JMP 的 DSD 真的是最終的篩選設計嗎？我檢查了 JMP 和 RStudio 中 DSD 的確切結構，並與 JMP 進行了比較。 RStudio 的結構與 Bradley Jones 在文章中給出的結構完全一致。對於 JMP，這僅適用於除零之外的有限範圍。
作為範例，我檢查了 k = 6 的設計。在第一行中，除了零列和第二列之外，資訊根本不符（橘色）。對於其他人來說，這些值有很大不同（粉紅色），但與布拉德利文章中的信息（白色）相比通常完全交換。這可能沒問題，但同時一對值是相同的，通常應該與其他值進行交換。
為了進行比較，我在下面再次展示了瓊斯的圖表。
為什麼 JMP 中的設計與 Jones 的設計不一樣？
問候
湯瑪斯·威爾姆斯
實驗設計回覆：JMP 的 DSD 真的是權威的篩選設計嗎？您是否嘗試過閱讀 JMP 文件來解釋差異， 實驗設計指南 > 確定性篩選設計（或更準確地說，實驗設計指南 > 確定性篩選設計 > 確定性篩選設計的統計詳細資訊 > 確定性篩選設計的結構）
回覆：JMP 的 DSD 真的是權威的篩選設計嗎？嗨@DrThWillms ，
我認為閱讀@jthi提供的第二個連結會讓您得到解釋：
DSD建立在會議矩陣上，通常特定順序的多個會議矩陣是可用的，或者可以透過翻轉某些行和/或列的符號（並且透過對行和/或列進行排列）來獲得。
因此，根據您從哪個會議矩陣開始，您可以擁有略有不同但等效的設計。
您可以將這種情況與大小為 2^(k-1) 的部分因子設計進行非常相似的比較。根據您選擇的半分數，您最終可能會得到兩種具有不同實驗運行設定但具有相同屬性和性能的設計。關於這種情況的一個例子是： 是否可以在部分因子設計中選擇哪個部分？
如有疑問，您仍然可以評估您提供的兩種設計並進行比較，看看它們確實具有相同的性能和屬性：
如果您想重現比較分析，請附上您以 JMP 格式提供的兩個設計。
回到你的問題，是的， JMP 創建的 DSD 確實是最終篩選設計（ @bradleyjones在 JMP 中寫了很多關於 DSD 的文章：
在 JMP 中選擇正確的工具來設計實驗
21 世紀放映設計 (2020-US-45MP-538)
正確和不當使用最終篩選設計 (DSD)
...)
希望這個回答能解開你的疑惑
回覆：JMP 的 DSD 真的是權威的篩選設計嗎？關於 DSD 的描述，我認為與 Bradley Jones 沒有什麼不同。關於結果，我看到了上面解釋的差異。點並不位於相同的位置，我看不出哪裡解釋了為什麼採用不同的點。
回覆：JMP 的 DSD 真的是權威的篩選設計嗎？你好，
好吧，我承認挑釁是有點自願的。一方面，我看到折疊原則在 JMP 給出的 DSD 情況下也起作用。然而，另一方面，我想知道為什麼有些點是相同的，而有些點是不同的。我的意思是：如果所有點都完全相反，我就不會那麼驚訝了。另一方面，我想知道為什麼 JMP 是唯一一個所有內容都與其他程序不同的程序，這使得比較變得困難 - 另請參閱隨機化主題。有一次我問我是否可以從另一個程式中取得 DSD 並在 JMP 中使用它進行評估。我不明白這怎麼可能，如果每件事都如此不同。為什麼不直接採用與 JMP 文章相同的值。如果它們是等價的呢？也許這個程式並不像我想像的那麼實用。
回覆：JMP 的 DSD 真的是權威的篩選設計嗎？
@DrThWillms寫道：
你好，
好吧，我承認挑釁是有點自願的。一方面，我看到折疊原則在 JMP 給出的 DSD 情況下也起作用。然而，另一方面，我想知道為什麼有些點是相同的，而有些點是不同的。我的意思是：如果所有點都完全相反，我就不會那麼驚訝了。另一方面
正如您所描述的，“有些點是相同的，而有些點是不同的”，因為用於 DSD 的會議矩陣具有需要尊重的特定屬性（請參閱最終篩選設計的結構）：
如果您只是更改會議矩陣的符號，您將不再尊重此屬性：修改後的矩陣轉置後的乘積將不等於單位矩陣的倍數。所以「修改後的」矩陣將不再是會議矩陣。
以下是使用維基百科文章中的 6 階會議矩陣進行矩陣乘法的結果（並尊重先前看到的屬性）：
如果你簡單地翻轉這個會議矩陣的標誌，你將不會保存原始會議矩陣的屬性：
因此，想像翻轉符號會起作用可能更簡單，但在這種情況下是錯誤的，這可能會幫助您理解為什麼有不同的矩陣，以及需要行/列排列以保持會議矩陣的屬性。
編輯：我在先前的範例中犯了一個拼字錯誤，矩陣計算是正確的，但會議矩陣的負轉置的書寫不正確，第 5 行第 6 列缺少 -1。
使用 Numpy 進行矩陣計算確實在這兩種情況下提供了相同的結果：
Case1 會議矩陣：
Case2 具有負會議矩陣：
@DrThWillms寫道：
另一方面，我想知道為什麼 JMP 是唯一一個所有內容都與其他程序不同的程序，這使得比較變得困難 - 另請參閱隨機化主題。有一次我問我是否可以從另一個程式中取得 DSD 並在 JMP 中使用它進行評估。我不明白這怎麼可能，如果每件事都如此不同。為什麼不直接採用與 JMP 文章相同的值。如果它們是等價的呢？也許這個程式並不像我想像的那麼實用。
您可以使用任何程式中的 DSD 或任何其他設計，並使用評估設計或比較設計平台來評估或比較設計。
我不明白使用類似矩陣背後有什麼問題？這與部分因子設計的主題完全相同，只不過在這種情況下，您可以選擇建立生成器並定義別名。對於 DSD，這意味著在建立設計之前從矩陣目錄中選擇會議矩陣。對於從業者來說這可能不是很實用，因為在創建 DSD 之前它會涉及幾個步驟，而且這種矩陣選擇可能會引發更多關於選擇哪個矩陣的問題而不是答案；它會使設計創建過程變得複雜並降低“用戶友好性”。
如果這對您來說是一個障礙，您仍然可以使用您習慣的矩陣並將其匯入 JMP 中。
我認為您對 JMP 的使用可能與大多數用戶不同，這可以解釋為什麼您認為它不像其他用戶那樣實用。
希望這個補充的回答能幫助你，
PS：請不要忘記讚揚有用的答案並「接受作為解決方案」解決您最初的問題（以及以下問題）的答案！
回覆：JMP 的 DSD 真的是權威的篩選設計嗎？作為 DSD 的發明者（與我的合著者 Chris Nachtsheim），我想我可以解釋你所看到的。在 JQT (2011) 的原始文章中，我們使用最佳化演算法創建了 DSD。即固定零點的位置，我們選擇 -1 和 +1 的值，以便最大限度地提高設計的 D 效率，但受到所有設計必須是折疊設計的附加限制。最後一個限制是添加中心運行，這使得這些設計能夠適應所有純二次效應以及主效應和截距。
因此，包含零以及一定數量的 +1 和 -1 的每一行將與另一行在相同位置具有零但所有 +1 替換為 -1 的行匹配，反之亦然。其用途在於，它使主效應與二階效應（雙因素交互作用 (2FI) 和二次效應）正交。
在我們的論文中，我們為每奇數次試驗創建了設計，從 4 個因子（9 次試驗）開始到 30 個因子（61 次試驗）。我們將這些設計放在補充資料中。我想 R 實作複製了這些設計。
DSD 原始版本的一個問題是，所有使用奇數因子的設計對於主效應來說並不正交。對於使用偶數個因子的 DSD，我們發現了 6、8 和 10 個因子的正交主效果計劃。然而，我們的演算法方法未能找到大於 10 的偶數個因子的正交主效應設計。這些方陣存在許多偶數行（和列）。這些作者指出，使用會議矩陣 (C)、其折疊 (-1*C) 和一行零將為會議矩陣存在的任意數量的因素產生正交主效應計劃。因此，基於會議矩陣建構的 DSD 比使用最佳化方法建立的原始 DSD 稍好（D 效率更高）。
JMP 隨後開始使用會議矩陣方法來建立 DSD。對於需要奇數個因素的情況，我們建立了一個有額外因素的會議矩陣，以便因素數為偶數。然後我們在刪除最後一列後建置了 DSD。因此，對於 5 個因子，JMP 設計有 13 次試驗，而不是 11 次試驗。然而，這些設計具有正交主效應，而我們最初的 DSD 具有奇數個因子，但從來都不是正交的。我們認為，為了獲得正交設計，需要額外兩次運行通常是值得的。在某些情況下，這兩個額外的運行可能會超出實驗的預算。在這種情況下，人們可以使用我們原來的方法。
我應該要提到的是，JMP 當前版本可以產生具有任意大量因子的 DSD。我們使用佩利（代數學家）的構造方法，以及其他純數學家的一些構造。 JMP 目前可以為最多 1,000x1,000 的案例產生除三個左右會議矩陣之外的所有會議矩陣。
以下是產生包含 12x12 會議矩陣的表格的一行 JSL 腳本。
as table(conference matrix(12))
DSD 是最小混疊設計的一個非常有用的特例，我們也使用限制較少的最佳化方法建構了它。透過使用自訂設計工具的紅色小三角選單來變更最優性標準，這些設計也可在 JMP 中使用。
我現在已從 JMP 退休，但我將回答透過brad.jones@adsurgo.com向我提出的問題
