最終篩選設計工作流程
你好，
我運行了最終篩選設計，並通過選擇“添加帶有中心運行的塊來估計二次效應”來生成一個表格。擬合最終篩選」時，我遇到這個錯誤：
Fit Definitive Screening 平台僅在我隱藏/排除區塊 2 中的運行時運行。如何運行包含所有運行的模型？我是否需要進行某種增強設計來包含第二個區塊？
進階統計建模實驗設計回覆：最終篩選設計工作流程嗨@sanch1 ，
我只是嘗試透過創建具有 8 個連續因子、2 個區塊、8 次額外運行的相同設計類型來重現相同的錯誤：
當使用隨機公式對這種設計的響應進行建模時，我沒有錯誤並且可以繼續分析：
我的設計和你一樣（你也可以找到配件）：
通常，當一個或多個實驗運行不是設計的一部分並破壞折疊結構時，您會收到此錯誤訊息，請參閱https://community.jmp.com/t5/Discussions/How-can-I-add -extra-運行到設計運行從定義/mp/782561/highlight/true#M96614
如有必要，還有許多其他方法可以使用「擬合模型」平台進行分析，例如使用逐步模型、廣義迴歸模型等...
但在您的情況下，第 18 行非常好，並且是同一塊 1 中第 17 行的“鏡像”，因此折疊結構存在並受到尊重。
產生設計後，您是否更改了該行（或其他行）中的任何因子值？
您是否嘗試從選單 DOE、最終篩選、Fit 最終篩選）啟動「 Fit DSD 」平台？
您可以分享您的資料集和設計的匿名版本嗎？
希望第一個討論開始可以幫助您，
回覆：最終篩選設計工作流程嗨維克多，
我確實對錶格做了一些更改：
1.我將資料表按區塊升序排序以便組織
2. 運行 19 中的實驗在我收集結果之前由於失敗而不得不刪除。
其中任何一個都會拋棄 DSD 設計嗎？
回覆：最終篩選設計工作流程嗨@sanch1 ，
對資料表進行排序不會改變設計結構和分析。然而，從表中刪除實驗將破壞設計折疊結構（將有一次實驗運行沒有其「鏡像」對應項，這會阻止使用 Fit DSD 分析平台）。您將面臨相同的問題和錯誤訊息，回應缺少值，或排除表中的行。
從設計表中刪除任何運行並嘗試啟動 Fit DSD 平台時，我收到與您相同的錯誤訊息：
我建議使用其他建模平台（如我之前的回覆中所述）進行分析。
希望這能回答您的問題，
回覆：最終篩選設計工作流程我透過逐步使用所有可能的模型方法繼續進行。非常感謝您的幫忙！
回覆：最終篩選設計工作流程請原諒我的評論（如果您願意，可以忽略它們），但逐步分析並不是您應該分析 DOE 的方式。逐步是一種附加模型建立方法，當您心中沒有模型（例如資料探勘）時非常有用。當您進行實驗時，您首先要考慮一個模型。這是因素和水平（以及處理噪音的策略）的函數。從模型中刪除無關緊要的項（減法方法）。
回覆：最終篩選設計工作流程有趣的方法！然而，考慮到我有一個數據點的這種特殊方法（因為我無法完成該運行），您會建議什麼來從我仍然擁有的數據中獲取任何有用的東西？
回覆：最終篩選設計工作流程抱歉，我沒有關注整個線程，我看到維克多在提供建議，所以我沒有發表評論。您使用一定數量的因素和水平進行了實驗。顯然你還決定要運行塊和中心點。無論如何，您應該有一個分配 DF 的模型。您絕對應該使用該模型來分析數據。
請參閱此線程中關於丟失資料的我的建議：
https://community.jmp.com/t5/Discussions/JMP-DOE-chromatography-data-table-How-do-I-enter-values-for/mp/782318#M96561
回覆：最終篩選設計工作流程嗨@statman ，
非常感謝您的意見和評論，它們始終為新用戶和有經驗的用戶提供指導性和周到的指導。
我傾向於同意您關於“理論”方面的逐步方法：對於非（超）飽和設計，假設模型應該是您開始使用的模型，然後再考慮根據統計標準和實際評估對其進行改進/驗證。
對於確定性篩選設計，情況與傳統設計相比往往略有不同，因為您無法估計所有可以估計並輸入模型的可能項目；在具有 8 個因子和 1 個區塊的情況下，這意味著要估計 1 個截距、8 個主效應（+區塊）、2 個因子之間的 28 個交互作用以及 8 個二次效應。這裡使用的設計使用 26 次運行，因此它無法估計具有前面提到的 46 項的完整 RSM 模型，因此如果沒有強有力的假設/簡化，就不可能採用向後/減法方法。
因此需要在「Fit DSD」平台下制定特定的分析策略。如果可能，建議使用「Fit DSD」分析，因為它是比逐步方法更保守的分析策略，假設因子稀疏性和效應遺傳原則成立，首先估計和擬合主效應，然後再考慮與效應遺傳原理並根據主效果模型的殘差對其進行估計。
當 Fit DSD 不可能時（由於缺失值、排除行、添加重複項…任何可能破壞折疊結構並阻止使用 DSD 建議分析方法的因素），那麼您必須在實踐中找到其他方法。逐步可能是一個選項（以及廣義回歸模型，具有「兩階段前向選擇」、「修剪前向選擇」或強制執行效應遺傳的「最佳子集」估計方法，但僅在JMP Pro 中可用），即使其「在設計的實驗中，「暴力」和貪婪方法可能不是最佳的。
我特別喜歡Stepwise平台中的「所有模型」選項（對於模型中有限數量的因素和項），不是直接以暴力方式創建「最佳」模型，而是指導對模型的理解和評估多個模型，並在最終模型中選擇最有可能的活躍項。這可以透過 Peter Goos 在 DoE 模型選擇背景下引入的「柵格圖」進行視覺化，在 JMP 願望清單中提出： 柵格圖或其他視覺化工具可協助 DoE 進行模型評估和選擇
這種視覺化有助於識別最有可能的活躍術語，並查看模型在哪裡/如何同意或不同意。它還可以幫助可視化效果之間的鋸齒。 Peter Goos 的用例範例：
@sanch1最後，“所有模型都是錯誤的，但有些模型是有用的”，因此嘗試和比較不同的建模選項總是很有趣，當領域專業知識可以指導該過程時更是如此。有些方法比其他方法更加保守，但是將不同的建模與領域專業知識相結合可以幫助您對最重要的事情有更廣泛的了解。從那時起，計劃你的下一個實驗來增強你的能源部，確認/完善/糾正你的模型，並準備一些驗證點以便能夠評估你的模型的有效性。
如果您需要更多資訊或有興趣深入分析 DSD 主題，還有其他資源/貼文可以幫助您：
我希望這個補充答案可能會有所幫助，
回覆：最終篩選設計工作流程好吧，我們必須同意不同意。我已經附加了您之前在線程中附加的帶有飽和模型的 DSD（有趣的“擬合模型”腳本）。從那裡你減去項。
僅僅因為您沒有分配 DF 並不意味著它們不會（隨機重複不允許分配）
回覆：最終篩選設計工作流程免責聲明：我不是統計學家，而是以最實際和務實的方式使用統計數據。抱歉，如果我的理解有限或我的解釋不清楚/不正確，我會不斷學習:):)
@statman我不知道你指定的模型，但我們沒有使用相同的假設模型（完全二次+區塊可能與DSD）。透過指定完整的二次模型，您將獲得交互項 X1.X2 的奇點，它是其他項目的線性組合（請參閱具有新增腳本的檔案）。
您是對的，您仍然可以在此處的模型中添加任意數量的項。但實際上，如果您的估計有偏差（歸零、有偏差或腳本中沒有任何標準誤差估計）、缺少p 值以及缺乏指導模型選擇/細化的指標，您如何知道從完整模型中減去哪些項？你們基本上沒有誤差估計和參考來比較/測試？
- 在您的情況和假設的模型中，沒有指示要減去哪個項目（沒有 p 值，項估計沒有標準誤差，...），並且新用戶可能會保持模型不變，因為“R² 等於到1" ，所以它是一個完美的模型"。
- 在我假設的模型中，當完整模型擬合到資料時，只能正確估計和測試主效應和區塊效應。但其餘的所有其他項目都無法正確估計，因此從這種情況向後改進模型可能會變得非常棘手。
逐步和其他相關方法有助於指導使用者並測試許多不同的模型，但模型不應僅依賴統計準確性/擬合指標。領域專業知識和驗證運作對於確認模型的可靠性至關重要。
希望這個答案能澄清我的回答，
回覆：最終篩選設計工作流程請注意，我發布的唯一原因是線程的標題。它提到了工作流程。
我將向您推薦 Cuthbert Daniel（丹尼爾圖又名常態圖和半正態圖）和 GEP Box（也添加了貝葉斯圖）來分析飽和模型的方法。在 Y 軸上指示實際意義的帕累托圖也非常有用。僅僅將項排除在模型之外就會使 MSE 估計值產生偏差，並可能導致對資料的誤解。
Daniel, Cuthbert (1959)，使用半正態圖解釋階乘二水平實驗， Technometrics ，十一月，卷。 1、4號
Box，GEP，Daniel Meyer，(1993)，“尋找分級篩選實驗中的活性因素”， 《質量技術雜誌》 ，卷。 4月25日2號
看看 Box 博士如何分析本文的實驗：
Box, GEP, Stephen Jones (1992)，“穩健產品實驗的裂區設計”， 《應用統計雜誌》 ，卷。 19號1號
