什麼時候應該只評估主效應？ （非主+二階交互）你好，
我想知道什麼情況下需要只評估主效應，而忽略交互效應。
我和一位同事對於如何進行篩選設計有不同的方法，因此我想了解其他人的想法。
我們可以假設如下：
- 這是一個篩選設計（假設 4 個因素 - 2 個等級）
- 到目前為止，我們對相互作用一無所知，理論上，任何相互作用都可能存在
- 材料（實驗#）與時間不限
- 可以執行後續 DoE 來增強模型
我欣賞效率，並且在可能的情況下總是將實驗轉向「貪婪科學家」的心態，但是，我不會在損害模型本身的情況下這樣做。我擔心的是，當互動可能存在時，如果實施僅主效應設計，則可能無法識別互動。如果因為發現主效果不顯著而從螢幕中消除了一個因素，那麼如果存在潛在的正交互作用，難道不會冒著確定真正最優值的風險嗎？
實驗設計回覆：什麼時候應該只評估主效應？ （非主+二階交互）這是我的想法：
首先澄清一下，當您執行因子設計時，交互作用是存在的，它們只是可能是別名的，因此不能具體分配。你的擔憂是合理的。但是，如果您致力於順序實驗，那麼您在解釋初始實驗時所犯的錯誤將在下一次迭代中被發現。
沒有一種正確的實驗方法。鑑於您提出的情況，我有以下評論：
1. 4個因素並不是一個篩選設計。您可以在 8 次處理中執行 resIV 中的 4 個因子。我認為篩選設計有 ≥5 個因素，在這種情況下，您開始意識到分級設計和序貫設計的好處。
2.我總是從SME（領域知識）開始，作為確定解決方案的基礎。我建議預測一階效應和二階效應的排序。二階效應是否可能/可能？隨著排名順序中二階效應的上升，請考慮更高解析度的設計。
3.考慮設計空間。高階效應（例如交互作用和曲率）發生在空間內部。因此，第一個目標是將您的空間移動到「接近」最佳狀態（當然，沒有人知道最佳位置在哪裡......我們依靠 SME 提供指導）。然後擴大空間。如果你遠未達到最佳狀態，那麼在空間內學習可能效率不高。我們都知道兩點之間最快的方式是直線，因此使用 2 個等級的因子來移動空間。這就是篩選背後的想法。對許多因素進行實驗，希望找到能夠快速移動空間的因素，並專注於重要因素。
4.不要忽視噪音。幾乎在每種情況下，您操縱的因素數量始終只是所有因素的一小部分。你和其他人做什麼？正確的答案不是讓它們保持不變。您應該使用什麼策略來分割和分配雜訊（例如，重複、重複、分塊、裂區、嵌套）？恕我直言，這是實驗中最具挑戰性的部分，也是教學最少的部分。不幸的是，該軟體沒有提供指導。
在所有情況下，設計多個實驗。比較和對比。每個因素在分配、混雜和限制因素效應方面會做什麼？將其與資源進行權衡並選擇一個。
“你所設計的最好的設計就是你運行後設計的設計”
回覆：什麼時候應該只評估主效應？ （非主+二階交互）感謝您的詳盡解釋。只是為了確認，如果篩選設計混淆了交互，它是否仍會將交互中的每個因素識別為重要的？然後可以進行進一步的實驗，透過交互作用來尋找混雜因素？
例子：
主效果畫面：
型號：X1、X2、X3、X4
發現的重要因素：X1、X2、X3
D/I 最優：
型號：X1、X2、X3、X1*X2、X2*X3（可能是 X1^2、X2^2、X3^2）
在這個例子中，有合理的證據表明X4沒有提供與X1-X3的任何交互作用嗎？
謝謝
回覆：什麼時候應該只評估主效應？ （非主+二階交互）這是一個很好的問題，但不幸的是答案並不是確定的。雖然我們確實認為稀缺性、等級制度和遺傳性原則（為了使高階效應活躍，至少有一個父母應該活躍）是指導原則，但它們並不是絕對的。有趣的是，F=ma... m （質量）和a （加速度）主效果不在模型中。只有互動。
在某些情況下，別名結構是已知的，因此您可以推測哪些可能的（混雜的）效果是活躍的。這些可以在後續研究中分開（例如折疊）。部分混疊的實驗更難分解。雖然在分析第一個實驗之前不會決定您在下一次實驗迭代中實際要做什麼，但您應該預測所有可能的結果並預見所有可能性。
