DSD 解釋及後續步驟早安，我目前正在學習 JMP 和 DSD/優化。我進行了第一個實驗，希望能獲得分析和後續步驟的回饋。我正在使用 JMP Pro 17。
實驗目標：最大化磁性顆粒對細菌的捕獲/回收。
設定：我挑選了 7 個我認為可能影響結果的變量，並使用 22 次運行（2 個區塊 - 我需要 2 天來運行這麼多樣本）來測試它們。模型傳回 3 個變數顯著，但似乎 2/3 的變數可以從增加測試範圍中受益。我是根據預測刻畫器圖來這麼說的。這是可能且可行的（在某種程度上），因此我可以在更廣泛的範圍內重新測試它們。
1. 我是否需要使用所有 7 個變數重新執行 DSD，還是應該使用涵蓋這 2 個變數的新範圍的重要變數進行中心複合設計？我傾向於 CCD，因為我認為增加的範圍不會影響其他變數的重要性，然後我可以使用 CCD 來預測最佳參數。
2. 我假設 DSD 模型無法預測要使用的最佳參數，因為我沒有正確的範圍，這是對的嗎？或者我在某個地方錯過了那個輸出？我認為，由於 <50% 的變數很重要，因此該設計可以用於最佳化。
3. 我是否在輸出中遺漏了一些我應該查看的內容？再說一次，我是新手，輸出有很多數據要消化。我的目標是最終最大限度地恢復細菌，因此我專注於哪些變數是重要的，而不是輸出中的其餘變數。除了 alpha 值之外，是否還有我應該真正關注/特別注意的特定「事物」？我確實找到了一些關於能源部免費線上課程的消息，所以我會接受它，但我希望對我的輸出有具體的反饋，以便我可以用我自己的數據「關聯」該課程將教給我的內容。
我嘗試附加擬合輸出，但不斷收到一條錯誤訊息，指出不支援 JMP 檔案。我將其作為 PDF 附上。
預先感謝您的幫助/回饋！
實驗設計回覆：DSD 解釋和後續步驟嗨@Feline614 ，
歡迎來到社區！
恐怕可能沒有足夠的資訊來準確指導您針對您的主題，但我會盡力為您提供一些幫助和回饋。如需進一步指導，您能否分享一個匿名資料集（ Anonymize Data (jmp.com) ）以更好地評估和提供協助？
您的後續步驟是基於模型的輸出和統計顯著效應的偵測。看來您只嘗試過一種“Fit DSD”分析類型（這是 DSD 的建議分析），但是您是否嘗試過其他建模分析（如果您有 JMP Pro，例如“修剪前向選擇”，則可能是使用不同估計方法的廣義迴歸） （使用AICc/BIC 驗證方法）、「兩階段前向選擇」或最終的「最佳子集」（僅當因素數量有限時，因為它將測試許多具有主效應的模型以及高階項的許多組合） ，或只是測試逐步迴歸作為替代模型）？
在繼續前進之前，看看不同的可能模型是否在統計效應的檢測上達成一致，並檢查它們是否/在哪裡可能存在差異，這可能會很有趣。它可以更可靠地概述您研究中的重要因素和影響。
關於您的其他問題：
- 您可以使用增強設計平台來更改因素的範圍並探索不同的實驗領域。此選項可能比重新運行或創建新的 DoE（如 CCD）更有趣，因為從第一個 DoE 獲得的資訊將被保留，以最大限度地減少增強設計所需的運行次數。
關於保留所有因素或僅選擇重要因素的必要性，這取決於它們對模型的重要性/貢獻（統計上和效應大小），而且還取決於它們的範圍在增強中是否會改變。如果您不更改統計上不顯著且效應量較小的一個因素的範圍，則可以將其從增強的 DoE 中排除（並將其固定為特定值）以節省一些實驗預算。但是，如果一個因素的範圍發生變化，我會將其保留在增強中，以確保它不會在統計上變得顯著，並且不會對取決於範圍的響應變得重要。
- 看來你的模型看起來相當精確，除了遠離迴歸線的 2 個點。是否有實驗性改變/錯誤？因素的條件是否「不穩定」或在反應中造成高度不確定性？可能值得對這兩點進行調查，如果可能的話，也許值得重複它們，以區分“模型錯誤”和“實驗錯誤”。要回答您的問題，您還需要知道您的「預測不確定性可接受性閾值」和反應目標是多少：這裡您的模型的 RMSE 為 0.0797，它與實驗變異性相比如何？考慮到重複性/再現性的不確定性，該 RMSE 值是否可以被領域專業知識接受？您希望獲得的最大回應是多少？這些問題的回答將由模型的品質和領域專家的可接受閾值（預測平均響應和預測方差響應）驅動。
- 關於您的輸出，可能需要檢查一些事項： 失擬 (jmp.com)測試具有統計顯著性，可以用多種原因來解釋。也許您的重複的低方差（或其代表性，例如，如果它只是中心點，可能無法代表整個實驗空間中的變異性）可能是原因（因為您的純誤差較低），或者在某些模型中缺少高階效應可能是原因。
您也可以檢查前面提到的兩個「奇怪」點，並檢查迴歸假設（「按常態分位數繪製殘差」以檢查殘差的常態分佈假設，「按預測繪製殘差」以檢查殘差是否隨機分散在0 周圍） （同方差和線性假設） ，按行繪製殘差圖以檢查實驗的順序不會影響結果（觀察假設的獨立性））。
另外，我會嘗試使用區塊變數作為隨機效應（而不是此處模型中的固定效應），因為我理解這代表實驗完成的日期，所以它只是周/時間的子集您對一天對平均響應的固定效應不是特別感興趣，但可能更感興趣的是一天隨機效應對反應變異性的影響。您可以嘗試使用「擬合模型」平台來擬合混合模型，並將區塊效應指定為隨機： 混合和隨機效應模型報告和選項 (jmp.com)
使用天作為隨機效應也可能有助於更好地評估反應的變異性，並且可能對失擬檢定產生正面影響：變異不會歸因於模型誤差，因此此項可能會減少。
一些可幫助您理解 DSD 的資源：
引入明確篩選設計 - JMP 使用者社區
明確篩選設計 - JMP 使用者社區
Fit 最終篩檢平台 (jmp.com)
使用確定性篩選設計從更少的試驗中獲取更多資訊 - JMP 使用者社群
更一般地說，關於能源部：
美國能源部資源 - JMP 使用者社區
希望這個回答對你有幫助
回覆：DSD 解釋和後續步驟嗨@Victor_G，我非常感謝您花時間給我寫一份詳盡的回覆！
我附上了匿名資料集。
我運行了您提到的各種模型（附後），但“兩階段正向選擇”不是一個選項（它呈灰色）。逐步方法在0.12 處添加了一個變量，這看起來可能會對每個預測刻畫器的結果產生影響，但從生物學角度來看，在這個特定的實驗中，我不認為它是顯著的（我將用不同的方法重複這個實驗）細菌，我希望它在這些測試中很重要）。使用 AICc 和最佳子集 AICc 的「修剪前向選擇」將一個變數提高到 p=0.0564，但它對系統產生顯著影響具有生物學意義。使用 BIC 的「修剪前向選擇」和使用 BIC 的最佳子集類似於逐步添加 0.12。我還刪除了<0.05的變量，但它們並沒有改變其他因素的顯著性。
總的來說，我對模型選擇的變數並不感到驚訝，除了 X_7，我確信它會產生顯著的影響。
您是否有可以在初學者層級解釋這些模型的良好資源？我在 JMP 上找到了一些資源，但我只在大學裡學習了逐步方法。除了對 p 值的一般理解之外，我實際上不知道如何解釋你提到的其他模型。
1. 我創建了一個增強設計。我消除了 2 個變數（X_4 和 X_5），因為從生物學角度來看，它們在這個系統中不應該很重要（儘管它們可能在未來的測試中）。除了 2 個顯示出顯著性的因素（X_6 和 X_8）似乎受益於測試較高的範圍外，所有其他因素均保持不變。我沒有更改預設的運行次數，但確實阻止了它們。我應該更改運行次數嗎？您在大約 35:56 發送的影片（ 使用明確篩選設計從更少的試驗中獲取更多資訊 - JMP 用戶社群）指出 DSD 的弱點是「篩選的因子範圍可能不包括最佳值，因此後續設計將超過不同的範圍——確實無法增強。但是，正如您所建議的，我可以用不同的值來增強它......這會成為問題嗎？當我去分析數據時，我需要做一些不同的事情嗎？
2. 我可以重新運行這 2 點。當我輸入新結果時，我應該替換這些點還是以某種方式建立一個新區塊來包含新值？如果我需要建立一個新區塊，我該怎麼做？我無法解釋為什麼它們看起來是錯的；由於細菌濃度低（泊松分佈問題），左側的一點可能會有變異。右邊的對我來說有點令人困惑，但我正在研究細菌，所以時不時出現異常值並不異常。
對於 RMSE - 我對此有點困惑。我追蹤的 RMSE 較低應該是好的，並且會反映出該模型擅長預測結果。我找不到任何關於任何人做與我正在做的事情類似的事情的文獻，以知道可以將其與什麼進行比較。根據我對系統的了解，我預計這個特定的實驗不會有很多「噪音」。這種特殊的細菌和系統給了我相當一致的結果（我對不同的細菌有更多的變異性，但這是下週的問題）。
3.我打算重新運行兩個「奇怪」的點。我將迴歸假設添加到附件“擬合最小二乘法”中。預測圖的殘差可能有些聚類？
我同意，阻塞應該是隨機效應。我在另一篇討論文章中發現，您可以在最初進行設計時執行此操作，但我找不到要檢查的“框”（我假設隨機是預設值，但我想不是）。我把它設為隨機效果，它確實影響了偶數順序效果。不過，「不合適」框呈灰色……我不確定為什麼或這意味著什麼。簡單來說，當存在「偶階效應」時，當它是X_2*X_2時，意味著什麼。我理解它類似於 X_2*X_3 並且兩個變數之間存在交互，但我不明白變數如何與其自身交互。
感謝您提供的資源，它們非常有幫助，尤其是「幫助頁面」。我仍然對統計的水平感到不知所措，但我感謝您耐心地教導我並幫助我成為更好的科學家。這將是我眾多 DSD 中的第一個，我很高興從「最簡單」的開始！
回覆：DSD 解釋和後續步驟嗨@Feline614 ，
感謝您的答覆。下次提供JMP 文件而不是幾個excel 文件和pdf 文件可能會更容易，因為使用JMP 文件，您可以透過保存的腳本保留分析，並保留所有列資訊和屬性（特別是對於DoE，因為每個因素可能有最多 3 個列屬性，從 Excel 匯入資料時需要手動新增）。
您創建的不同模型看起來非常一致，並且有很多相似之處，所以這是一個好兆頭。
我很驚訝在任何模型中都沒有看到任何交互作用或二次效應，因為 DSD 在檢測它們方面非常有效（如果它們不是太多的話）。我剛剛重新啟動了廣義回歸平台，包括 X2 到 X8 的交互項和二次效應（並將 X1 保留為固定效應區塊），模型似乎受益於這些附加項，無論是在解釋力方面（R² 增加到0.95 ）和預測能力（RASE 降低至0.05）。看來 X6 和 X8 之間可能存在交互作用，而 X2 可能存在二次效應。我懷疑在您的初始模型上看到的統計顯著的失擬檢定可能與這些缺失的高階項有關。
這些模型對於所包含的條款也非常一致：
由於您對 DSD 初始階段的篩選和最佳化感興趣，因此使用 AICc 這樣的資訊標準作為廣義回歸中的驗證方法是有意義的，因為您希望擁有一個具有解釋性的模型（僅保留最重要的變數）和預測性（保留有助於改善預測/降低RASE/RMSE 的變數）。
如果您正在尋找有關廣義回歸的資源，這是我的第一個想法：
在廣義迴歸中擬合線性模型
使用 JMP® Pro 中的廣義迴歸建立穩健的線性模型
關於你的其他觀點：
- 可以透過保留先前分析中發現的活躍因素來完成增強。即使X5可能不重要，它仍然保留在模型中，所以我會保留它。我更喜歡在增強階段保留一個不重要的因素，而不是太快刪除下一階段可能的重要因素。
因此，僅根據模型結果（由您的領域專業知識進行確認），我將在增強階段保留因子 X2、X5、X6 和 X8。關於運行次數，很難說，因為它取決於可能的因素範圍變化、假設的模型以及您想要的模型的確定性/精度。由於您保留的因子數量較少 (4)，因此您可以透過假設響應曲面模型來增強您的設計，因此單擊“RSM”將添加所有 2 因子交互作用以及所選因子的二次效應。
當因子範圍在初始篩選和增強之間斷開/不相交時，您提到的問題更加存在，但由於您只想增加一點或移動更多一點的因子範圍，您仍然可以從初始設計的資訊中受益運行。
- 再說一次，你的問題沒有明確的答案。如果您有不同的結果，您可以重複實驗幾次（以便對測量的反應更有信心）。
根據您是否「從頭開始」實現新實驗並獨立測量它們，您可以添加帶有值的新行：這些新點將是先前點的重複。如果您僅在相同實驗中重複測量部分，則可以用測量平均值替換原始值：這些新點只是實驗的重複（因此沒有獨立的新運行，沒有添加行）。
然後，您可以比較這 2 點值的變化是否提高了模型的品質。
- 您的殘差似乎沒有特定的模式。您看到的聚類可能是由於您的響應測量值要么高要么低，並且沒有很多中間值（除了兩個“奇怪”點）而引起的。因此，請查看殘差與預測值，您將看到 2 組點，一組代表較低的預測響應值，一組代表最高的預測響應值。
使用區塊作為隨機效應的好處是，透過混合模型，您可以評估區塊變數對反應變異數是否具有統計上顯著的影響。就您而言，情況似乎並非如此，因此您可以從模型中刪除此阻塞變數。使用此區塊變數作為固定效應運行模型還表明，此區塊效應對平均反應沒有統計上的顯著影響，因此可以將其從未來的分析中刪除。
關於 X2.X2 項，它不是交互作用，而是 X2 的二次效應：這意味著反應透過二次函數/項與 X2 相關聯：Y = X2²（+模型中的其他項）。
我附上了 JMP 文件，其中包含為此答案測試的所有模型和腳本。
希望這篇後續對你有幫助
回覆：DSD 解釋和後續步驟@Victor_G
很抱歉您必須手動輸入所有數據。另外，很抱歉延遲了，但我想回覆下一批結果。我相信這次我附上了正確的格式。
我運行了增強模型。我僅根據我的「專業知識」刪除了 1 個術語，並保留了原始 DSD 中的所有其他重要和非重要因素。運行 1-22 是原始 DSD；遊程 23-34 是增強設計；第 35 和 36 次運行是第 5 行的獨立重複；運行 37 和 38 是第 10 行的獨立重複（第 5 行和第 10 行是原始 DSD 中的「異常值」）。
您能否檢查我的邏輯，以便我確認我正在正確運行和分析資料？
- 我運行了一個混合模型，將阻塞作為隨機效應來檢查顯著性。它在模型中並不重要，因此我可以刪除該變數。我的殘差看起來不像以前那麼“隨機”，但我認為這並不可怕。
- 我使用 AIC 運行了多個模型的廣義迴歸。我相信所有的互動都被加入了。我知道上次你說你添加了交互，所以我想確認這次我的模型設計是否正確。
您是如何建立嵌入的圖表的？我找到了這些方向，但沒有產生您提供的良好視覺比較： https://www.jmp.com/support/help/en/16.1/ ?os=win&source=application#page/jmp/model-comparison .shtml #
- 我將預測刻畫器加入模型。當我試圖找到最大化輸出的最佳條件時，我意識到模型預測 >1.0；然而，輸出是一個比例，理論上 1 是可能的最高值。然後我嘗試更改輸出的範圍，最小值為 0，中間為 0.5，最大值為 1，但它似乎沒有改變預測器設定檔...
從生物學角度來看，標記為顯著的變數是有意義的。對我來說沒有意義的是 X_6，原來的 DSD 範圍是 1-5；它被增強為1-20。從生物學角度來看，做任何超過 20 的事情都不會產生影響，這是最小平方法模型所顯示的，但其他模型則不然。
您如何知道選擇哪種型號？如何解釋最大輸出值為 1.0？您將如何尋找變數的最佳參數？
- 有人告訴我將 X_1 作為變量包含在模型中，但我實際上並不相信它應該是一個變量，因為在“現實世界”中，這不是我可以控制的變量。我只能在實驗室環境中控制它。然而，輸出實際上是恢復與起始的比例，X_1是起始數，因此它是輸出變數的分母。我認為 X_1 應該保持不變，並且模型應該針對該常數進行最佳化，但有人提出，我們想知道如果 X_1 發生變化，變數如何相互作用。我想我的困惑是，如果變數 X_1 是輸出的分母，是否應該包含它？
謝謝你！
回覆：DSD 解釋和後續步驟嗨@Feline614 ，
關於您對 X6 的評論，您將範圍增加到 20，但我不會將模型的預測推斷到測試範圍之外。所以看起來 X6 的反應有一個增加的線性趨勢，但也許這個趨勢在 X6 達到值 20 後停止。但除非您在該範圍之外進行測試，否則您無法確定。您可以在範圍之外建立驗證/測試點，並將測量值與預測值進行比較，以查看是否存在與模型的任何偏差，這表明增加的線性趨勢可能會停止或在測試範圍之外有所不同X6。
由於最小平方法模型中確實包含 X6 的二次效應並得到您的領域知識的支持，因此您還可以強制在模型構造中包含這些項目（X6 的主效應和二次效應）： 高級控制 (jmp. com）
關於您的一般問題，沒有明確的模型可供選擇：您可以選擇幾個類似的模型，如果它在統計和實驗上有意義（領域專業知識）。我要做的是：
- 啟動以 X7 為隨機效應的混合模型，以評估此隨機區塊的統計顯著性。
- 啟動多個 GenReg 模型並比較模型中包含的術語以及模型性能，以便更好地了解哪些術語重要/活躍。根據統計評估和領域專業知識評估和選擇資訊模型。
- 由於隨機區塊效應在完整模型中很重要，因此根據前兩個步驟中獲得的學習成果，使用重要術語來建立一個精煉的混合模型。評估隨機區塊效應是否仍然顯著，並建立最適合您的學習的模型（混合模型或基於廣義迴歸模型）。驗證模型可以幫助您獲得對模型的信心，您也可以使用模型比較平台 (jmp.com)將多個模型與模型中儲存的預測公式列組合起來。
關於 X1，這與您的目標以及您想要對結果做什麼相關：您僅在實驗室環境中研究系統，還是希望您的發現用於其他環境？如果是第二個選擇，您可以在這個新環境中運行一些確認/驗證運行，以確保實驗室規模的發現可以在不同的環境中轉置/使用。如果從分析的角度來看，實驗室和其他環境之間的X1 處理方式不同，那麼這可能不是問題：在您的實驗室環境中，您可以在分析器中不添加任何約束的情況下最大化需求。在您的其他環境中，知道 X1 的固定值後，您可以鎖定 X1 值並最佳化其他因素以最大化需求： 設定或鎖定因素值 (jmp.com)
希望這次後續對您有所幫助
