如何在最终屏幕中选择遗传规则你好，
在执行 DSD 时，您可以选择对二次函数和交互作用应用“遵循强遗传”规则。
我认为这限制了模型，并且只允许包含两者作为主要效果的交互作用。我不确定这对于二次方程如何起作用，除非它只允许被发现也具有主要影响的二次方程。
在评估 DSD 时，如何确定最适合您的数据的“最佳”模型？根据我在这里选择的选项，我得到了非常不同的答案，因此在继续进一步的设计之前，我想为我的选择提供一些指标/理由。
实验设计视窗回复：如何在最终屏幕中选择遗传规则以下是我的想法，如果你觉得它们有争议的话，可以忽略：
1. 减少对历史知识的依赖，更多地依赖主题知识。您需要大量数据来支持与科学/工程理论相反的模型。
2.我对你的用词感到困惑......我不明白“统计特征”或“统计构建”是什么意思。我们使用统计学作为理解因果结构和建立实证模型的有效且高效的方法。
3. 我们使用一些原则作为使用分数阶乘加深对因果结构的理解的指导：
- 稀缺性（对于一个有用的模型来说，有很多因素是有用的）
- 层次结构（一阶>二阶>>三阶...等）我们通常按照泰勒级数顺序构建模型。
- 遗传（为了激活更高阶的效果，至少 1 个亲本必须激活）。当存在相同顺序的显着效应并且层次结构无法提供关于哪个是主动效应的指导时，使用此方法。
这些仅供参考，并不总是正确的（它们本身不是规则）。如果遵循这些指导原则后，您仍然无法从一系列混叠效果中选择显着效果，则需要运行更多治疗。相对于设计空间，您运行这些额外运行的位置取决于具体情况。
4. 构建模型时，需要考虑许多因素。首先（也是最重要的）是科学或工程论证（假设）。然后是一些有用的统计数据，例如：
- RMSE（RMSE越小的模型越好）
- p 值（统计显着性，假设 MSE 是随机误差的良好估计）
- Delta R-square-R-square adjustment（Delta 越大，模型越有可能被过度指定）
- 残差（NID（0，方差））
同样，没有一个是确定的，需要根据数据的获取方式和情况进行解释。
5. 没有一种 DOE 策略是最有效或最高效的。选择合适的实验策略取决于具体情况。我的建议始终是设计多个实验，评估可以从每个实验中学到什么，并将其与所需的资源进行对比。然后选择一个并准备进行迭代。
回复：如何在确定性筛选中选择遗传规则嗨马克，
我对这个过程有一些历史知识，因为我们现在要回过头来统计描述一个不是统计构建的复杂系统。
我想说，消除遗传规则提供了更多预期趋势，但我想为我的选择提供理由，而不是说“基于广泛的历史知识”。我将来想使用 DSD 平台，并希望得到一些同事的支持。
有没有办法确定何时使用遗传规则（统计经验法则、某种设计/数据评估技术等）
如果不是，那么在多个场景下执行确认运行并确定哪种模型更适合您之前提到的最佳流程是否是最佳流程？
回复：如何在最终屏幕中选择遗传规则强制遗传是限制性最强的搜索，放松遗传是限制性最小的搜索。这两种形式的搜索可能会导致不同的解决方案。这些解决方案取决于现有的数据（没有其他信息）和解决方案的方法。
您是否拥有有关因素影响的先验信息来指导您选择哪种模型最合理？
您可以使用这两种解决方案来预测相同条件（即因子设置）下的响应，然后执行验证性运行以验证（希望如此）其中一个模型。
回复：如何在最终屏幕中选择遗传规则首先，查看 JMP 帮助中 Fit Definitive Screening Platform 的统计详细信息
