如何使用自訂 DoE 平台執行迭代 DoE 方法你好，
我過去讀過一些關於如何處理 DoE 和模型細化的方法的文章。我看到的一種方法是使用增強設計選項來建立模型，它被描述為一個迭代過程。
透過這種方式，您可以在初始階段執行更多篩選類型的自訂 DoE、評估模型、簡化模型，然後增強設計以進一步優化和減少變異數。
1. 作為一種模型細化方法，這個過程看起來合理嗎？
2. 使用此方法您將採取哪些步驟來完善您的模型？
- 篩選是否應該同時評估主效應和交互效應，還是應該從主效應開始，然後再進行二階交互作用？
- 如果發現主效應“微不足道”，這是否意味著也沒有潛在的相互作用效應？
- 您是否應該在篩選階段添加中心點來檢測曲率？
- 您應該在這個階段添加重複嗎？ （我聽說當評估大影響而不是低方差時，這可能是不必要的）
- 何時應添加重複/關注方差減少？
先致謝！
實驗設計預測建模和機器學習視窗回覆：如何使用自訂 DoE 平台執行迭代 DoE 方法我會嘗試一下。請原諒我的「演講」。
建構模型沒有「一種方法」。考慮到具體情況，某些方法可能更有效或更高效，但這一切都取決於具體情況。我還建議，該模型必須有用。
好的模型是一種近似值，最好是易於使用，它捕捉了所研究現象的基本特徵，並產生對可能偏離假設的情況具有穩健性的程序
GEP盒
我使用科學方法（即歸納演繹的迭代過程，例如戴明的 PDSA 或 Box 的迭代學習過程）作為所有調查的基礎。
應說明推動力或動機（例如，降低成本、提高效能、回應客戶投訴、添加功能等），但應小心，因為這可能只是一種症狀。應該決定這是一項研究來解釋已經發生的事情，還是一項旨在理解因果結構的研究（我傾向於理解因果關係）。此外，還必須了解限制是什麼（例如資源、緊迫感）。從情境診斷開始（例如，提出問題、觀察、資料探勘（這可能包括不同的迴歸類型程序）、協作、潛在解決方案、測量系統等）。適當的回應是什麼？是否有興趣了解集中趨勢、變異或兩者兼而有之。反應變數是否適當地量化了現象？我已經無數次看到問題出在變化上，但反應卻是平均的。那永遠不會起作用。
提出假設。一旦有了一組假設，就可以取得數據來深入了解這些假設。適當的資料收集策略取決於具體情況。如果有許多假設或因素（例如，>15），最有效的方法可能是使用定向抽樣（例如，變異成分，MSE）研究。這些數據應該有助於指導哪些組件具有最大的影響力。隨著「嫌疑犯」名單變得越來越小，也許實驗可以加速學習。這可能會遵循一系列迭代，但實際的“最佳”序列可能未知。從大的設計空間開始（例如，許多因素和大膽的程度）是錯誤的。這可能是對該設計空間的某種部分實驗。要意識到，高階效應（例如，交互作用和非線性）仍然存在，它們只是可能會被混淆。讓數據以及您對數據為您提供的見解的解釋作為指導。
關於噪音（例如，進料、環境條件、測量誤差、操作員技術、客戶使用等），我認為這是最常被錯過的機會。直覺上，我認為我們的偏見是在實驗時保持那些未經測試的因素不變。這是完全錯誤的。這會縮小推理空間並降低未來結果成立的可能性。了解雜訊僅次於了解一階模型。想想你曾經設計過的最大的實驗。想想研究中有多少因素。該實驗佔所有因素的比例是多少？不幸的是，該軟體並不能真正提供如何正確研究噪音的指導。
“阻止你能阻止的，隨機化你不能阻止的”，GEP Box
在研究設計因素（例如客製化、最優性、DSD）的最有效方法上花費了很多，但在將噪音納入研究中花費很少。如果您處於錯誤的位置，我不確定複雜的模型對您有什麼作用。不確定它可以在軟體程式中「自動化」嗎？它需要批判性思考。
關於您的具體問題：
- 篩選是否應該同時評估主效應和交互效應，還是應該從主效應開始，然後再進行二階交互作用？
建議是分層開發模型。您的問題可能不是“評估”，而是估計或單獨？一切都取決於你知道什麼和不知道什麼。假設錯誤：你知道的不多！
- 如果發現主效應“微不足道”，這是否意味著也沒有潛在的相互作用效應？
絕對不。我給你 F=ma （主效果 m 或 a 都不顯著）
視情況而定。您懷疑非線性效應嗎？為什麼？您是否處於非線性效果有用的設計空間？
- 您應該在這個階段添加重複嗎？ （我聽說當評估大影響而不是低方差時，這可能是不必要的）
- 何時應添加重複/關注方差減少？
你需要一個噪音策略。複製只是其中之一。同樣的問題是設計空間中的雜訊是否與您想要的位置附近的雜訊相似？如果是的話，現在就研究一下。
實驗條件的精確標準化常常被輕率地提倡為萬能藥，但它總是帶來真正的缺點，即高度標準化的實驗只能提供標準化所達到的狹窄條件範圍內的直接資訊。 因此，當這些條件有所不同時（實踐中總是如此），標準化會削弱而不是加強我們推斷相似結果的基礎。
- RA Fisher (1935)，實驗設計（第 99-100 頁）
回覆：如何使用自訂 DoE 平台執行迭代 DoE 方法謝謝你這麼周到的回答。它讓我在如何進行設計方面有很多考慮。
我確實有一些後續問題。我想找到一種有效的方法來最大限度地減少改進 9 個連續因子模型所需的運行次數。我們有一個使用非統計方法創建的流程，因此我們現在正在使用JMP 進行評估，以確保不會出現意外...目標是評估和刪除無關緊要的元件，然後在我們的設計空間內建立有效的預測模型。我從事淨化工作，反應有限（恢復/純度）。因此，對我來說，每個因素都應該在廣泛的測試範圍內具有最佳值（二次元素）是有意義的。
我認為一般的思考過程是進行篩選，刪除無關緊要的因素（主要影響和交互作用），然後透過增強設計專注於二次方程式和方差減少。
- 你怎麼知道哪些互動是重要的？
- 我正在研究緩衝區細化，有許多組件我們不確定相互作用
- 對於自訂應用程序，如果您假設必須評估所有交互，那麼「螢幕」就會變得非常大（48 次運行）
- 您如何知道使用非自訂篩選選項時正在評估哪些互動？
- 如果您依賴最終螢幕或經典螢幕等應用程序，則接近 30 次運行
- 我對這個選項感到更不舒服，因為我不確定哪些互動正在被評估，哪些沒有被評估
實際上，似乎對互動效果進行排序是運行的大部分內容。我想確保我能有效地做到這一點。
謝謝！
回覆：如何使用自訂 DoE 平台執行迭代 DoE 方法這是我的想法。不幸的是，我對您的流程沒有透徹的了解，所以請記住這一點。
“我想找到一種有效的方法來最大限度地減少改進 9 個連續因子模型所需的運行次數。”
在 1 次實驗中最小化？你打算迭代嗎？整體實驗預算是多少（例如時間和資源）？運行次數越少，可用於分離和分配效果的自由度就越小。
“我們有一個使用非統計方法創建的流程，因此我們現在正在使用 JMP 進行評估，以確保不會出現意外。”
最終您需要一個有用且穩健的預測模型。得出模型的方式可能會影響資源，但統計數據並沒有魔力。對我來說，「不出意外」意味著穩定、一致的過程，對噪音具有穩健性。評估穩健性的唯一方法是讓研究中的噪音變化。這也意味著時間序列。這不是實驗的重點，實驗中故意損害時間序列以加速理解模型。
“我們的目標是評估和刪除無關緊要的組件，然後在我們的設計空間中建立有效的預測模型。”
一些文字欺騙......目標是建立一個有效（有效）、高效（成本有效）、有用（可管理）、預測（一致和穩定）的模型，該模型具有穩健性（對噪音）。當然，您可能要考慮持續改進的概念？隨著科技的發展會發生什麼？隨著新材料的開發或適應？隨著測量和測量系統的改進？隨著客戶要求的改變？
「對我來說，每個因素都應該在廣泛的測試範圍內具有最佳值（二次元），這是有道理的」。
為什麼是二次方？只有當線性偏離很顯著時，您才會關心它們。管理線性模型要容易得多。目標不是獲得準確預測的模型。這些模型通常過於複雜且只能在狹窄的空間中工作。
“你怎麼知道哪些互動是重要的？”
我將從中小企業開始。什麼樣的互動才有意義？預測了哪些交互作用？為什麼？ （假設）。我會將模型效果排序為二階。隨著清單中二階效應的增加，提高解析度的需求也隨之增加。經典的正交設計在順序工作中非常有用，因為別名結構是已知的並且不是部分的。雖然您可能會在開始時花費資源進行更多運行，但在後續實驗中消除鋸齒會更容易。無論如何，為 9 個因素設計多個選項（在 JMP 中輕鬆完成）。根據可能獲得哪些知識來評估每個設計選項的作用（例如，哪些效果將被分離，哪些效果將被混淆，哪些效果不會出現在研究中）。將這些選項與完成所需的資源進行比較。預測每個設計的所有可能結果。預測每種可能的結果將導致什麼行動 選擇您預測將是知識和資源之間的最佳折衷方案的設計。運行它。準備迭代（應該預測迭代）。
“使用非自訂篩選選項時，您如何知道正在評估哪些互動？ ”
JMP 將為每個提議的設計提供別名結構。
我同意，一般來說，您的設計越“定制”，鋸齒就越複雜。這就是部分混疊的風險。回報是目前設計中的運行次數更少。在連續的實驗過程中它是否減少了？誰知道呢。
