如何使用自定义 DoE 平台执行迭代 DoE 方法你好，
我过去读过一些关于如何处理 DoE 和模型细化的方法的文章。我看到的一种方法是使用增强设计选项构建模型，它被描述为一个迭代过程。
通过这种方式，您可以在初始阶段执行更多筛选类型的自定义 DoE、评估模型、简化模型，然后增强设计以进一步优化和减少方差。
1. 作为一种模型细化方法，这个过程看起来合理吗？
2. 使用此方法您将采取哪些步骤来完善您的模型？
- 筛选是否应该同时评估主效应和交互效应，还是应该从主效应开始，然后再进行二阶交互作用？
- 如果发现主效应“微不足道”，这是否意味着也没有潜在的相互作用效应？
- 您是否应该在筛选阶段添加中心点来检测曲率？
- 您应该在这个阶段添加重复吗？ （我听说当评估大影响而不是低方差时，这可能是不必要的）
- 何时应添加重复/关注方差减少？
提前致谢！
实验设计预测建模和机器学习视窗回复：如何使用自定义 DoE 平台执行迭代 DoE 方法我会尝试一下。请原谅我的“演讲”。
构建模型没有“一种方法”。考虑到具体情况，某些方法可能更有效或更高效，但这一切都取决于具体情况。我还建议，该模型必须有用。
一个好的模型是一种近似值，最好是易于使用，它捕获了所研究现象的基本特征，并生成对可能偏离假设的情况具有鲁棒性的程序
GEP盒
我使用科学方法（即归纳演绎的迭代过程，例如戴明的 PDSA 或 Box 的迭代学习过程）作为所有调查的基础。
应说明推动力或动机（例如，降低成本、提高性能、响应客户投诉、添加功能等），但应小心，因为这可能只是一种症状。应该决定这是一项研究来解释已经发生的事情，还是一项旨在理解因果结构的研究（我倾向于理解因果关系）。此外，还必须了解限制是什么（例如资源、紧迫感）。从情况诊断开始（例如，提出问题、观察、数据挖掘（这可能包括不同的回归类型程序）、协作、潜在解决方案、测量系统等）。适当的回应是什么？是否有兴趣了解集中趋势、变异或两者兼而有之。响应变量是否适当地量化了现象？我已经无数次看到问题出在变化上，但反应却是平均的。那永远不会起作用。
提出假设。一旦有了一组假设，就可以获取数据来深入了解这些假设。适当的数据收集策略取决于具体情况。如果有许多假设或因素（例如，>15），最有效的方法可能是使用定向抽样（例如，变异成分，MSE）研究。这些数据应该有助于指导哪些组件具有最大的影响力。随着“嫌疑人”名单变得越来越小，也许实验可以加速学习。这可能会遵循一系列迭代，但实际的“最佳”序列可能未知。从大的设计空间开始（例如，很多因素和大胆的水平）是错误的。这可能是对该设计空间的某种部分实验。要意识到，高阶效应（例如，相互作用和非线性）仍然存在，它们只是可能会被混淆。让数据以及您对数据为您提供的见解的解释作为指导。
关于噪声（例如，进料、环境条件、测量误差、操作员技术、客户使用等），我认为这是最常被错过的机会。直觉上，我认为我们的偏见是在实验时保持那些未经测试的因素不变。这是完全错误的。这会缩小推理空间并降低结果在未来成立的可能性。了解噪声仅次于了解一阶模型。想想你曾经设计过的最大的实验。想想研究中有多少因素。该实验占所有因素的比例是多少？不幸的是，该软件并不能真正提供如何正确研究噪声的指导。
“阻止你能阻止的，随机化你不能阻止的”，GEP Box
在研究设计因素（例如定制、最优性、DSD）的最有效方法上花费了很多，但在将噪声纳入研究中花费很少。如果您处于错误的位置，我不确定复杂的模型对您有什么作用。不确定它可以在软件程序中“自动化”吗？它需要批判性思维。
关于您的具体问题：
- 筛选是否应该同时评估主效应和交互效应，还是应该从主效应开始，然后再进行二阶交互作用？
建议是分层开发模型。您的问题可能不是“评估”，而是估计或单独？一切都取决于你知道什么和不知道什么。假设错误：你知道的不多！
- 如果发现主效应“微不足道”，这是否意味着也没有潜在的相互作用效应？
绝对不。我给你 F=ma （主效应 m 或 a 都不显着）
视情况而定。您怀疑非线性效应吗？为什么？您是否处于非线性效果有用的设计空间中？
- 您应该在这个阶段添加重复吗？ （我听说当评估大影响而不是低方差时，这可能是不必要的）
- 何时应添加重复/关注方差减少？
你需要一个噪音策略。复制只是其中之一。同样的问题是设计空间中的噪声是否与您想要的位置附近的噪声相似？如果是的话，现在就研究一下。
实验条件的精确标准化常常被轻率地宣传为万能药，但它总是带来真正的缺点，即高度标准化的实验只能提供标准化所达到的狭窄条件范围内的直接信息。 因此，当这些条件有所不同时（实践中总是如此），标准化会削弱而不是加强我们推断相似结果的基础。
- RA Fisher (1935)，实验设计（第 99-100 页）
回复：如何使用自定义 DoE 平台执行迭代 DoE 方法谢谢你这么周到的回答。这让我在设计方面有了更多的思考。
我确实有一些后续问题。我想找到一种有效的方法来最大限度地减少改进 9 个连续因子模型所需的运行次数。我们有一个使用非统计方法创建的流程，因此我们现在正在使用 JMP 进行评估以确保没有意外......目标是评估和删除不重要的组件，然后在我们的设计空间内构建有效的预测模型。我从事净化工作，并且有有限的响应（回收率/纯度）。因此，对我来说，每个因子在广泛的测试范围内都应该有一个最优值（二次元素）。
我认为一般的思维过程是进行筛选，去除不重要的因素（主要影响和相互作用），然后通过增强设计来关注二次函数和减少方差。
- 你怎么知道哪些互动是重要的？
- 我正在研究缓冲液的改进，其中有许多成分我们不确定其相互作用
- 对于自定义应用程序，如果您假设必须评估所有交互，则“屏幕”会变得非常大（48 次运行）
- 当使用非自定义筛选选项时，如何知道正在评估哪些交互？
- 如果你依赖于诸如权威屏幕或经典屏幕之类的应用程序，它更接近 30 次运行
- 我对这个选项感到不太舒服，因为我不确定哪些互动会被评估，哪些不会被评估
确实，对交互作用进行排序似乎是运行的主要工作。我想确保自己能高效地完成这项工作。
谢谢！
回复：如何使用自定义 DoE 平台执行迭代 DoE 方法这是我的想法。不幸的是，我并不彻底了解您的流程，所以请记住这一点。
“我想找到一种有效的方法来尽量减少改进 9 个连续因子模型所需的运行次数。”
在 1 次实验中最小化？您计划进行迭代吗？总体实验预算是多少（例如时间和资源）？运行次数越少，分离和分配效果的自由度就越小。
“我们有一个使用非统计方法创建的流程，因此我们现在正在使用 JMP 进行评估，以确保不会出现意外。”
最终，您需要一个有用且稳健的预测模型。您如何得出模型可能会影响资源，但统计数据并没有什么神奇之处。对我来说，“没有意外”意味着一个稳定、一致的过程，对噪音具有鲁棒性。评估稳健性的唯一方法是让研究中的噪音发生变化。这也意味着时间序列。这不是实验中的重点，实验中故意损害时间序列以加速对模型的理解。
“目标是评估和去除不重要的组件，然后在我们的设计空间内建立一个有效的预测模型。”
一些文字锻造...目标是建立一个有效（有效）、高效（具有成本效益）、有用（可管理）、可预测（一致且稳定）且对噪音具有鲁棒性的模型。当然，您可能要考虑持续改进的概念？随着技术的发展会发生什么？随着新材料的开发或改造？随着测量和测量系统的改进？随着客户要求的变化？
“对我而言，每个因素在广泛的测试范围内都应该有一个最优值（二次元素），这是有道理的”。
为什么是二次函数？你只关心线性偏差是否显著。管理线性模型要容易得多。目标不是得到一个能准确预测的模型。这些模型通常过于复杂，只能在狭窄的空间内工作。
“你怎么知道哪些互动是重要的？”
我会从 SME 开始。哪些交互有意义？哪些交互被预测？为什么？（假设）。我会将模型效果按 2 阶排序。随着 2 阶效果在列表中的上升，增加分辨率的需求也会上升。经典正交设计在连续工作中非常有用，因为混叠结构是已知的，而且不是部分的。虽然您可能在开始时花费资源进行更多运行，但在后续实验中消除混叠会更容易。无论如何，为 9 个因素设计多个选项（在 JMP 中轻松完成）。评估每个设计选项在可能获得哪些知识方面会做什么（例如，哪些效果将被分离，哪些将被混淆，哪些不会出现在研究中）。将这些选项与完成所需的资源进行对比。预测每个设计的所有可能结果。预测每个可能结果将导致什么行动。选择您预测将是知识和资源之间最佳折衷的设计。运行它。准备迭代（应该预测迭代）。
“当使用非自定义筛选选项时，如何知道正在评估哪些交互作用？ ”
JMP 将为每个提议的设计提供别名结构。
我同意，一般来说，你的设计越“定制”，混叠就越复杂。这就是部分混叠的风险。回报是当前设计中的运行次数减少。在连续实验过程中运行次数会减少吗？谁知道呢。
