什么时候应该只评估主效应？（不是主效应 + 二阶相互作用）你好，
我想知道在什么情况下只需要评估主要影响，而忽略交互影响。
我和一位同事对于如何进行筛选设计有不同的方法，所以我想了解其他人的想法。
我们可以做出以下假设：
- 这是一个筛选设计（假设有 4 个因素 - 2 个级别）
- 到目前为止，我们对相互作用一无所知，理论上，任何相互作用都可能存在
- 材料（实验编号）和时间不受限制
- 可以进行后续 DoE 来增强模型
我重视效率，并且会尽可能地让实验朝着“贪婪的科学家”的心态发展，但是，我不会在损害模型本身的情况下这样做。我担心的是，当可能存在相互作用时，如果实施仅考虑主效应的设计，则可能无法识别它们。如果由于发现主效应不显著而从筛选中剔除某个因子，那么如果存在正相互作用的可能性，那么这是否会冒着识别真正最优值的风险？
实验设计回复：什么时候应该只评估主效应？（不是主效应 + 二阶相互作用）这是一个很好的问题，但不幸的是答案并不明确。虽然我们确实将稀缺性、等级制度和遗传原则（为了使更高阶的效应有效，至少 1 个父母应该有效）视为指导原则，但它们并不是绝对的。有趣的是，F=ma... m （质量）和a （加速度）主效应不在模型中。只有相互作用。
在某些情况下，可以知道别名结构，因此您可以推测哪些可能的（混淆）效应是活跃的。这些可以在后续研究中分离出来（例如，折叠）。部分混叠的实验更难分解。虽然在分析第一个实验之前不会决定您在下一个实验迭代中实际要做什么，但您应该预测所有可能的结果并预测所有可能性。
回复：什么时候应该只评估主效应？（不是主效应 + 二阶相互作用）感谢您的详尽解释。只是想确认一下，如果筛选设计混淆了交互作用，它是否仍会将交互作用中的每个因素识别为显著？然后可以进行进一步的实验，通过交互作用寻找混淆因素？
例子：
主效果画面：
型号：X1、X2、X3、X4
发现的重要因子：X1、X2、X3
D/I 最优：
模型：X1、X2、X3、X1*X2、X2*X3（可能为 X1^2、X2^2、X3^2）
并且在这个例子中，有合理的证据表明 X4 没有与 X1-X3 提供任何相互作用？
谢谢
回复：什么时候应该只评估主效应？（不是主效应 + 二阶相互作用）以下是我的想法：
首先要澄清的是，当您运行因子设计时，相互作用是存在的，它们可能只是别名，因此无法明确分配。您的担忧是合理的。但是，如果您致力于连续实验，您在解释初始实验时犯的错误将在下一次迭代中被发现。
实验没有唯一正确的方法。鉴于您提出的情况，我有以下评论：
1. 4 个因素算不上筛选设计。你可以在 8 种治疗中运行 resIV 中的 4 个因素。我认为筛选设计有 ≥5 个因素，在这种情况下，你开始意识到分馏和顺序设计的好处。
2. 我总是以 SME（领域知识）作为确定分辨率的基础。我建议预测一阶和二阶效应的排序。二阶效应是否可能/很可能？随着二阶效应在排序中的上升，请考虑更高分辨率的设计。
3. 考虑设计空间。高阶效应（例如，相互作用和曲率）发生在空间内。因此，第一个目标是将您的空间移至“接近”最佳状态（当然，没有人知道最佳状态在哪里……我们依靠 SME 提供指导）。然后扩大空间。如果您远离最佳状态，则在空间内进行研究可能效率不高。我们都知道两点之间最快的路径是直线，因此使用 2 个级别的因素来移动空间。这就是筛选背后的想法。对许多因素进行实验，希望找到可以快速移动空间的因素，并专注于重要因素。
4. 不要忽略噪音。在几乎所有情况下，您操纵的因素数量始终是所有因素的一小部分。您对其他因素做了什么？正确的答案是不要保持它们不变。您应该使用什么策略来划分和分配噪音（例如，重复、复制、区组、分割图、嵌套）？在我看来，这是实验中最具挑战性的部分，也是教学最少的部分。不幸的是，该软件没有提供指导。
在所有情况下，设计多个实验。比较和对比。在分配、混杂和限制因素方面，每个实验将发挥什么作用？根据资源权衡并选择一个。
“你设计的最佳设计是你运行后设计的设计”
