用於最終篩選設計的區塊和中心點我開始使用 JMP 建立包含 7 個因子和 3 個反應變數的明確篩選設計。我設了「沒有障礙」！為什麼下面顯示的區塊數等於2？我只想添加 2 個中心點測量值。 「Einzelversuche」等於重複嗎？為什麼我只能增加 4 個額外測量值？我只能將“Einzelversuche”設為零，並且塊數（“Anzahl Blöcke”）根本無法更改。為什麼？
實驗設計回覆：最終篩選設計的區塊和中心點嗨@Thommy7571 ，
如果您在DSD平台中選擇了「無區塊」選項，則建立的設計將不會有任何區塊。
您看到的值只是「預設」選項，如果您選擇其中一個選項（「帶中心運行的區塊」或「不帶中心運行的區塊」），則會啟動這些選項。
預設情況下，JMP 在 DSD 中建立一個中心運行，如果您需要多個中心運行（一個中心運行/區塊），則會建立區塊。但如果需要，您始終可以編輯資料表以添加額外的中心運行。
是的，額外運行相當於重複（獨立運行），但它們並不完全是重複：它們是使用“假因子”創建的，因此您可能沒有與設計的其他運行相同的因子值。額外試驗可以按四個為一組添加：您可以在設計中添加 4 或 8 個額外試驗，因此您可以將設定更改為 0（無額外試驗）、4 或 8 個額外試驗。您可以在此處找到有關 DSD 具體結構的更多資訊： 最終篩選設計的結構
在我的計算機上，我可以增加區塊的數量，這會將設定從“無區塊”更改為“添加具有中心運行的區塊以估計二次效應”：
希望對你有幫助，
回覆：最終篩選設計的區塊和中心點您可以繼續創建設計，它不會添加塊。預設情況下，DSD 產生器會新增 4 個中心點，但您可以選擇僅使用 2 個中心點，只需刪除生成設計中的兩個中心點運行即可。之所以預設使用 4 個中心點，是因為一些研究表明，2 個中心點與 4 個中心點相比，檢測重要效果的能力要低得多。
回覆：最終篩選設計的區塊和中心點「額外跑位」不是中心點。
預設情況下，在沒有任何區塊的情況下，DSD 將在 JMP 中包含一個中心點。新增區塊可以新增中心點（每個區塊一個中心點）。
預設的 4 次額外運行用於更好地檢測交互作用和二次效應，以及增加主效應的功效：
由於這些運行不是重複的，因此它們還提供了額外的自由度來檢測和估計更多的效應項。
希望這個答案能解決任何歧義
回覆：最終篩選設計的區塊和中心點你好，
<<
好的，我總結一下：（可能）可以添加任意數量的區塊（即 +4、+8 等）。
一方面，這是不利的，因為它大大增加了 DSD 測量的數量。這降低了 DSD 的吸引力，DSD 應該能夠分離二次效應和主效應之間的相互作用，而無需進一步測量。另一方面，ChatGPT 也建議我添加幾個中心點測量，就像 MathStatChem 所寫的那樣。 Bradley 在他的 DSD 文章中沒有詳細討論這個主題。因此，我沒有確切的效果或可引用的理由。是否有一篇文章研究了不同數量的添加中心點測量和/或中心點測量區塊的影響？
根據經驗，DSD 是否仍可用於 7 個因素？
目前還不清楚什麼是「虛假因素」。
湯米7571
回覆：最終篩選設計的區塊和中心點嗨@Thommy7571 ，
這降低了 DSD 的吸引力，DSD 應該能夠分離二次效應和主效應之間的相互作用，而無需進一步測量。另一方面，ChatGPT 也建議我添加幾個中心點測量，就像 MathStatChem 所寫的那樣。 Bradley 在他的 DSD 文章中沒有詳細討論這個主題。因此，我沒有確切的效果或可引用的理由。是否有一篇文章研究了不同數量的添加中心點測量和/或中心點測量區塊的影響？
再次強調，我會避免使用 ChatGPT 來獲得精確的答案，尤其是在 DSD 等現代設計上。這些回應可能非常通用，並不特別適合您的特定用例或 DSD 的使用。
關於新增中心點或額外遊程的效果，您可以搜尋出版品或在 JMP 中嘗試多種方案，透過建立多種設計並進行比較。我為此場景創建了 3 個 DSD：
- DSD 適用於 7 個連續因子，所需的最少運行次數（17 次運行）。
- 7 個連續因子的 DSD，21 次運行，5 個中心點（預設建立 1 個，之後在資料表中加入 4 個）
- DSD 為 7 個連續因子，21 次運行，其中 4 次額外運行。
以下是主要區別：
使用此處指定的模型（假設3 個交互作用和3 個二次效應），您可以看到兩種「增強」DSD 設計（運行21 次）都增強了檢測主效應、交互作用和二次效應的能力。差別在於：
- 在增加中心點的 DSD 檢測二次效應的功效稍高，但與 4 次額外運行的情況相比，檢測交互作用的增益不是很高。
- 具有 4 次額外運行的 DSD 具有相似的檢測二次效應的能力和更高的檢測雙因素交互作用的能力。這是因為額外的運行不是重複運行（與對應於相同設置/處理的中心點不同），並且DSD 運行的因子設置為3 個水平，因此額外的運行確實顯著提高了主效應、交互作用的功效，也能夠增加二次效應的功率。
查看假設模型的估計值的相對標準誤差，您可以獲得與功效分析相同的解釋：添加中心點只會顯著提高估計二次效應（和截距）的精度，而添加額外的運行可以提高估計的精度條款更加統一。
就預測方差而言，中心點使得實驗空間中心的預測方差更低且更穩定。如果您認為最佳點可能位於實驗空間的中心，這可能特別有用。然而，僅具有中心點的 DSD 往往在實驗的角落具有較高的預測方差，因為所有添加的點都是中心點，只會降低實驗空間中心周圍的預測方差：
您可以在此處看到，透過最大化預測方差，具有5 個中心點的DSD 的預測方差與「非增強」原始DSD 接近，而具有4 次額外運行的DSD 能夠在實驗空間的邊界更均勻地減少預測方差。
根據經驗，DSD 是否仍可用於 7 個因素？
如果您有連續因素，我強烈建議使用 DSD 來有效篩選 5 個以上因素。您可以隨時透過建立 DSD 和其他篩選設計（使用 Hadamard 矩陣的經典篩選設計、D-/A-最優設計等）來檢查該設計是否對您有用，並使用比較設計平台 (jmp.com) 。請考慮到，與 DSD 不同，大多數篩選設計只有 2 個因素等級。
目前還不清楚什麼是「虛假因素」。
「假因子」是在創建 DSD 時添加的因子，用於在設計中產生更多的運行次數，但沒有實際意義：它們與您想要更改的特定實驗因子無關，只是為了增加矩陣大小。添加帶有“假因子”的運行是一種技巧，可以實現更好的效果估計和增強的功效，並且還可以增加可用於擬合模型中附加項的自由度。
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
如果您想重現分析和比較，我添加了生成的三個設計作為範例。
希望這個回答對你有幫助
回覆：最終篩選設計的區塊和中心點非常感謝這項研究。只是一些評論。根據 Bradly 的說法，7 個因子的最小值為 15 次試驗，但設計應該是正交的，如果是 17 次試驗，情況會是如何。有趣的是，正如我已經考慮過的那樣，階乘點也被包含在內。因此，角點也可以更好地包含在內。我剛剛重讀了這篇文章，並在設計中考慮了 8 個因素，消除了最後一欄，這應該符合你的建議。結果非常合乎邏輯 - 在給定區域中重複的結果在該區域中的預測可靠性更高我將放棄有關設計的 ChatGPT...有人建議使用 A 最佳設計作為標準（您的鏈接的一個視頻）最後的答案）。這就是為什麼我也瞄準它。我應該更改為 G-optimal 進行篩檢嗎？為什麼？
回覆：最終篩選設計的區塊和中心點嗨@Thommy7571 ，
根據 Bradly 的說法，7 個因子的最小值為 15 次試驗，但設計應該是正交的，如果是 17 次試驗，情況會是如何。
抱歉，有關最小運行次數的資訊不完整。有關所需最小運行次數的完整資訊可以在此處訪問： 確定性篩選設計的結構
總結一下內容：
- 如果連續因子有 k 個偶數，則需要 2k+1 次運行
- 如果連續因子的數量為奇數，則需要 2k+3 次運行
因此，對於 7 個因素，您至少需要 17 次運行，對於 8 個因素，最小值也是 17。 此運行規模是 DSD 的特殊性，社區的成員也提到和發現，例如在這篇文章中： https:// /community.jmp.com/t5/Discussions/Verify-and-use-existing-Definitive-Screen-design-with-JMP/mp/752286/highlight/true#M93376
您還可以使用最終篩選設計平台並針對不同數量的因素產生設計來驗證這一點。請注意，此規則取決於是否存在所需大小的會議矩陣，請參閱此處的範例： 已解決：回覆：49 因子 dsd 設計 - JMP 使用者社群
我剛剛重讀了這篇文章，並在設計中考慮了 8 個因素，消除了最後一欄，這應該符合你的建議。
是的，要新增額外的運行，您可以新增「假」因子，然後刪除它們的列；這就是 DSD 平台中產生額外運作的方式。
有人建議使用 A 最佳設計作為標準（您最後答案的連結的一個影片）。這就是為什麼我也瞄準它。我應該更改為 G-optimal 進行篩檢嗎？為什麼？
D-和A-最適性標準更適合篩選設計，因為它們側重於係數估計的精確估計或方差減少，因此可以根據統計顯著性更有效地篩選和過濾掉重要因素中的不重要因素，具有實際意義和領域專業知識來確認。
Bradley Jones 確實強調使用A 最優設計進行篩選，因為它們能夠實現與D 最優篩選設計類似（如果不是更好）的性能，並且還能夠對某些項的估計添加不同的重點（例如給予更多的重要性） /用於精確估計主效應而不是交互作用的權重）： 21 世紀篩選設計 (2020-US-45MP-538)
G 和 I 最適性標準更針對響應曲面模型設計，其重點在於實驗空間的預測性能以實現最佳化。 G 最優準則關注並最小化最大預測方差，而 I 最優準則則最小化平均預測方差。
希望這個回答對你有幫助
