DOE - 關於最終篩選設計與半因子或全因子設計的建議JMP 社群我希望您能提供協助。
我有一些來自美國能源部從業者的問題，他迄今為止的主要經驗是半因子或全因子設計，但有興趣使用最終篩選設計來研究 4 或 5 個因子。 這些問題是：
- 與 DSD 相比，經典兩水平因子設計有哪些優點和限制？
- 是否可以使用明確的篩選設計來擬合模型來估計 2 因素交互作用以及 4 或 5 因素的主效果和二次方程式？
- 我對此的有限訓練表明，DSD 主要用於估計大量因素的主效應，以建立較少數量的顯著因素。 然後對這些因素進行進一步的 DOE 研究。它是否正確？
- 響應曲面設計將實現曲率和所有相互作用的估計，但需要更多的運行。DSD 可以透過更少的運行來完成此任務嗎？
任何有關這些的建議將不勝感激！
最好的，
德克斯特
實驗設計回覆：DOE - 關於明確篩選設計與半因子或全因子設計的建議有許多討論 DSD 的論文和教程，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
布拉德瓊斯曾經有一個關於這個主題的部落格。
經典設計是正交/平衡的，如果以順序方法使用，會非常有效。 這個想法是從一個大膽的設計空間（兩個大膽級別的許多因素）開始，並進行細分設計，然後進行迭代。 每次迭代都會引導實驗者在更理想的水平上獲得更小的因素集，並有望獲得最佳的設計空間和預測模型。 在許多情況下，這些設計是附加的並且很容易去鋸齒。 當您的知識連續性較低時也可以使用它們。 也許，對於非統計學家來說，它們也更容易教。 「缺點」是它們假設線性關係，至少在最初的設計中是如此。 這是一個不錯的假設，因為我們通常會基於層次結構來建構模型。 如果實驗者有一個合理的模型作為開始，並且對非線性效應持懷疑態度，那麼線性假設可能不是所期望的。 接下來，您可以用中心點增強經典設計來測試非線性效應，但非線性效應並不具體。
DSD 提供了在設計中包含 3 個水平因子的機會，從而估計二次效應。 當然，這意味著您的因素必須是定量的，但有一些選項可以在 DSD 中包含分類因素（請參閱參考論文）。 它們能夠非常有效地以相對較好的分辨率評估相對大量的因素（畢竟它們是為了篩選設計）。 它們還可以以一定的精度檢測與線性假設的偏離。
選擇適當的設計始終取決於具體情況。 有許多標準會影響決策。 而且，順便說一句，在您了解因果結構之前，不可能知道什麼是「正確」的設計。 我的建議是總是根據您選擇的實驗因素設計多個實驗。 預測每個選項可以獲得哪些知識（例如，什麼階模型、設計精確度、推理空間、等級設定等）以及您將如何利用這些知識。 權衡所獲得的潛在知識與所需資源。 選擇一個設計並準備迭代。
