在筛选设计中考虑所有二次和二元效应你好，
我使用 JMP Pro 17 进行优化研究。我的问题有 13 个设计变量，我尝试执行筛选设计。
我从“DOE --> 经典 --> 两级筛选 --> 筛选设计”菜单执行筛选设计。作为筛选类型，我选择“从部分因子设计列表中选择”( Picture1_DOE_ScreeningDesign )。
我接下来选择的选项如下：
'运行次数：32，
块大小：-，
设计类型：分数阶乘，
分辨率-什么是可估计的：4-一些2因素相互作用，
运行顺序：保持相同，
中心点数量：1'。
当我单击“制作表格”时，会弹出“分数阶乘”窗口（ Picture2_FractionalFactorial_FitModel的左侧部分）。
在进行列出的 33 个实验后，我填充 Y 列，并从“分析 --> 拟合模型”菜单中拟合问题的模型以进行筛选设计。在“拟合模型”窗口中，JMP 列出了“构造模型效应”的默认参数，其中包括主效应和一些二元交互作用（ Picture2_FractionalFactorial_FitModel的右侧部分）。还可以使用“添加”和“交叉”按钮将其他参数添加到此列表中。当我尝试添加所有二元和二次项 ( Picture3_AllEffects_ParameterList ) 并单击“运行”按钮时，我发现某些项会导致奇点，如“奇点详细信息”列表中所示（图：Picture4_AllEffects_SingularityList或Picture5_X1X12_X2X5 ）。
然而，当仅将奇点列表的每行中的项添加到“构造模型效应”列表中时，不会获得奇点，并且单行上的每个项都具有相同的 Logworth 值。我的猜测是，JMP 在“分数阶乘”中构建了实验集，这样奇点列表的一行中给出的项的影响就已经被考虑在内。例如，列出了 33 个实验，使得“X1*X1 和 X2*X2”或“X1*X12 和 X5*X2”的效果（Logworth 值）始终相同。 （图：Picture5_X1X1和图：Picture6_X2X2或图：Picture7_X1X12和图8：Picture_X2X5 ）
如果是这样，我需要一个物理解释，解释为什么我不能考虑所有二元和二次效应的个体效应。是否可以使用 JMP 进行 2 水平（仅采用每个设计变量的最小值和最大值）筛选设计研究并考虑所有二元和二次相互作用？也许从菜单中选择不同的选项会对我有帮助。
感谢您提前的答复。
此致，
塞达·卡瓦克
PS：我最近遇到了类似的讨论（ 已解决：响应面实验中没有二次效应 - JMP 用户社区），因此我想标记@statman 。感谢您的时间和考虑。
实验设计回复：在筛选设计中考虑所有二次和二元效应你好@ceydakavak ：对你的问题的简单回答“我需要一个物理解释，解释为什么我不能考虑所有二元和二次效应的个体效应。”是：你只有 33 次运行。通过 33 次运行，您不能指望估计 104 个参数（13 个主效应、13 个二次效应和 78 个成对相互作用）。您只有 33-1 = 32 个总自由度，因此这是您可以估计的最大效应数：所有主效应和一些双向相互作用；奇点细节中公共行的影响彼此无法区分，因此每行只能估计一个。从纯粹的统计角度来看，无法知道对给定行的哪种影响是正确的（这可能来自您对科学/过程的理解）。筛选设计通常只是为了查看哪些主效应是活跃的主效应。然后，您可以将主效应的子集纳入进一步的研究中，以便通过考虑相互作用、二次效应等来优化等。
也就是说，您对 33 次运行的 13 个因子的要求太多了。
回复：在筛选设计中考虑所有二次和二元效应如果是这样，我需要一个物理解释，说明为什么我不能将所有二元效应和二次效应的个体效应都考虑进去。能否使用 JMP 进行一个两水平（仅取每个设计变量的最小值和最大值）筛选设计研究，并考虑所有二元和二次相互作用？或许从菜单中选择不同的选项会对我有帮助。
正如 MRB 所解释的，您的 DF 不足以在模型中包含所有期望的效应（因此存在奇异性）。当 JMP 遇到这种情况时，它会继续运行，但是它会从模型中最后输入的项开始删除，直到所有 DF 都分配完毕。这就是为什么您仍然会得到拟合模型输出的原因。
你能分离所有二阶线性和非线性效应（即你所说的二阶和二次效应）吗？可以，但需要足够多的处理才能做到这一点。使用部分因子分析时，我们遵循以下原则：
1.稀缺性：对于有用的预测模型来说，只有少数显著活跃的效应
2.层级结构：1级效应>2级效应>3级效应>4级效应。按层级顺序构建模型
3.遗传：主要用于分析，试图帮助区分同阶的混叠效应。为了使二阶及以上效应有效，至少有一个亲本（主效应）有效。
第四个原则，或许也是最重要的原则，是实验结果必须符合工程或科学意义。我建议在进行实验之前预测这些可能的影响。这可以减少实验解释中的偏见。
我的建议是，既然你正在进行筛选，就优先考虑你真正预测会起作用的效应。不要试图在第一个研究中就把所有效应都分开。这样做效率低下（所有13个因子、所有二阶交互作用和所有二次效应都起作用且显著的可能性有多大？你在最佳水平上测试这些因子的可能性有多大？）。相反，在设计筛选实验时，要考虑到你将进行迭代。第一个实验旨在帮助设计更好的实验（例如，更少的活跃因子列表和更好的水平设置）。如果你怀疑设计空间中存在非线性效应，可以添加中心点运行来有效地检验这一假设。
