与水平之间的差异相比，意味着您想要检测不同的因素/影响），您的预测性能可能不高。 但值得查看一下 Profiler，了解每个因素如何影响响应。
Profiler 的附加选项：在红色小三角中，您可以单击“条件预测”，以便通过修复随机效应来查看模型的预测：预测刻画器选项 (jmp.com)如果您想通过控制随机效应的方差来查看模型和因素的影响，这可能会很有帮助。
示例数据示例如下：
我添加了此处显示的示例，以便您可以通过查看脚本“Model Final”来重现我显示的结果。
希望这个回答对你有帮助
回复：分割图 DoE（每天限制试运行次数）你好@Victor_G和@菲尔_凯,
试验现已进行，我正在研究 Fit 模型平台以获取测量的几个响应。 我有一个关于 WholePlot*Random 效应的问题。
因此，对于其中一个回复，我得到以下内容：
因此，整个地块（总数的百分比 = 81,229）。 正确理解是，该数据的 81% 方差不能用我们改变的因素来解释，而更有可能来自其他因素。 在这种情况下，它确实很有意义。 只是想确保我理解正确。
其次，如果只有 18% 的数据“有效”，那么使用预测刻画器是否有意义？
先感谢您。 周末愉快。 
回复：分割图 DoE（每天限制试运行次数）非常感谢您的所有投入，维克多和@菲尔_凯。 对我提出的案例的非常好的解释和解决方案。
我认为我可能高估了“功效得分”的重要性，因为我只使用 JMP 默认值（RMSE = 1，系数 = 1）。
我将采用您的解决方案，包含 32 次运行和 16 个图。 两种设计的比较功能非常好，下次我一定会尝试一下。
祝你们周末愉快。
回复：分割图 DoE（每天限制试运行次数）说得通， @Victor_G 。 抱歉，我把 28 次误读成了 26 次。 无论如何，您的 16 个整区设计显然会比 7 或 8 个整区设计“更好”。 功率的相对差异在这里是一个有用的指标：因素的更多变化=>更多的功率。 但是，我再次强调，除非您有关于需要检测的噪声和信号大小的有意义的数字，否则功率的绝对值是没有意义的。
回复：分割图 DoE（每天限制试运行次数）你好@菲尔_凯,
感谢您为所提出的设计提供的支持和解释。
在最初的设计中，Kristian 定义了 7 个地块和 28 个运行，以尊重和实现 4 个运行/天的条件。 由于最大可能的运行次数为 32，因此也可以使用 8 个图和 32 次运行来实现 4 次运行/天的条件。
但如果进行此设计，这意味着对于“难以改变”的因子，每个图中的运行将相似，因此每天将有 4 个相同的批次，在因子 3 的 2 个条件下。 这种情况可能不会影响因子 3 的功效（与我之前提出的设计相比），因为每个块中的因子 3 都可以进行随机化（易于更改因子），但由于“难以更改因子”，意味着对这些因素的随机化的严格限制，它将影响“难以改变”因素 1 和 2 的功效，以及这 2 个因素的预测方差、这些参数估计的精度以及设计 ：
8 个图和 16 个图的设计功效比较：
8 个图和 16 个图的设计之间的预测方差比较：
8 个图和 16 个图的设计之间估计的相对标准误差的比较：
两种设计模型中项之间的相关性比较：
我希望这个答案能够帮助和补充菲尔的精彩解释，
回复：分割图 DoE（每天限制试运行次数）你好@Bertelsen92 ,
@Victor_G的解决方案对我来说很有意义，并且似乎满足您的要求。
在您的示例中，您指定了 7 个整区和总共 26 次运行，这会很奇怪。
整体图的数量是其中难以改变的因素保持不变的运行组的数量。 因此，Victor 将其设置为 16，因为您每天可以执行 2 种难以更改因子的组合，在 8 天内，总共运行 32 次。
您担心电源。 当您将因素设置为难以更改时，功效会降低。 在设计的实验中，我们通过改变因素并观察对响应的影响来了解因素对响应的影响。 如果我们对这个因素做的改变越少，我们学到的东西就越少。 没有比这更复杂的了。
话虽如此，只有当您有良好的噪声 (RMSE) 和需要检测的信号（预期系数）数值时，您看到的功率绝对数值才有意义。 大多数时候我们没有这些。 因此，如果您仅使用 JMP 默认值（RMSE = 1，系数 = 1），则无需担心功效是否 > 或 < 0.8。
我希望这有帮助。
菲尔
回复：分割图 DoE（每天限制试运行次数）嗨克里斯蒂安，
一种可能的选择是将因素 1 和 2 视为“难以更改”，将因素 3 视为“易于更改”：
然后，使用因子 1 的主效应、交互作用和二次幂创建模型。 将整图数量指定为 16 ，将运行次数指定为 32 ：
每个整区将运行 2 次（每天总共 2 批/4 次运行，因此每天 2 整区），其中只有因子 3 会发生变化：
您可以找到所附设计的数据表来评估该设计并查看它是否符合您的需求。
