确定性筛选设计工作流程
你好，
我运行了确定性筛选设计，并通过选择“添加具有中心运行的区块以估计二次效应”生成了一个表格。我收集了响应数据并将其添加到表中。但是当我尝试运行“拟合确定性筛选”时，遇到了此错误：
仅当我隐藏/排除区块 2 中的运行后，Fit Definitive Screening 平台才会运行。我做错了吗？如何运行包含所有运行的模型？我是否必须进行某种增强设计以包含第二个区块？
高级统计建模实验设计回复：确定性筛选设计工作流程你好@sanch1 ，
我只是尝试通过创建具有 8 个连续因子、2 个区组、8 次额外运行的相同设计类型来重现相同的错误：
当使用随机公式来模拟此设计的响应时，我没有错误并可以继续分析：
我和你有相同的设计（你也可以找到附件）：
通常，当一个或多个实验运行不属于设计的一部分并破坏了折叠结构时，您会收到此错误消息，请参阅https://community.jmp.com/t5/Discussions/How-can-I-add-extra-runs-into-the-designed-runs-from-Definitive/mp/782561/highlight/true#M96614
如果有必要，还有许多其他方法可以使用“拟合模型”平台进行分析，例如使用逐步模型、广义回归模型等...
但在您的情况下，第 18 行完全正常，并且是同一块 1 中第 17 行的“镜像”，因此折叠结构存在且受到尊重。
生成设计后，您是否更改了此行（或其他行）中的任何因子值？
您是否尝试从菜单（菜单 DOE、Definitive Screening、Fit Definitive Screening）启动“ Fit DSD ”平台？
您可以分享您的数据集和设计的匿名版本吗？
希望这个第一个讨论能对你有所帮助，
回复：确定性筛选设计工作流程嗨维克多，
我确实对表格做了一些更改：
1. 我按块升序对数据表进行排序，以便组织
2. 我必须删除第 19 次运行的实验，因为它在收集结果之前就失败了。
这两者都会破坏 DSD 设计吗？
回复：确定性筛选设计工作流程你好@sanch1 ，
对数据表进行排序不会改变设计结构和分析。但是，从表中删除实验会破坏设计折叠结构（将有一个实验运行没有其“镜像”对应项，这会阻止使用 Fit DSD 分析平台）。如果响应缺少值或排除表中的行，您将面临相同的问题和错误消息。
从设计表中删除任何运行并尝试启动 Fit DSD 平台时，我遇到了与您相同的错误消息：
我建议使用其他建模平台（如我之前在回复中提到的）来进行分析。
希望这能回答你的问题，
回复：确定性筛选设计工作流程我继续使用通过 Stepwise 实现的“所有可能模型”方法。非常感谢您的帮助！
回复：确定性筛选设计工作流程请原谅我的评论（如果您愿意，可以忽略它们），但逐步分析并不是您应该分析 DOE 的方式。逐步分析是一种添加模型构建方法，当您没有想到模型时很有用（例如，数据挖掘）。当您进行实验时，您会从脑海中的模型开始。这是因素和水平（以及处理噪音的策略）的函数。从模型中删除不重要的项（减法方法）。
回复：确定性筛选设计工作流程有趣的方法！但是，考虑到这个特定的方法，我只有一个数据点（因为我无法完成那次运行），你会建议我采用什么方法才能从我仍有的数据中获取有用的信息？
回复：确定性筛选设计工作流程抱歉，我没有关注整个帖子，我看到 Victor 给出了建议，所以我没有发表评论。你进行了一个包含一定数量因素和水平的实验。显然你还决定运行区块和中心点。无论如何，你应该有一个模型来分配你的 DF。你绝对应该用那个模型来分析数据。
请参阅我在此主题中关于缺失数据的建议：
https://community.jmp.com/t5/Discussions/JMP-DOE-chromatography-data-table-How-do-I-enter-values-for/mp/782318#M96561
回复：确定性筛选设计工作流程你好@statman ，
非常感谢您的意见和评论，总是为新用户和有经验的用户提供指导和周到的指导。
我倾向于同意您关于“理论”方面的逐步方法：对于非（过）饱和设计，假设的模型应该是您开始的模型，然后考虑根据统计标准和实际评估/验证对其进行改进。
使用确定性筛选设计时，情况与传统设计相比略有不同，因为您无法估计所有可以估计并输入模型的可能项；在这种情况下，有 8 个因子和 1 个区组，这意味着要估计 1 个截距、8 个主效应（+区组）、28 个 2 个因子之间的相互作用和 8 个二次效应。此处使用的设计使用了 26 次运行，因此无法估计前面提到的 46 个项的完整 RSM 模型，因此如果没有强有力的假设/简化，就不可能采用向后/减法方法。
因此需要一种特定的分析策略，即“Fit DSD”平台下的分析策略。如果可能，建议使用“Fit DSD”分析，因为它是一种比逐步方法更保守的分析策略，假设因子稀疏性和效应遗传原理成立，首先估计和拟合主效应，然后再考虑相互作用和二次效应与效应遗传原理，并从主效应模型的残差中估计它们。
当无法拟合 DSD 时（因为缺少值、排除行、添加重复项……任何可能破坏折叠结构并阻止使用推荐的 DSD 分析方法的情况），那么您必须在实践中寻找其他方法。逐步方法可能是一种选择（以及广义回归模型，采用强制实施效应遗传的“两阶段前向选择”、“修剪前向选择”或“最佳子集”估计方法，但仅在 JMP Pro 中可用），即使其“强力”和贪婪方法在设计实验的背景下可能不是最佳的。
我特别喜欢 Stepwise 平台中的“所有模型”选项（针对模型中有限数量的因子和项），它不是直接以蛮力的方式创建“最佳”模型，而是指导对多个模型的理解和评估，并选择最终模型中最有可能的活跃项。这可以通过 Peter Goos 在 DoE 模型选择中引入的“栅格图”进行可视化，在 JMP 愿望清单中提出： 栅格图或其他可视化工具可帮助评估和选择 DoE 模型
这种可视化有助于识别最有可能的活跃术语，并查看模型在何处/如何一致或不一致。它还可以帮助可视化效果之间的混叠。来自 Peter Goos 的用例示例：
@sanch1最后，“所有模型都是错误的，但有些模型是有用的”，因此尝试比较不同的建模选项总是很有趣的，当领域专业知识可以指导这个过程时就更有趣了。有些方法比其他方法更保守，但将不同的建模与领域专业知识相结合可以帮助更广泛地了解最重要的事情。从那时起，计划你的下一个实验来增强你的 DoE，确认/改进/纠正你的模型，并准备一些验证点来评估你的模型的有效性。
如果您需要更多信息或有兴趣深入分析 DSD 主题，还有其他资源/帖子可以帮助您：
我希望这个补充答案可能会有所帮助，
回复：确定性筛选设计工作流程好吧，我们必须同意各持己见。我已将您之前在帖子中附加的 DSD 与饱和模型（有趣的 Fit Model 脚本）一起附上。从那里减去项。
仅仅因为您没有分配 DF 并不意味着它们不能被分配（令人愉快的随机重复不允许分配）
回复：确定性筛选设计工作流程免责声明：我不是统计学家，而是以最实际和务实的方式使用统计数据。如果我的理解有限或我的解释不清楚/不正确，请原谅，我一直在学习:):)
@statman我不知道您指定了哪个模型，但我们没有使用相同的假设模型（全二次模型 + 块模型，可以使用 DSD）。通过指定全二次模型，您将获得交互项 X1.X2 的奇异性，它是其他项的线性组合（请参阅添加脚本的文件）。
您说得对，您仍然可以在此处的模型中添加任意数量的项。但实际上，如果您的估计有偏差（脚本中的估计为零、有偏差或没有任何标准误差估计）、缺少 p 值并且缺乏指导模型选择/细化的指标，您如何知道要从完整模型中减去哪些项？您基本上没有误差估计和用于比较/测试的参考？
- 在您的情况和假设的模型中，没有迹象表明要减去哪个项（没有 p 值、没有项估计的标准误差，...），新用户可能会保持模型原样，因为“R² 等于 1”，所以它是一个完美的模型”。
- 在我假设的模型中，在将整个模型拟合到数据时，只有主效应和块效应可以得到正确估计和测试。但其余所有项都无法正确估计，因此从这种情况向后改进模型会变得非常棘手。
逐步方法和其他相关方法有助于指导用户并测试许多不同的模型，但不应仅依赖统计准确性/拟合指标来测试模型。领域专业知识和验证运行对于确认模型的可靠性至关重要。
希望这个答案能够澄清我的回答，
回复：确定性筛选设计工作流程顺便说一句，我发帖的唯一原因是帖子的标题。它提到了工作流程。
我将向您推荐 Cuthbert Daniel（Daniel 图，又称正态图和半正态图）和 GEP Box（还添加了贝叶斯图），以了解分析饱和模型的方法。在 Y 轴上指示实际意义的帕累托图也非常有用。仅仅将项排除在模型之外就会使 MSE 估计产生偏差，并可能导致对数据的误解。
Daniel, Cuthbert (1959)，《使用半正态图解释因子两级实验》， 《Technometrics》 ，十一月，第 1 卷，第 4 期
Box、GEP、Daniel Meyer（1993），“在分级筛选实验中寻找活性因子”， 《质量技术杂志》 ，第 25 卷，第 2 期，4 月
看看 Box 博士在这篇论文中如何分析实验：
Box、GEP、Stephen Jones (1992)，《稳健产品实验的裂区设计》， 《应用统计学杂志》 ，第 19 卷，第 1 期
