758509_zh-CN

liliconcom

DOE Gumbo：混合和增强设计如何带来更有效的设计选择 (2020-US-EPO-568)

Heath Rushing，Adsurgo 负责人

DOE Gumbo：混合设计和增强设计如何带来更有效的设计选择

我祖母做秋葵浓汤时，似乎从来不遵循自己的食谱。当我问起祖母的食谱时，她告诉我：“总要尝试不同的方法。除非你尝试新的东西，否则你永远不知道自己能不能做出更好的秋葵浓汤！” 实验设计也是如此。很多时候，我们选择的是过去用过的设计，却无法在秋葵浓汤中尝试新的设计。我们可以构建不同类型的混合设计，或者使用不同的标准在原始的最优设计上添加点。然后，我们可以用它与最初的设计选择进行比较。这些方法可以让你设计出允许你添加相关约束（和/或因子）的设计，这些约束是你以前认为不可能的，或者拥有你过去可能没有考虑到的独特设计特征的设计。本次演讲将介绍多种设计选择：混合混合空间填充设计、使用现有必需设计点进行增强的最优设计，以及使用I和A最优设计点增强D最优设计构建的最优设计。此外，本次演讲还介绍了选择这些设计方案的动机以及在实践中有用的设计选择。

自动生成的成绩单...

扬声器	抄本
希思·拉辛	我叫希思·拉欣 (Heath Rushing)。我是 Adsurgo 的负责人，我们是一家培训和咨询公司，与许多不同的公司合作。
	今天上午，我将谈谈我在制药和生物制药公司工作的一些经历。
	许多科学家和工程师正在从事工艺和产品开发以及特性配方优化等工作。
	我发现其中很多……很多科学家过去都曾使用过类似的产品、工艺或配方的设计。
	他们所做的就是继续前进，他们只是说，“嘿，让我采用我过去使用过的设计。
	它成功了。你知道，它过去一直运行良好。所以我们就继续使用这个设计吧。
	在每一个例子中，我们的做法是，在原有设计的基础上，设计出某种机制，做一些稍微不同的事情。对。我们要么用一个
	使用不同类型的优化标准，或者我们在他们添加运行之前或之后对其进行增强。
	第一个案例我们做的是，我们构建了一个混合设计。对。然后第一个案例是产品配方……抱歉……配方优化问题，
	过去有一位科学家……进行了30次Scheffe-Cubic混合设计。在混合设计中，
	工艺参数是变量，实验中的因素是混合物。因此，存在一个特定的百分比，使整体混合物加起来等于100%。
	是的，他们觉得这个方法效果很好，能帮他们找到配方的最佳设置。不过，他们真正想进一步探讨的是，他们说，
	这些设计倾向于在实验中关注边缘附近的设计点。我们想要做的是进一步刻画设计空间。
	因此，我们采用了最初的 30 次运行设计，但我们没有这样做，而是进行了一次……我们开发了一个实验，构建了 18 次运行的实验
	混合实验，然后我们用12空间填充设计对其进行了扩展。空间填充设计在计算机模拟中被广泛使用。
	真的，你知道，我曾经在一次会议上说过，“你知道它是用来填充空间的。” 但这些设计到底起什么作用，我要对两者进行比较，
	它会放置设计点。在这个例子中，我尝试最小化每个设计点之间的距离。
	正如你所见，左边的设计，他们认为足够好或合适的是30次混合运行设计。正如你所见，它在设计的边缘和中心附近运行得很多。右边的设计真的
	18个混合设计点加上12个空间填充设计点。所以这实际上是一种混合设计，是混合设计和空间填充设计的混合。
	正如你所看到的，你知道，基于他们的目标，试图描述
	那个设计空间稍微好一点，正如你所看到的，右边的那个在表征那个设计空间方面做得更好，对吧？它有足够的预测方差。这是他们选择运行的一个设计，他们找到了一个，并在此基础上找到了最优解。
	第二种设计选择
	在过去，很多人使用实验设计来描述过程特性，
	许多科学家会做的是，他们会像设定点一样运行中心点
	然后还要进行所谓的PAR运行，或者说验证可接受范围。假设他们有四个工艺参数。他们会做的是，将其中三个工艺参数保持在设定点，并将第四个
	走向极端。最低值和最高值。他们会针对每个工艺参数进行一系列类似的实验。
	它们实际上表明的是，如果所有东西都在设定点，而其中一个在边缘附近偏离，
	然后我们只需要证明它完全符合规格。对。所以他们仍然喜欢做很多这样的运行。
	我开始的设计是，我有一个科学家，他采用了那些 PAR 和那些中心点运行，并在他们建立了 I 最优设计之后将它们添加进去。
	I 最优设计用于预测和优化。在本例中，这就是他们想要的设计类型，但他们在 I 最优设计之后添加了它。
	我问他们，为什么不直接把这些测试结果加进去，然后再构建最优设计呢？如果是这样的话，
	JMP 中的 ??? 算法会说，“你知道，我要获取这些点，然后得出下一组最佳的运行结果。”
	对。所以我们取了这18个设计点，然后又增加了11个……抱歉，是11个……加上……原来的11个设计点和18个最佳点。每次我们这样做的时候，如果你在设计中查看，就会发现，这就是PAR运行被添加的地方……
	在之前添加，你会发现，在因子交互作用中，主效应的功效，即二次效应，比在之后添加PAR运行的结果要高。你会看到，生产方差，
	如果你看一下预测方差，你会发现预测方差非常相似。但你看，就像在设计空间的边缘附近，你会看到那些
	每当我们用 I 最优值增强 PAR 运行时，PAR 运行次数都会少很多。
	这里的关键是，每当我观察相关性时，我认为相关性，特别是主效应，在使用 PAR 增强和两个 I 最优时要好得多，而他们之前的做法是采用 I 最优，然后用 PAR 运行来增强它们。
	第三个设计。第三个设计是，我让一位科学家进行了 17 次运行的 D 最优设计，然后又进行了 8 次运行，最终从 D 最优设计变成了 I 最优设计。
	现在他们从D最优设计（一种筛选设计）开始，然后通过点集扩充，最终过渡到I最优设计。JMP
	有一个……这并非真正的新设计，但它是 JMP 的新设计；它被称为“最优设计”。“最优设计”
	允许你权衡这些因素。对。所以我有了一个主意。我说：“你知道，我过去很多次，从D开始
	扩展到 I 最优设计。如果我们这样做会怎么样？实际上，如果我们把原来的 17 次运行的 D 最优设计扩展到 I 最优设计，然后再扩展到 A 最优设计，我们会怎么样？其中我们对这些二次项进行加权，
	或者我们采用 D 最优设计，将其增强为 A 最优设计，其中我们对二次项进行加权，然后增强为 I 最优设计？“所以这实际上是两种不同的增强，从 D 到 A 再到 I，
	以及 D 到 I 到 A。也直接变成了 D 到 A。对。我想把它和最初的设计选择做个比较，最初的设计选择是
	D 型与 I 型最优设计。现在，我真的很想告诉你们，我的想法是可行的。但作为一名优秀的统计学家，我应该告诉你们，我认为事实并非如此。
	如果我看一下预测方差，就响应曲面设计而言，我们试图最小化整个设计区域的预测方差，
	你看，他们原始设计的预测方差更低了。好吧，甚至比我做A类最优设计时低得多，直接用A类最优设计。
	如果你看一下设计空间的比例，你会发现整个设计空间的预测方差比 A 最优设计小得多，而且比我从 D 到 A 再到 I 时要好一点，
	D 到 I 到 A。与其他设计选择相比，我发现原始设计唯一的缺点是，你知道，有一些二次效应，对，有一些二次效应
	相关性比我希望看到的要高一点。而且你看，最优设计，它的二次效应要低得多。所以我最初的论点是
	很多时候，科学家和工程师都有过去做过的设计。
	我总是说，我们不想重复过去的设计，这很正常。我们来尝试一些不同的东西吧。
	产品可能略有不同，工艺可能略有不同，配方也可能略有不同。如果你用这些与原始设计进行比较，就能选出最佳的设计方案。
	最后，我想感谢 Adsurgo 的团队成员。
	您知道，我们一直都有团队成员和客户......我们的客户提出了具有挑战性的问题，而我们的团队成员始终致力于为我们的客户提供最佳解决方案。
	现在，我最后要说的是，这些设计确实是从客户的例子中借鉴而来，但并非完全相同的例子。它们的数据没有任何意义。
	因此，我想向我的一位客户 Sean Essex（来自 Poseida Therapeutics）表示感谢，他经常遇到一些非常棘手的问题，有时
	他会提出一个问题。然后我会说，你知道，这是一个解决方案，而且是我们还没见过的。所以
	祝你有美好的一天。

高级统计建模基础数据分析与建模消费者和市场研究实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析