JMP 的 DSD 真的是确定性的筛选设计吗？我检查了 JMP 和 RStudio 中 DSD 的确切结构，并与 JMP 进行了比较。 RStudio 的结构与 Bradley Jones 在文章中给出的结构完全一致。对于 JMP，这仅适用于除零之外的有限范围。
作为示例，我检查了 k = 6 的设计。在第一行中，除了零列和第二列之外，信息根本不匹配（橙色）。对于其他人，这些值大多不同（粉色），但与布拉德利文章中的信息（白色）相比通常完全交换。这可能没问题，但同时一对值是相同的，通常应该与其他值进行交换。
为了进行比较，我在下面再次展示了琼斯的图表。
为什么 JMP 中的设计与 Jones 的设计不一样？
问候
托马斯·威尔姆斯
实验设计回复：JMP 的 DSD 真的是确定性的筛选设计吗？您是否尝试过阅读 JMP 文档来解释差异， 《实验设计指南》>《确定性筛选设计》 （或者更准确地说是《实验设计指南》>《确定性筛选设计》>《确定性筛选设计的统计细节》>《确定性筛选设计的结构》）
回复：JMP 的 DSD 真的是确定性的筛选设计吗？你好@DrThWillms ，
我认为阅读@jthi提供的第二个链接会给你一个解释：
DSD 建立在会议矩阵之上，通常有多个特定顺序的会议矩阵可用，或者可以通过翻转某些行和/或列的符号（以及对行和/或列进行排列）来获得。
因此，根据您开始的会议矩阵，您可以获得略有不同但等效的设计。
您可以将这种情况与大小为 2^(k-1) 的部分因子设计进行非常类似的比较。根据您选择的半部分，您可能会得到两个具有不同实验运行设置但具有相同属性和性能的设计。这里有一个关于这种情况的示例： 是否可以在部分因子设计中选择哪个部分？
如有疑问，您仍然可以评估您提供的两种设计并进行比较，并发现它们确实具有相同的性能和属性：
如果您想重现比较分析，请附上您提供的 JMP 格式的两种设计。
所以回到你的问题，是的， JMP 创建的 DSD 实际上是确定性筛选设计（并且@bradleyjones写了不少关于 JMP 中 DSD 的文章：
在 JMP 中选择正确的工具来设计实验
21 世纪筛选设计 (2020-US-45MP-538)
确定性筛选设计 (DSD) 的正确使用和不当使用
...）
希望这个答案能解答你的疑惑，
回复：JMP 的 DSD 真的是确定性的筛选设计吗？关于 DSD 的描述，我认为与 Bradley Jones 的描述并无不同。关于结果，我看到了上述解释的不同。点不位于同一位置，我看不出哪里解释了为什么采用不同的点。
回复：JMP 的 DSD 真的是确定性的筛选设计吗？你好，
好吧，我承认这种挑衅有点自愿。一方面，我看到并且看到折叠原理在 JMP 给出的 dsd 的情况下也起作用。然而，另一方面，我想知道为什么有些点相同而有些点不同。我的意思是：如果所有点都完全反转，我不会那么惊讶。另一方面，我想知道为什么 JMP 是唯一一个一切都与其他程序不同的程序，这使得比较变得困难 - 也请参阅随机化主题。有一次我问我是否可以从另一个程序中获取 dsd 并在 JMP 中使用它进行评估。如果每件事都如此不同，我再也不明白这怎么可能了。你为什么不采取与 JMP 文章中相同的值呢？如果它们是等效的？也许这个程序并不像我想象的那么实用。
回复：JMP 的 DSD 真的是确定性的筛选设计吗？
@DrThWillms写道：
你好，
好吧，我承认这种挑衅有点自发。一方面，我看到了，而且我看到折叠原理在 JMP 给出的 dsd 的情况下也起作用。然而，另一方面，我想知道为什么有些点可能相同，而有些点却不同。我的意思是：如果所有点都完全反转，我就不会那么惊讶了。另一方面
正如您所描述的，“有些点是相同的，而有些点是不同的”，因为用于 DSD 的会议矩阵具有需要尊重的特定属性（请参阅确定性筛选设计的结构）：
如果你只是改变会议矩阵的符号，你将不再遵守这个属性：修改后的矩阵与其转置矩阵的乘积将不等于单位矩阵的倍数。因此，“修改后的”矩阵将不再是会议矩阵。
以下是使用维基百科文章中 6 阶会议矩阵进行矩阵乘法的结果（并尊重之前看到的属性）：
如果你简单地翻转这个会议矩阵的符号，那么你将不会保存原始会议矩阵的属性：
因此，想象翻转符号会起作用可能会更简单，但在这种情况下它是错误的，这可能有助于您理解为什么有不同的矩阵，以及需要在行/列中进行排列以保持会议矩阵的属性。
编辑：我在之前的例子中犯了一个拼写错误，矩阵计算是正确的，但会议矩阵的负转置的写法不正确，第 5 行第 6 列缺少 -1。
使用 Numpy 进行矩阵计算在以下两种情况下确实会提供相同的结果：
带有会议矩阵的案例1：
具有负面会议矩阵的案例2：
@DrThWillms写道：
另一方面，我想知道为什么 JMP 是唯一一个一切都与其他程序不同的程序，这使得比较变得困难 - 另请参阅随机化主题。有一次我问是否可以从另一个程序中获取 dsd 并将其用于 JMP 进行评估。如果每件事都如此不同，我再也不明白这怎么可能。如果它们是等效的，为什么不直接采用与 JMP 文章中相同的值？也许这个程序并不像我想象的那么实用。
您可以使用 DSD 或任何程序中的任何其他设计，并使用评估设计或比较设计平台来评估或比较设计。
我不明白使用类似矩阵的背后有什么问题？这与部分因子设计的主题完全相同，只是在这种情况下，您可以选择创建生成器并定义别名。对于 DSD，这意味着在创建设计之前从矩阵目录中选择会议矩阵。对于从业者来说，这可能不太实用，因为它在创建 DSD 之前涉及几个步骤，并且这种矩阵选择可能会引发更多关于选择哪个矩阵的问题而不是答案；它会使设计创建过程复杂化并降低“用户友好性”。
如果这对您来说是一个障碍，您仍然可以使用您习惯的矩阵并将其导入 JMP。
我认为您对 JMP 的使用方式可能与大多数用户不同，这可以解释为什么您认为它不像其他用户认为的那样实用。
希望这个补充答案能帮助你，
附言：请不要忘记赞扬有用的答案，并将解决您最初问题（以及以下问题）的答案“接受为解决方案”！
回复：JMP 的 DSD 真的是确定性的筛选设计吗？作为 DSD 的发明者（以及我的合著者 Chris Nachtsheim），我想我可以解释您所看到的内容。在我们发表于 JQT (2011) 的原始文章中，我们使用优化算法创建了 DSD。即固定零点的位置，我们选择 -1 和 +1 的值以最大化设计的 D 效率，但要遵守额外的限制，即所有设计都必须是折叠设计。最后一个限制是添加中心运行，这使得这些设计能够拟合所有纯二次效应以及主效应和截距。
因此，每行包含一个零和一定数量的 +1 和 -1，将与另一行匹配，该行在相同的位置上具有零，但所有 +1 都替换为 -1，反之亦然。这样做的好处是，它使主效应与二阶效应（双因子相互作用 (2FI) 和二次效应）正交。
在我们的论文中，我们为每奇数次运行创建了设计，从 4 个因子（9 次运行）开始，一直到 30 个因子（61 次运行）。我们将这些设计放在补充材料中。我猜想 R 实现复制了这些设计。
DSD 原始版本的一个问题是，所有使用奇数个因子的设计对于主效应都不正交。对于使用偶数个因子的 DSD，我们发现 6、8 和 10 个因子的正交主效应计划。然而，我们的算法方法未能找到大于 10 的偶数个因子的正交主效应设计。一年后，（2012 年）3 位中国作者介绍了使用会议矩阵的 DSD。这些方阵存在许多偶数行（和列）。这些作者指出，使用会议矩阵 (C)、其折叠 (-1*C) 和一行零将为存在会议矩阵的任何数量的因子生成正交主效应计划。因此，基于会议矩阵构造的 DSD 比使用优化方法创建的原始 DSD 略好（D 效率更高）。
JMP 随后开始使用会议矩阵方法来创建 DSD。对于需要奇数个因子的情况，我们创建了一个带有一个额外因子的会议矩阵，这样因子的数量就是偶数。然后我们在删除最后一列后构建了 DSD。因此，对于 5 个因子，而不是 11 次运行，JMP 的设计有 13 次运行。然而，这些设计具有正交主效应，而我们原始的具有奇数个因子的 DSD 从来都不是正交的。我们认为，为了获得正交设计，额外进行两次运行通常是值得的。在某些情况下，这两次额外的运行可能超出了实验的预算。在这种情况下，可以使用我们原来的方法。
我应该提到，JMP 的当前版本可以生成具有任意大量因子的 DSD。我们使用 Paley（代数学家）的构造方法，以及其他纯数学家的一些构造方法。JMP 目前可以生成除三个左右的会议矩阵之外的所有矩阵，最多可生成 1,000x1,000 个案例。
下面是一行 JSL 脚本，生成包含 12x12 会议矩阵的表格。
as table(conference matrix(12))
DSD 是极小别名设计的一个非常有用的特殊情况，我们也使用限制较少的优化方法构建了这种设计。这些设计也可以在 JMP 中使用自定义设计工具的红色三角形菜单更改最优标准来获得。
我现在已经从 JMP 退休，但我将通过brad.jones@adsurgo.com回答我的问题
