为什么将 RSM 的连续因子设置为零不是一个好主意尊敬的 JMP 专家，
我经常遇到这样的情况：液体生物技术配方优化需要连续因子设置，包括最低因子设置为零（0、1、2）。这些请求通常来自那些习惯于使用 OFAT 进行实验的人，他们不直观地理解将因子设置为零的技术手段是进行分类因子设置。
有没有更好更实际的原因来解释这个？
预先非常感谢
数据探索和可视化实验设计回复：为什么将 RSM 的连续因子设置为零不是一个好主意嗨@DualARIMACougar ，
您的问题可能没有明确的答复，但这里有一些评论：
- 当 DoE 依赖于顺序迭代时，当您首先从筛选重要的主效应（通过筛选设计）开始，然后在重要因素上进行增强以探索更多的高阶效应（相互作用、二次效应）时，它是最有效的，最终在较小的实验空间中创建优化设计，重点是预测性和过程/产品优化。
根据您如何进行第一个步骤/设计，以及您是否/如何减少或扩大您感兴趣的实验空间，您的 RSM 的因素水平中可能不存在 0 级，因为在之前的步骤中这些因素被视为不重要可能已经被过滤掉了，其他重要因素可能有一个不包括0的兴趣范围来达到最佳值。然而，在初始步骤/设计（筛选）中将级别设置为 0 可能会非常有趣，因为它能够快速从系统中删除不重要/重要的因素，因为它肯定会突出显示存在和不存在之间的强烈差异。因素。
因此，取决于您是否直接进行优化而无需事先设计/步骤（因为您的因素数量有限，因此您可以包括级别 0 来检测重要效果并“映射”实验空间以进行优化）或依赖于顺序实验，您最终可能会有不同的范围和设计选择/增强。
- 如果您谈论的是配方优化，您可能正在使用混合物实验。如果您的实验空间或因素没有特定的约束，基于模型的混合设计的结构是非常“合乎逻辑的”，因为它将创建一个因素的实验，然后是二元混合，然后是三元混合，等等......取决于您假设的模型的复杂性。因此，您最终将得到混合因子级别为 0 的实验（对因子没有最小限制）。查看不同的设计类型和混合： 混合设计概述； 混合设计类型的示例
- DoE 中的问题定义（目标、因素和类型、级别、响应、模型等）是最重要的部分，也是领域专业知识发挥至关重要作用的部分。如果不了解您的用例，我无法评估包含 0 级别是否有趣。这是您试图解决的目标的一部分，以及有关因素的使用和处理的任何实际限制/考虑。然而，在因素范围内要“大胆”，能源部通常由于因素范围太窄而无法提供结果，而不是由于因素范围太宽。您始终可以减少设计增强中的实验空间，以专注于感兴趣的领域。
如果您试图让同事相信 DoE 比 OFAT 更有效，请尝试找到他们进行过 OFAT 的研究，为具有相同因素的同一主题创建 DoE，并使用比较设计平台来突出显示收益：减少所需的实验数量，更好的功效（因此可以更好地证明因素的重要性），减少实验空间的预测方差，更好地处理效应之间的相关性/别名，......
希望这些评论可以帮助到你
回复：为什么将 RSM 的连续因子设置为零不是一个好主意嗨维克多，
感谢您的回答。我们希望在鲁棒性研究过程中对每个因素使用三个因素设置来衡量因素变化的影响，中间为原始条件。对于一个因素，要求 0 作为最低因素设置，这在数学上（用于稍后拟合模型）有效，但在物理上该因素（化学赋形剂）在该条件中不存在。之前我从社区论坛的专家那里了解到，应该首选较低的因子设置而不是零。
我们没有能力进行筛选设计以及之后的优化设计。这就是为什么我们从 RSM 开始。
我希望这些信息能够提供一些见解。
多谢
