分割圖 DoE（每天限制試運行次數）大家好，
新案例：
3個變數（因素）
係數 1（連續）= 0 - 225
因子 2（連續）= 0 - 10
因子 3（離散 - 2 水準）= 60 和 90（處理步驟）
因子 3 可以被視為前 2 個因子混合的最終處理步驟。 舉個例子：
因子 1 (225) 與因子 2 (10) 結合 - 此批次最好在同一天在 60 和 90 下處理。
限制/挑戰部分是可以完成的批次數量。天。 每天只有時間混合2批，總共試用8天。 意味著最多 16 個批次和“32 個獨特的運行”。
我已經嘗試了不同的解決方案與阻塞/難以改變的因素。 然而，如果我將兩個連續因素都設定為難以改變，功效分析結果會很差。
我對可以解釋以下內容的模型感興趣：
3個主要因素
所有互動術語
係數 1 X 係數 1
我目前的設定可以在附圖中看到。
可能有幾個我沒有考慮過的解決方案。 確實可以使用一些輸入。
期待你的回覆。 目前使用 JMP 17 - 無法編寫/使用 JSL 腳本。
自動化和腳本編寫實驗設計品質和工藝工程回覆：分割圖 DoE（每天限制試運行次數）抱歉，我無法自拔。 我對這個問題的看法略有不同......透過了解每天實際發生的變化，您有很大的機會來改進您的流程。 為什麼流程每天都會發生如此大的變化？ 因素影響每天保持一致還是變化？我太確定了，不相信隨機變化不能被理解、解釋和可能用正確的努力。 這確實需要一些持久而勤奮的工作來識別日常變化的變量，並確定您長期管理這些變量的能力，如果不能，如何開發一個對這些變量穩健的流程。 擁有一個在不了解導致變化的原因的情況下「預測」均值的模型有點像這個古老的短語：
“腳在烤箱裡，頭在冰箱裡，平均溫度是完美的”
順便說一句，您的小螢幕截圖沒有告訴我們一些確定模型充分性的重要資訊（例如，RSquares、RMSE、殘差分析）。 此外，這些百分比僅適用於手頭上的數據，並不一定意味著您將來會得到相同的結果。
回覆：分割圖 DoE（每天限制試運行次數）你好，
報告的 REML 變異數分量估計部分告訴您隨機（整圖）效應所捕捉的誤差變異數與殘差的關係。 將其解釋為 18% 的數據是「有效」是不正確的。 您應該將其解釋為 18%（或實際上 19%）的誤差變異數並未被整個圖效應所解釋。
我希望這有幫助，
菲爾
回覆：分割圖 DoE（每天限制試運行次數）你好@Bertelsen92 ,
我想你會找到解釋@馬克貝利關於隨機效應和固定效應之間的差異非常有用：已解決：回覆：報告中隨機效應 p 值的含義 - JMP 用戶社群
在您的情況下，81% 的變異數可以歸因於您的隨機效應，即您的日期變數。 具有顯著的 Wald p 值意味著反應變異數取決於隨機效應，因此您的日期變數（整個圖）。 但這並不意味著您的數據是“垃圾”。 您也可以先透過不同的平台來視覺化您的資料和/或模型，例如查看不同建模平台中可用的「實際預測圖」可能已經告訴您是否可以獲得資料的合理模型（例如從我的範例資料表中重現您所擁有的相同條件）：
作為範例，我添加了非恆定雜訊（隨著行數的增加而增加），我的 REML 的顯示與您非常相似：
但查看固定效應估計（並在刪除非顯著效應後），我能夠檢測到 2 個顯著的主效應、1 個顯著的交互作用和 1 個顯著的二次效應：
根據您的雜訊/變異數有多大（與等級之間的差異相比，意味著您想要偵測不同的因素/影響），您的預測效能可能不高。 但值得查看 Profiler，了解每個因素如何影響聲音。
Profiler 的附加選項：在紅色小三角中，您可以點擊“條件預測”，以便透過修復隨機效應來查看模型的預測：預測刻畫器選項 (jmp.com)如果您想透過控制隨機效應的變異數來查看模型和因素的影響，這可能會很有幫助。
範例資料範例如下：
我添加了此處顯示的範例，以便您可以透過查看腳本“Model Final”來重現我顯示的結果。
希望這個回答對你有幫助
回覆：分割圖 DoE（每天限制試運行次數）你好@Victor_G和@菲爾_凱,
試驗現已進行，我正在研究 Fit 模型平台以獲取測量的幾個反應。 我有一個關於 WholePlot*Random 效應的問題。
因此，對於其中一個回复，我得到以下內容：
因此，整個地塊（總數的百分比 = 81,229）。 正確理解是，該數據的 81% 變異數不能用我們改變的因素來解釋，而更有可能來自其他因素。 在這種情況下，它確實很有意義。 只是想確保我理解正確。
其次，如果只有 18% 的資料“有效”，那麼使用預測刻畫器是否有意義？
先感謝您。 週末愉快。 
回覆：分割圖 DoE（每天限制試運行次數）非常感謝您的所有投入，維克多和@菲爾_凱。 對我提出的案例的非常好的解釋和解決方案。
我認為我可能高估了「功效分數」的重要性，因為我只使用 JMP 預設值（RMSE = 1，係數 = 1）。
我將採用您的解決方案，包含 32 次運行和 16 個圖。 兩種設計的比較功能都非常好，下次我一定會試試看。
祝你們週末愉快。
回覆：分割圖 DoE（每天限制試運行次數）說得通， @Victor_G 。 抱歉，我把 28 次誤讀成了 26 次。 無論如何，您的 16 個整區設計顯然會比 7 或 8 個整區設計「更好」。 功率的相對差異在這裡是一個有用的指標：因素的更多變化=>更多的功率。 但是，我再次強調，除非您有關於噪音大小和需要檢測的訊號的有意義的數字，否則功率的絕對值是沒有意義的。
回覆：分割圖 DoE（每天限制試運行次數）你好@菲爾_凱,
感謝您為所提出的設計提供的支持和解釋。
在最初的設計中，Kristian 定義了 7 個地塊和 28 個運行，以尊重和實現 4 次運行/天的條件。 由於最大可能的運行次數為 32，因此也可以使用 8 個圖和 32 次運行來實現 4 次運行/天的條件。
但如果進行此設計，這意味著對於「難以改變」的因子，每個圖中的運行將相似，因此每天將有 4 個相同的批次，在因子 3 的 2 個條件下。 這種情況可能不會影響因子 3 的功效（與我之前提出的設計相比），因為每個區塊中因子 3 都可以進行隨機化（易於更改因子），但由於“難以更改因子”，意味著對這些因素的隨機化的嚴格限制，它將影響「難以改變」因素1 和2 的功效，以及這2 個因素的預測變異數、這些參數估計的精確度以及設計 ：
8 張圖和 16 張圖的設計功效比較：
8 個圖和 16 個圖的設計之間的預測變異數比較：
8 個圖和 16 個圖的設計之間估計的相對標準誤差的比較：
兩種設計模型中項之間的相關性比較：
我希望這個答案能幫助和補充菲爾的精彩解釋，
回覆：分割圖 DoE（每天限制試運行次數）你好@Bertelsen92 ,
@Victor_G的解決方案對我來說很有意義，並且似乎滿足您的要求。
在您的範例中，您指定了 7 個整區和總共 26 次運行，這會很奇怪。
整體圖的數量是其中難以改變的因素保持不變的運行組的數量。 因此，Victor 將其設為 16，因為您每天可以執行 2 種難以更改因子的組合，在 8 天內，總共運行 32 次。
您擔心電源。 當您將因素設定為難以變更時，功效會降低。 在設計的實驗中，我們透過改變因素並觀察對反應的影響來了解因素對反應的影響。 如果我們對這個因素做的改變越少，我們學到的東西就越少。 沒有比這更複雜的了。
話雖如此，只有當您有良好的雜訊 (RMSE) 和需要檢測的訊號（預期係數）數值時，您看到的功率絕對數值才有意義。 大多數時候我們沒有這些。 因此，如果您僅使用 JMP 預設值（RMSE = 1，係數 = 1），則無需擔心效能是否 > 或 < 0.8。
我希望這有幫助。
菲爾
回覆：分割圖 DoE（每天限制試運行次數）嗨克里斯蒂安，
一種可能的選擇是將因素 1 和 2 視為“難以更改”，將因素 3 視為“易於更改”：
然後，使用因子 1 的主效應、交互作用和二次冪來建立模型。 將整圖數量指定為 16 ，運行次數指定為 32 ：
每個整區將運行 2 次（每天總共 2 批/4 次運行，因此每天 2 整區），其中只有因子 3 會發生變化：
您可以找到所附設計的數據表來評估該設計並查看它是否符合您的需求。
