什么时候应该只评估主效应？ （非主+二阶交互）你好，
我想知道什么情况下需要仅评估主效应，而忽略交互效应。
我和一位同事对于如何进行筛选设计有不同的方法，因此我想了解其他人的想法。
我们可以假设如下：
- 这是一个筛选设计（假设 4 个因素 - 2 个级别）
- 到目前为止，我们对相互作用一无所知，理论上，任何相互作用都可能存在
- 材料（实验#）和时间不限
- 可以执行后续 DoE 来增强模型
我欣赏效率，并且在可能的情况下总是将实验转向“贪婪科学家”的心态，但是，我不会在损害模型本身的情况下这样做。我担心的是，当交互可能存在时，如果实施仅主效应设计，则可能无法识别交互。如果由于发现主效应不显着而从屏幕中消除了一个因素，那么如果存在潜在的正相互作用，难道不会冒着确定真正最优值的风险吗？
实验设计回复：什么时候应该只评估主效应？ （非主+二阶交互）这是我的想法：
首先澄清一下，当您运行因子设计时，交互作用是存在的，它们只是可能是别名的，因此不能具体分配。你的担忧是合理的。但是，如果您致力于顺序实验，那么您在解释初始实验时所犯的错误将在下一次迭代中被发现。
没有一种正确的实验方法。鉴于您提出的情况，我有以下评论：
1. 4个因素并不是一个筛选设计。您可以在 8 次处理中运行 resIV 中的 4 个因子。我认为筛选设计有 ≥5 个因素，在这种情况下，您开始意识到分级设计和序贯设计的好处。
2.我总是从SME（领域知识）开始，作为确定解决方案的基础。我建议预测一阶效应和二阶效应的排序。二阶效应是否可能/可能？随着排名顺序中二阶效应的上升，请考虑更高分辨率的设计。
3、考虑设计空间。高阶效应（例如相互作用和曲率）发生在空间内部。因此，第一个目标是将您的空间移动到“接近”最佳状态（当然，没有人知道最佳位置在哪里......我们依靠 SME 提供指导）。然后扩大空间。如果你远未达到最佳状态，那么在空间内学习可能效率不高。我们都知道两点之间最快的路径是直线，因此使用 2 个级别的因子来移动空间。这就是筛选背后的想法。对许多因素进行实验，希望找到能够快速移动空间的因素，并关注重要因素。
4.不要忽视噪音。几乎在每种情况下，您操纵的因素数量始终只是所有因素的一小部分。你和其他人做什么？正确的答案不是让它们保持不变。您应该使用什么策略来划分和分配噪声（例如，重复、重复、分块、裂区、嵌套）？恕我直言，这是实验中最具挑战性的部分，也是教学最少的部分。不幸的是，该软件没有提供指导。
在所有情况下，设计多个实验。比较和对比。每个因素在分配、混杂和限制因素效应方面会做什么？权衡这一点与资源并选择一个。
“你所设计的最好的设计就是你运行后设计的设计”
回复：什么时候应该只评估主效应？ （非主+二阶交互）感谢您的详尽解释。只是为了确认，如果筛选设计混淆了交互，它是否仍会将交互中的每个因素识别为重要的？然后可以进行进一步的实验，通过相互作用来寻找混杂因素？
例子：
主效果画面：
型号：X1、X2、X3、X4
发现的重要因素：X1、X2、X3
D/I 最优：
型号：X1、X2、X3、X1*X2、X2*X3（可能是 X1^2、X2^2、X3^2）
在这个例子中，有合理的证据表明X4没有提供与X1-X3的任何交互吗？
谢谢
回复：什么时候应该只评估主效应？ （非主+二阶交互）这是一个很好的问题，但不幸的是答案并不是确定的。虽然我们确实认为稀缺性、等级制度和遗传性原则（为了使高阶效应活跃，至少有一个父母应该活跃）是指导原则，但它们并不是绝对的。有趣的是，F=ma... m （质量）和a （加速度）主效应不在模型中。只有互动。
在某些情况下，别名结构是已知的，因此您可以推测哪些可能的（混杂的）效果是活跃的。这些可以在后续研究中分开（例如折叠）。部分混叠的实验更难分解。虽然在分析第一个实验之前不会决定您在下一次实验迭代中实际要做什么，但您应该预测所有可能的结果并预见所有可能性。
