DOE - 关于最终筛选设计与半因子或全因子设计的建议JMP 社区我希望您能提供帮助。
我有一些来自美国能源部从业者的问题，他迄今为止的主要经验是半因子或全因子设计，但有兴趣使用最终筛选设计来研究 4 或 5 个因子。 这些问题是：
- 与 DSD 相比，经典两水平因子设计有哪些优点和局限性？
- 是否可以使用明确的筛选设计来拟合模型来估计 2 因素相互作用以及 4 或 5 因素的主效应和二次方程？
- 我对此的有限训练表明，DSD 主要用于估计大量因素的主效应，以建立较少数量的显着因素。 然后对这些因素进行进一步的 DOE 研究。它是否正确？
- 响应曲面设计将实现曲率和所有相互作用的估计，但需要更多的运行。DSD 可以通过更少的运行来完成此任务吗？
任何有关这些的建议将不胜感激！
最好的，
德克斯特
实验设计回复：DOE - 关于明确筛选设计与半因子或全因子设计的建议有许多讨论 DSD 的论文和教程，例如：
https://www.jmp.com/en_us/whitepapers/jmp/definitive-screening-designs-two-level-categorical.html
https://community.jmp.com/t5/Mastering-JMP/Using-Definitive-Screening-Designs-to-Get-More-Information-from/ta-p/310245
布拉德·琼斯曾经有一个关于这个主题的博客。
经典设计是正交/平衡的，如果以顺序方法使用，会非常有效。 这个想法是从一个大胆的设计空间（两个大胆级别的许多因素）开始，并进行细分设计，然后进行迭代。 每次迭代都会引导实验者在更理想的水平上获得更小的因素集，并有望获得最佳的设计空间和预测模型。 在许多情况下，这些设计是附加的并且很容易去锯齿。 当您的知识连续性较低时也可以使用它们。 也许，对于非统计学家来说，它们也更容易教授。 “缺点”是它们假设线性关系，至少在最初的设计中是这样。 这是一个不错的假设，因为我们通常基于层次结构构建模型。 如果实验者有一个合理的模型作为开始，并且对非线性效应持怀疑态度，那么线性假设可能是不需要的。 接下来，您可以用中心点增强经典设计来测试非线性效应，但非线性效应并不具体。
DSD 提供了在设计中包含 3 水平因子的机会，从而估计二次效应。 当然，这意味着您的因素必须是定量的，但有一些选项可以在 DSD 中包含分类因素（请参阅参考论文）。 它们能够非常有效地以相对较好的分辨率评估相对大量的因素（毕竟它们是为了筛选设计）。 它们还可以以一定的精度检测与线性假设的偏离。
选择适当的设计始终取决于具体情况。 有许多标准会影响决策。 而且，顺便说一句，在您了解因果结构之前，不可能知道什么是“正确”的设计。 我的建议是总是根据您选择的实验因素设计多个实验。 预测每个选项可以获得哪些知识（例如，什么阶模型、设计精度、推理空间、级别设置等）以及您将如何利用这些知识。 权衡获得的潜在知识与所需资源。 选择一个设计并准备迭代。
