确定性筛选设计的区组和中心点我开始使用 JMP 创建具有 7 个因子和 3 个响应变量的确定性筛选设计。我设置了“无区块”！为什么下面显示的区块数等于 2？我只想添加 2 个中心点测量值。“Einzelversuche”是否等于重复？为什么我只能添加 4 个额外测量值？我只能将“Einzelversuche”设置为零，区块数（“Anzahl Blöcke”）根本无法更改。为什么？
实验设计回复：确定性筛选设计的区块和中心点嗨@Thommy7571 ，
如果您在 DSD 平台中选择了“无块”选项，则创建的设计将没有任何块。
您看到的值仅仅是“默认”选项，如果您选择其中一个选项（“带中心运行的块”或“不带中心运行的块”），则会激活这些选项。
默认情况下，JMP 在 DSD 中创建一个中心运行，如果您需要多个中心运行（一个中心运行/块），JMP 将创建块。但您可以随时编辑数据表以根据需要添加额外的中心运行。
是的，额外运行相当于重复（独立运行），但它们并不完全是重复：它们是使用“假因子”创建的，因此您可能没有与设计的其他运行相同的因子值。额外运行可以按四个区块添加：您可以在设计中添加 4 或 8 个额外运行，因此您可以将设置更改为 0（无额外运行）、4 或 8 个额外运行。您可以在此处找到有关 DSD 具体结构的其他信息： 确定性筛选设计的结构
在我的计算机上，我可以增加块的数量，并将设置从“无块”更改为“添加具有中心运行的块以估计二次效应”：
希望对你有帮助，
回复：确定性筛选设计的区块和中心点您可以继续创建设计，它不会添加区块。默认情况下，DSD 生成器会添加 4 个中心点，但您可以选择仅使用 2 个中心点，只需在生成的设计中删除两个中心点运行即可。默认使用 4 个中心点的原因是，一些研究表明，与 4 个中心点相比，2 个中心点检测重要效应的能力要小得多。
回复：确定性筛选设计的区块和中心点“额外跑垒”不是中心点。
默认情况下，如果没有任何块，DSD 将在 JMP 中包括一个中心点。添加块可以添加中心点（每个块一个中心点）。
默认的 4 次额外运行用于更好地检测相互作用和二次效应，以及增加主效应的功效：
由于这些运行不是重复，它们还提供了额外的自由度来检测和估计更多的效应项。
希望这个答案能解决任何歧义，
回复：确定性筛选设计的区块和中心点你好，
<<
好的，我总结一下：（可能）可以添加任意数量的块（即 +4、+8 等）。每个块可以添加一个具有 4 个测量值的中心点测量值。
一方面，这是不利的，因为它大大增加了 DSD 测量的数量。这降低了 DSD 的吸引力，DSD 应该能够分离二次效应和主效应之间的相互作用，而无需进一步测量。另一方面，ChatGPT 还建议我添加几个中心点测量，就像 MathStatChem 所写的那样。 Bradley 没有在他的 DSD 文章中详细讨论这个主题。因此，我没有确切的效果或可引用的理由。是否有一篇文章研究了不同数量的添加中心点测量和/或中心点测量块的影响？
根据经验，DSD 是否仍可用于 7 个因素？
目前还不清楚什么是“虚假因素”。
汤米7571
回复：确定性筛选设计的区块和中心点嗨@Thommy7571 ，
这降低了 DSD 的吸引力，DSD 应该能够分离二次效应和主效应之间的相互作用，而无需进一步测量。另一方面，ChatGPT 还建议我添加几个中心点测量，就像 MathStatChem 所写的那样。 Bradley 没有在他的 DSD 文章中详细讨论这个主题。因此，我没有确切的效果或可引用的理由。是否有一篇文章研究了不同数量的添加中心点测量和/或中心点测量块的影响？
再次强调，我会避免使用 ChatGPT 来获取精确答案，尤其是在 DSD 等现代设计上。答案可能非常笼统，并不特别适合您的特定用例或 DSD 的使用。
关于添加中心点或额外运行的效果，您可以搜索出版物或在 JMP 中尝试几种方案，通过创建几种设计并进行比较。我为这个场景创建了 3 个 DSD：
- 7 个连续因子的 DSD，所需运行次数最少（17 次）。
- 7 个连续因子的 DSD，21 次运行，5 个中心点（默认创建 1 个，之后在数据表中添加 4 个）
- 7 个连续因子的 DSD，21 次运行，4 次额外运行。
主要区别如下：
使用此处指定的模型（假设 3 个相互作用和 3 个二次效应），您可以看到两个“增强”DSD 设计（运行 21 次）都具有更高的检测主效应、相互作用和二次效应的能力。区别在于：
- 添加中心点的 DSD 检测二次效应的功效略高，但与额外运行 4 次的情况相比，检测相互作用的增益并不是很高。
- 额外运行 4 次的 DSD 具有相似的检测二次效应的功效，但检测 2 因子相互作用的功效更高。这是因为额外运行不是重复运行（与对应于相同设置/处理的中心点不同），并且 DSD 运行的因子设置为 3 个级别，因此额外运行确实显著提高了主效应和相互作用的功效，并且还能够提高二次效应的功效。
查看假设模型的估计值的相对标准误差，您会发现与功效分析相同的解释：添加中心点只会显着提高估计二次效应（和截距）的精度，而添加额外的运行可以更均匀地提高估计项的精度。
就预测方差而言，中心点使得实验空间中心的预测方差更低、更稳定。如果您认为最佳点可能位于实验空间的中心，那么这可能特别有用。但是，只有中心点的 DSD 往往在实验角落的预测方差更高，因为所有添加的点都是中心点，它们只会降低实验空间中心周围的预测方差：
您可以在这里看到，通过最大化预测方差，具有 5 个中心点的 DSD 的预测方差与“非增强”的原始 DSD 接近，而具有 4 次额外运行的 DSD 能够在实验空间的边界处更均匀地降低预测方差。
根据经验，DSD 是否仍可用于 7 个因素？
如果您有连续因子，我强烈建议使用 DSD 对 5 个以上因子进行有效筛选。您可以随时通过创建 DSD 和其他筛选设计（使用 Hadamard 矩阵的经典筛选设计、D-/A-Optimal 设计等）并使用平台Compare Designs (jmp.com) 来检查此设计是否对您有用。请注意，与 DSD 不同，大多数筛选设计的因子只有 2 个级别。
目前还不清楚什么是“虚假因素”。
“假因子”是在创建 DSD 时添加的因子，用于在设计中生成更多运行次数，但这些因子没有实际意义：它们与您想要更改的特定实验因子无关，只是为了增加矩阵大小。添加带有“假因子”的运行是一种技巧，可以更好地估计效果并提高功效，还可以增加可用于拟合模型中其他项的自由度。
一些资源可以帮助您理解 DSD：
引入确定性筛选设计 - JMP 用户社区
确定性筛选设计 - JMP 用户社区
适合度确定性筛选平台 (jmp.com)
使用确定性筛选设计从更少的试验中获取更多信息 - JMP 用户社区
更一般地，关于 DoE 有：
DoE 资源 - JMP 用户社区
如果您想重现分析和比较，我添加了生成的三种设计作为示例。
希望这个答案能帮助你，
回复：确定性筛选设计的区块和中心点非常感谢这项研究。只是一些评论。根据 Bradly 的说法，7 个因子的最低要求是 15 次运行，除非设计应该是正交的，否则 17 次运行会是什么情况。有趣的是，正如我已经考虑的那样，其中包括了阶乘点。因此，最好也包括角点。我刚刚重读了这篇文章，取 8 个因子进行设计，然后消除最后一列，这应该符合你的建议。结果非常合乎逻辑——在给定区域中重复次数越多，该区域的预测可靠性越高。关于设计，我将放弃 ChatGPT……有人建议使用 A 最优设计作为标准（你上一个答案的链接的一个视频）。这就是我也以它为目标的原因。我应该改用 G 最优进行筛选吗？为什么？
回复：确定性筛选设计的区块和中心点嗨@Thommy7571 ，
按照 Bradly 的说法，7 个因素至少需要运行 15 次，但如果设计是正交的，则需要运行 17 次。
抱歉，但有关最低运行次数的信息不完整。有关所需最低运行次数的完整信息可在此处访问： 确定性筛选设计的结构
总结一下内容：
- 如果有 k 个偶数个连续因子，则需要 2k+1 次运行
- 如果有 k 个奇数个连续因子，则需要 2k+3 次运行
因此，对于 7 个因素，您至少需要 17 次运行，而对于 8 个因素，最低限度也是 17 次。此运行大小是 DSD 的一个特异性，也由本社区成员提及和发现，例如在此帖子中： https 
/community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
您还可以使用确定性筛选设计平台并生成不同数量因子的设计来验证这一点。请注意，此规则取决于是否存在所需大小的会议矩阵，请参见此处的示例： 已解决：回复：49 因子 dsd 设计 - JMP 用户社区
我刚刚重读了这篇文章，设计时采用了 8 个因素，然后消除了最后一列，这应该符合你的建议。
是的，要添加额外的运行，您可以添加“假”因素，然后删除它们的列；这就是在 DSD 平台中生成额外运行的方式。
有人建议使用 A 最优设计作为标准（您上次回答的链接之一视频）。这就是为什么我也将其作为目标。我应该改为 G 最优进行筛选吗？为什么？
D 和 A 最优标准更适合于筛选设计，因为它们注重系数估计的精确估计或方差减少，因此能够根据统计显著性更有效地从重要因素中筛选和滤除不重要因素，并通过实际意义和领域专业知识进行确认。
Bradley Jones 确实强调了使用 A 最优设计进行筛选，因为它们能够实现与 D 最优筛选设计相似（甚至更好）的性能，并且还能够在估计某些项时增加不同的重点（例如，对主效应而不是相互作用的精确估计给予更多的重要性/权重）： 21 世纪筛选设计 (2020-US-45MP-538)
G 和 I 最优标准更适合响应曲面模型设计，其重点是实验空间的预测性能以实现优化。G 最优标准关注并最小化最大预测方差，而 I 最优标准最小化平均预测方差。
希望这个答案能帮助你，
