实验值接近但不等于 DoE 中概述的因子值。在我的课堂上，学生使用自定义设计来规划他们的实验。他们针对 JMP 推荐的因子值进行试验。实际上，由于各种原因，实验条件略有不同。我建议他们在分析结果时输入“实际/测量”值？我说得对吗？这会如何影响他们的分析，因为条件可能不像 JMP 设计中那样正交？
基础数据分析与建模回复：实验值接近但不等于 DoE 中概述的因子值。嗨@Raghavan ，
欢迎加入社区！
您可能会发现先前对您的问题密切相关的帖子的回答很有帮助：
在完成设计和表格后更改因子值（自定义设计）
在 DoE 中使用真实值代替目标因子值
在实验空间中创建具有约束的自定义设计时，您可能也会遇到类似的情况：与实验设置中实际可能的值相比，坐标交换算法找到的值可能非常精确/具体（有时是奇怪的）：
D 最优 RSM 中的奇数因子设置是如何生成的
混合筛选设计中纳入随机小数
回答你的问题，我同意@statman的建议，即同时运行两种分析，设计因子值（生成时的值）和“真实”值，以避免对因子值变化的影响和重要性产生任何怀疑。
实际上，如果您的因子值只有很小的偏差，并且因子范围足够宽，则这种变化的影响应该很小，甚至可能不可见。响应测量中也可能存在相对较大的变化（由于可重复性/可再现性，测量误差等），这将完全“隐藏”因子值偏差的影响。
希望这个额外的答案能帮助你，
回复：实验值接近但不等于 DoE 中概述的因子值。出于实际原因，精确达到设定点通常不可行。例如，我可以选择将流量控制在 X lpm，但管线压力的波动可能会导致流量变化 +/- 1 Lpm！我喜欢你双向测试的想法，但如果结果不同，你会相信基于编码值的结果吗？
回复：实验值接近但不等于 DoE 中概述的因子值。以下是我的想法：
1. 为什么他们不能使用设计（JMP）指定的因子值？
2. 在实验中，假设如果你设置一个低级别（例如，-1 编码）并更改级别设置并返回到低级别 -1，则该级别与之前的级别 1 相同。这大大简化了分析并允许轻松分配更高阶的项。
3. 现实情况是，任何事物都是存在变化的，因此克服级别内变化的一个策略是确保级别间变化较大（例如，加粗级别设置）。
4. 如果您确实要使用实际值，则取决于它们与指定级别设置的差异程度，您可能会失去评估交互效应等高阶项的能力。如果它们差异不大，可能不会对分析产生太大影响。
我不确定我是否会认为您的建议是“正确的”或只是一种分析数据的方法。我会尝试使用编码值和实际值分析几个实验，看看分析结果有何不同。
