通过 JMP 验证并使用现有的最终筛选设计？你好，
我通过 ChatGPT 4.0 获得了 DOE 实验的最终筛选设计。它看起来很合理（经过多次讨论）。JMP 能否验证最终筛选设计是否可接受？如果我有现有的最终筛选设计，我可以使用它，然后通过 JMP 评估此类测量的实验结果吗？还是 JMP 仅评估其自己的设计？
实验设计回复：通过 JMP 验证并使用现有的最终屏幕设计？嗨@Thommy7571 ，
第一点：如果您有 JMP，我强烈建议您使用它，而不是依赖大型语言模型来创建 DoE，因为 LLM 无法（根据设计）推理、规划和计算。一般来说，当您期望事实、计算或分析时，请不要使用 LLM。根据训练集，它可能会提供可接受的答案，但情况并非总是如此（并且可能无法重现）。
在数据表本身上，还有几个方面需要检查，例如：
- 每个连续因子有 3 个级别 (-1, 0, 1)，
- 设计中的运行以折叠对的形式出现，其中至少有一个运行位于实验空间的中心。
如果您有数据集并想检查其组织方式，我建议使用平台评估设计 (jmp.com) 。使用确定性筛选设计并对其进行评估时，您可能会注意到几个方面：
- 查看主效应的功效分析，对于相同类型的因子，您应该具有相同（或非常相似）的功效值（此处 X1 至 X5 是连续的，X6 是具有 2 个级别的分类）：
- 相关性颜色图：主效应之间以及主效应和双因子相互作用之间应该没有相关性，因此最终会得到这种模式：
在这里，由于存在分类因子 X6，我在主效应区域中的相关性非常小，但是如果您只有连续因子，那么您将不会有这么小的边界。查看 Alias 矩阵也有助于检查是否存在完全混杂（这可能存在于经典因子设计中）。
- 查看散点图矩阵也有助于了解 DSD 的特定结构以及因素之间缺乏相关性：
更多信息请见： 引入确定性筛选设计 - JMP 用户社区
最后，如果您有 JMP 并且仍想检查 ChatGPT 4 生成的设计，您可以使用 JMP 生成具有相同设置和因子数量的 DSD，并使用平台Compare Designs (jmp.com)检查是否存在任何异常或强烈差异。
希望这个答案能帮到你，
回复：通过 JMP 验证并使用现有的最终屏幕设计？简而言之，JMP 可以评估任何数据集。但分析是否能有所收获则是另一个问题。
回复：通过 JMP 验证并使用现有的最终屏幕设计？您好，谢谢您的回答。也许 ChatGPT 不是最佳的，但还有其他选择，无论是另一个程序还是同事的设计。那么这是否意味着我可以使用其他软件创建设计，然后通过 JMP 测试、编辑和使用它？如果之后还可以编辑标准设计（非随机），即添加几个中心点、随机化等，那就太好了。这可能吗？
回复：通过 JMP 验证并使用现有的最终屏幕设计？简短的回答是“是”。您可以将几乎任何设计导入 JMP。一般方法是使用原始应用程序创建设计，然后将其保存为某种文件格式。JMP 能够本地导入许多不同的文件格式。请参阅文档。如果没有其他操作，请将文件保存为某些常用格式，例如 .xls 工作表，然后只需将其复制/粘贴到 JMP 中即可。一旦设计进入 JMP 数据表，它就可以像任何其他 JMP 数据表一样完全可编辑。
不过，现在情况是这样的……当您使用 JMP 本地创建设计时……会与普通的 Jane 处理组合一起创建大量元数据。JMP 在后台使用这些元数据来处理与可视化和分析相关的所有事情。通常，导入的文件不附带任何元数据……因此，您可能最终会花费大量时间将元数据添加到每一列，以使 JMP 在您的分析工作流程、结果和 JMP 报告中按照您的意愿运行。
所以这个故事的寓意是...如果你已经使用 JMP 进行分析...你为什么要去其他地方创建设计？对我来说这毫无意义。我能想到的唯一原因是其他人创建了设计。进行了实验，现在要求你分析结果。
回复：通过 JMP 验证并使用现有的最终屏幕设计？@Victor_G ，警告，新手问题，抱歉打扰了这次对话。JMP 中的 DSD 让我感到惊讶的是，设计中添加的前 6 个因子的试验次数始终保持在 17。只有第 7 个因子的试验次数才会增加到 21。为了完整起见，我为一个因子添加了一行，尽管这样做意义不大。
| 因素 | 区块 | 加跑次数
（JMP 默认） | 试验
（全部的） | 力量
（截距） | 力量
（除截距外的任何术语） |
| 1 | 1 | 4 | 17 | 0,97 | 0,937 |
| 2 | 1 | 4 | 17 | 0,969 | 0,935 |
| 3 | 1 | 4 | 17 | 0,967 | 0,932 |
| 4 | 1 | 4 | 17 | 0,965 | 0,929 |
| 5 | 1 | 4 | 17 | 0,963 | 0,925 |
| 6 | 1 | 4 | 17 | 0,959 | 0,92 |
| 7 | 1 | 4 | 21 | 0,988 | 0,975 |
| 8 | 1 | 4 | 21 | 0,987 | 0,973 |
| 9 | 1 | 4 | 二十五 | 0,997 | 0,992 |
| 10 | 1 | 4 | 二十五 | 0,996 | 0,992 |
问题:
- 为什么 JMP 使用很少的因素就已经建议进行如此多的运行，并且为什么只有在引入第 7 个因素后运行次数才开始改变？
- 从因素的功效分析来看，从第一个因素到第六个因素的增量减少看起来微不足道。为什么？
- 我是不是误解了什么？
回复：通过 JMP 验证并使用现有的最终屏幕设计？嗨@Thommy7571 ，
是的，您可以使用平台评估设计（jmp.com）评估任何设计。
您可以使用平台比较设计 (jmp.com)比较多种设计。
最后，如果您想更改因子范围、模型项、约束、添加中心点、重复或任何其他内容，您可以使用Augment Designs (jmp.com)平台。在任何设计构建的最后，在创建数据表之前，总是会提出随机化：
JMP 帮助部分有几个关于增强设计的用例的示例：复制设计、添加中心点、折叠、轴点、空间填充增强。
所有这些操作都可以使用任何来源的任何设计来完成，只要您可以以 JMP 识别的格式上传数据： 导入您的数据 (jmp.com)但正如@P_Bartell提到的，您可能需要对因子和响应列属性进行一些手动准备，以添加特定属性，帮助 JMP 识别如何处理来自 DoE 的因子和响应： 列属性 (jmp.com)
希望这个回复能解答你的疑问，
回复：通过 JMP 验证并使用现有的最终屏幕设计？是的，您的回答总是很有帮助。谢谢！
回复：通过 JMP 验证并使用现有的最终屏幕设计？你好@Ressel ，
我强烈建议阅读 Bradley Jones 关于 DSD 的博客文章，以更好地了解其用途：
引入确定性筛选设计
确定性筛选设计 (DSD) 的正确使用和不当使用
关于您的问题：
- DSD 并非是“一刀切”式的筛选方法，其目的是优化和减少涉及 5 个以上因素的筛选实验的运行次数。在 5 个因素以下，有“更好”或更适合的筛选设计方案：D 最优设计、经典筛选设计，甚至响应曲面设计。
如果因子低于 7 个，JMP 会创建一个 DSD，其中最低要求运行 7 个因子（17 次运行），并将未使用的因子视为“假因子”以增加功效。这解释了为什么在涉及 2 到 6 个因子的设计中功效会略有下降，因为实验设计中使用的因子越多，可用于增加功效和项估计精度的额外运行就越少。对于第 7 个因子，您需要添加额外的运行（JMP 建议 4 次）来增加功效，因为不再有假因子了。
- 对于 DSD，最小运行次数随因子 m 的数量线性变化：
- 当因数 m 为偶数时，2m+1
- 当因子m为奇数时，为2m+3。
这解释了为什么具有 7 个和 8 个因子或 9 个和 10 个因子的设计具有相同的所需运行次数。
- JMP 建议的额外 4 次运行相当于在 DSD 中添加 2 个假因子。您可以进行测试并比较设计（具有 4 次额外运行的 DSD 和具有 2 个假因子的 DSD），它们应该是相同的：
希望这个答案能帮助你:)
