好的， 所以 欢迎。
我是 菲尔 因为， 我也加入了 经过 哈德利 迈尔斯。
是 去 到 讲话 关于 O MARS 设计，
这 新的 家庭 的 实验设计
和 一个 广告 d-in 那 给你 a 网关 进入 那 世界。
患病的 开始 和 一个 介绍，
和 我是 去 到 给 你 a 激励 案件 学习。
我是 去 到 讲话 关于 如何 这些 OMARS 设计
桥接 这 差距 我们之间 小的， 高效的，
确定性筛选设计 我们都是 熟悉的 和，
和 这 更大， 高的- 供电， 更多的 传统的 r 响应面设计
那 你 可能 知道 的。
然后 患病的 经过 超过 到 哈德利
和 地狱 讲话 关于 如何 你， 作为 a 跳转 用户， 能 创造 和 评价
不同的 OMARS 设计 和 一个 插件 那 他是 到过 在职的 在。
这些 O MAR 设计，
他们 来 从 a 纸 经过 何塞 努涅斯 阿瑞斯 和 彼得 切。
患病的 只是 展示 你 那 简要地。
他们 工作 通过 这 枚举 的 数千 的 这样的 设计，
和 出色地 介绍 你 这些 设计 看 喜欢。
我已经 得到 a 激励 案件 学习 到 开始。
这 是 从 a 已发布 案件 学习。
这 曾是 已发布 在 杂志 的 临床 化学。
它是 a 响应曲面设计。
它是 关于 优化 临床 化学 方法，
所以 一个 测定， 在 这 案件。
这 客观的 曾是 到 优化 一个 测定 方法，
最大化 这 回复，
这被称为 升高 血清 30度 C.
他们 有 六 因素， 每个 的 哪个 曾是 a 数量
的 a 不同的 试剂，
和 他们 拿了 a 传统的 方法。
这 曾是 完毕 相当 一些 时间 前。
他们 生成 a 中心复合设计，
哪个 是 a 非常 传统的 响应曲面设计 为了 优化
和 48分， 哪个 包括 四 中心 點。
我已经 用过的 这 到 激励 这 使用 的 O MARS 设计。
作为 一个 选择 到 这 48- 跑步 设计，
I 生成 a 17- 跑步 权威 筛查 设计 为了 那些 六 因素。
I 还 生成 一个 选择 31- 跑步 O MARS 设计。
I 拿了 这 模型 从 原版 48分 实验。
所以 使用 那 数据， 合身 a 模型， 和 使用 那 到 模拟 这 回应
那 我们 可能 预计 为了 这 确定性筛选设计 和 完全 OMARS 设计。
我们 额外 一个 合适的 数量 的 噪音
到 那 到 给 我们 a 实际的 回复 模拟。
什么 你是 去 到 看 通过 这 例子
是 那 这 权威 筛查 设计 是 有效的 在 什么 它 应该 做，
哪个 是 发现 最重要的 因素。
这 O MARS 设计 启用 我们 到 优化 这 过程 经过 识别 和 估计
全部 的 这 重要的 效果 从 这 回复 表面 模型。
在 这 方式， 我们 是 说 那 这些 O MARS 设计，
你 能 思考 的 他们 作为 桥接 这 差距 之间 权威 筛查 设计
和 这 传统的 回复 表面 方法 设计，
喜欢 这 中心复合设计。
这里 是 那 中心复合设计。
这里 是 我们的 六 因素， 和 这 是 我们的 回复 的 兴趣。
这些 是 一些 的 这 模型 那 我们 合身， 和 是 比較。
它是 a 传统的 脸- 居中， 中心复合设计。
这 是 只是 三 的 这 因素 可视化。
你 能 看 我们已经 得到 我们的 轴向 点这里
在 这 脸 的 这 立方体 描述的 经过 这 因素 范围。
那些 种类 的 设计 是 非常 好的。
他们 得到 很多 的 好的 特性
在 条款 的 这 相关性 之间 效果。
你 能 看 很多 的 白色的 空间 这里， 哪个 方法 零 相关性，
正交 效果。
他们是 不是 所以 伟大的 和 这 二次函数 效果。
有 相当 强的 相关性 我们所有的二次效应之间
在 一 其他， 哪个 做 减少 这 力量 的 我们的 能力 到 估计
这些 二次函数 效果。
尽管如此， 我们 能 合身 a 好的 模型 到 那。
这 是 这 模型 合身 到 那 原来的 数据。
我们 已识别 那 那里 真的 是 四 批判的 因素 出去 的 这 六
和 那里 是 各种各样的 更高 命令 条款 作为 出色地 那 是 重要的。
真的 这 pH值， 这 P 5P 和， 和 骨髓增生性脱氢酶 是 非常 重要的。
这 拉 斯巴达人 酸 和 这 特里斯 缓冲 是 很多 较少的 重要的。
我们 能 建造 a 好榜样 使用 那 设计。
它是 相当 a 大的 昂贵的 设计， 尽管， 48分。
什么 会 我们的 替代方案 是？
出色地， 权威 屏幕 设计 显然 非常 好的
为了 筛查 这些 种类 的 情况， 筛查 这 重要的 因素。
我已经 生成 使用 这 相同的 因素， 相同的 因素 范围，
a 17分 权威 筛查 设计 为了 那些 六 因素。
A 获得， 我已经 模拟 这 回复 数据 那里 基于 在 这 模型
从 这 已发布 数据 从 这 大的 实验 那里。
这 确定的 屏幕 设计 做 什么 它是 假定 到 做。
它 发现 那 我们已经 得到 这些 四 重要的 因素，
这 pH值， P5 磷， 并且，MDH。
它是 已识别 那些 和 它是 到过 有能力的
到 确认 一些 的 这 更高 命令 效果 那 是 重要的。
现在 在 这 阶段， 什么 你 可以 做 是 増加。
筛查 设计 是 全部 关于 筛选重要因素
和 然后 在 这 下一个 步 的 这 序列、实验序列、
我们 能 增强 到 学习 更多的 关于 这 高阶效应，
这 更高 命令 条款 为了 这 回复 表面 模型。
什么 我是 去 到 展示 你 这里， 尽管， 是一个 选择 方法
我们 可以 有 已采取。
这里 是 一个 实验 设计 和 31 运行。
再次， 相同的 六 因素， 这 相同的 因素 范围。
你会 注意 那 它 是 a 三- 等级 设计。
为了 每个 因素， 我们已经 得到设置 在 三 水平。
它是 a 响应曲面设计。
如果 我们 比较 它 使用 这 比较 设计 平台，
然后 我们 能 比较 那些 二 设计。
这 确定性筛选设计 这里 在 蓝色的，
是 寻找 在 这 权力 相对 这 31 跑步 奥马尔斯 设计。
出色地， 它是 不是 a 惊喜 31 分 设计 有 更高 力量。
一般来说， 我们已经 得到 更多的 跑步， 所以 我们 会 预计 那。
我们 能 看 显著地 更高 力量 为了 这些 二次函数 效果， 尽管。
其他 事物 到 看 在 这可能会引起人们的兴趣
是 这 颜色 地图 在 相关性。
这是 我们的 17分 权威 筛选设计，
和 你 可能 认出 那 颜色 地图，
如果 你 知道 任何事物 关于 然后是最终的筛选设计。
这 颜色 地图 是 确实是一把钥匙。
它表明 a 钥匙 财产 的 确定性筛选设计，
哪个 是 那 全部 的 我们的 主要的 效果 是正交的 到 一 其他，
和 这 主要的 效果 是 还 正交 到 这 第二 命令 效果，
这 二次方程 以及双因素 互动。
那是 什么 全部 那 白色的 空间 那里 方法。
然后 之内 这 更高 命令 条款，
那里 是 一些 程度 的 相关性， 但 不 完全的 相关性， 不 混叠。
我们 是 总是 有能力的 到 估计 一些 的 这些 更高 命令 条款，
和 那些 更高 命令 条款 是，在 至少，正交，
完全地 单独估计 从 这 主要的 效果 因素，
这 事实 奥斯 主要的 效果 相当。
现在如果 我们 看 在 这 31分 O MARS 设计，
你 能 看 它是 得到 相似的 特性。
再次， 我们已经 得到 正交 主要的 效果，
和 那些 主要的 效果 是 正交 到 这 第二 命令 效果。
你 能 看 我们已经 得到 降低 相关性 之间 这 二次函数 效果，
为了 例子。
全面的 和 这 二- 因素 互动 作为 出色地，
那里 是 降低 相关性。
为什么 是 这些 事物 称为 奥马尔斯？
出色地， 奥马尔斯 支架 为了 正交 最低限度 别名 R 表面海绵
设计。
再次， 我们已经 得到 正交 主要的 效果，
和 我们已经 得到 最小 混叠 之间 我们的 第二 命令 效果 作为 出色地，
这是 a 响应曲面设计。
在 事实， 两个都 的 这些，
两个都 这 权威 筛查 设计 和 这 31- 跑步 设计 是 奥马尔。
他们 是 两个都 正交 最低限度 别名 响应面 设计，
所以 DSD 是 a 子集 的 奥马尔。
如何 出色地 做 这 履行？
什么 我已经 完毕 是 I 拟合模型 到 那 模拟 数据。
再次， I 模拟 这 回复 数据 为了 我们的 31- 跑步 O MARS 设计，
和 我已经 比较的 那 模型 反对 这 17分 确定性筛选设计。
17分 确定性筛选设计 正在做 a 合理的 工作
的 预测 这 实际的 数据。
这里， 是 比较 如何 出色地 我们的 二 模型
从 这 权威 筛选设计 和 这 OMARS 设计，
如何 出色地 他们 合身 反对 这 实际的 数据 从 这 48分 已发布 例子。
你 能 看 a 很多 改进 模型
和 这 31- 跑步 O MARS 设计， 作为 我们 可能 预计。
在 事实， 这 31- 跑步 O MARS 设计
已正确识别 这 更高 命令 条款 那 是 重要的，
作为 出色地 作为 识别 这 重要的 因素 效果，
哪个 曾是 漂亮的 很多
所有 确定性筛选设计 曾是 有能力的 到 做。
再次， 只是 到 重申， 什么 是 显示 这里
是 那 这些 OMARS 设计
是 真的 一个 扩大 的 权威 筛查 设计，
和 他们 是 a 桥 之间 那 小的， 高效的 确定性筛选设计
和 这 更大 传统的 响应曲面设计。
在 这 观点， 患病的 手 你 超过 到 哈德利，
谁是 去 到 展示 你 更多的 关于 插件 那 他是 创建
那 将要 使能够 你 到 实际上 探索 这个新班级 的 设计 为了 你自己。
全部 正确的。 感谢 你 非常 很多， 菲尔。
你好 到 每个人 观看 这 在线的， 无论 你 是。
感谢 你 非常 很多 为了 点击 在 这 讲话。
前 I 拿 你 通过 这 插件 到 展示 你 如何 你 能 使用 它
到 产生 这些 设计 和 选择 这 最好的 一 为了 你，
ID 喜欢 到 说 那 这 插件 本身包含 7,886 个文件，
每个 一 包含 a 设计，
在哪里 这 主要的 效果 是 正交 对每一个 其他 进入 这 更高 命令 條款。
这 插件 不是 仅有的 给出 你 使用权 到 这些 7,886 新的 设计，
但 它 还 给出 你 使用权 所有这些 设计
和 一个 额外 中心点。
如何 能 我们 选择 从 之中 这些
几乎 16,000 设计 这 最好的 一 为了 我们 在 我们的 情况，
尽管 这 插件 提供 我们 一个 界面 到 允许 我们 到 做 那？
患病的 展示 你 如何 那 作品。
正确的 现在， 这 插件 被称为 奥马尔斯 探索者。
什么 它 将要 允许 我们 到 做
首先表明 这 数字 的 因素 那 我们 有，
和 这 插件 在 这 片刻 有能力生成设计
为了 五， 六， 或者 七 连续的 因素。
我们 能 写 这 最大限度 数字 的 运行 那 我们 能 买得起，
或者 那 我们会 喜欢 到 做，
作为 出色地 作为 无论 我们会 喜欢 a 设计 为了 哪个 我们 可以估计
全部 主要的 效果 或者 全部 这 主要的 效果，
作为 出色地 作为 全部 这 双因素 互动 或者 这 满的 回复 表面 模型。
我们 有 这 选项 的 生成平行图，
某物 我们 能 使用 到 帮助 我们 选择 这 正确的 设计。
患病的 展示 你 如何 那 作品。 所以 患病的 按 好的，
I 能 放 在 这 名字 的 我的 因素 以及 作为 这 高的 和 低的 设置，
但 我是 只是 去 到 离开它 这 方式 它 是 为了 现在。
我已经 到过 给定 这 桌子 和 2,027 设计 那 满足 我们的 要求。
每个 一 有 五 因素 较少的 比 或者 平等的 到 三十五 跑步，
和 我们 能 合身 a 满的 回复 表面 模型。
所以 如何 能 我们 现在 选择 这 最好的 一？
出色地， 一 事物 我们 可以 使用 是 这 当地的 数据 筛选，
在哪里 我们 能 选择 运行 的 a 肯定 设计 的 a 肯定 跑步 长度
有或无 中心点， 作为 出色地 作为 我们的 效率。
这 平均的 或者 最大限度 方差 的 预言 和 这 权力 为了 这 截距，
这 主要的 效果， 和 然后 这 最低限度 和 平均的 权力
为了 这 双因素 互动 在 这 正方形 條款。
如果 我们 有 a 满的 回复 表面 模型。
因为 我们 生成 这 平行线 情节，
我们 还 有 这 平行线 阴谋 这里。
我们 能 使用 全部 的 这 到 然后 零 在
在 设计 那 是 这 最好的 在所有之中 这 一 那 我们已经 选择。
如果 这 最低限度 力量 的 这 正方形 条款
曾是 某物 那 曾是 重要的 到 我们， 和 I 能 狭窄的 我的 搜索 到 10 设计
相当 比 从 之中 这 2,000 种设计 那 是 可能的，
一次 我已经 完毕 那， I 能 按 这，
得到 概括 结果 脚本 在 这 桌子， 和 然后 产生 这 桌子 这里
和 这 名字 的 这 设计， 无论 这 设计 包括
a 中心 观点 或者 不是， 这 数字 的 跑步， 作为 出色地 作为 全部 的 这 指标。
让我们 看， I 思考 患病的 去 前方 和 只是 选择 这 一 这里。
I 能 按 制作 设计， 和 现在 我已经 到过 给定 这 设计 一个 JMP。
一 事物 患病的 添加 是 那 如果 你 选择 a 设计 和 这 中心点，
它 添加 a -0 在 这 结尾 到 表明
那 这 中心点 有 到过 额外 到 那 设计。
I 能 现在 去 前方 和 添加 我的 回复 柱子，
节省 这 桌子， 和 我是 准备好 到 开始 进行 我的 实验。
作为 菲尔 提及 前，
确定性筛选设计 是 a 子集 的 OMARS 设计。
的 课程， 那里 是 许多 其他
正交 最低限度 别名 设计 那是 不是 确定性筛选设计。
患病的 展示 你 一个 例子 这里 那 用途 六 因素 和 a 最大限度 的 20 运行。
在 这 案件， 我们 仅有的 有 八种设计 那 见面 这 标准。
我是 只是 去 到 去 前方 和 选择 全部 的 他们 和 按 得到 概括 结果。
现在， 这 13- 跑步 设计 这里 和 这 中心点
实际上是 这 权威 筛查 设计 为了 六 因素。
你 能 看 那 这 设计 在各方面
除了 为了 这 拦截功率， 更好的 比 这 15- 跑步 O MARS 设计，
哪个 是 不是 a 权威 筛查 设计。
但 我是 去 到 去 前方 和 选择 两个都 的 这些
所以 那 I 能 比较 这 设计。
什么时候 I 做 那， 它会 打开 两个都 表 作为 出色地 作为 这 比较 设计 平台。
滚动 向下 到 这 颜色 相关性地图，
I 能 看 那 这 确定性筛选设计，
哪个 是 这 一 这里， 看起来 作为 I 会 预计 它 到。
的 课程， 这 O MARS 设计 也是正交的 为了 这 主要的 效果。
那是 什么 定义 它 作为 一个 O MAR 设计。
但 你会 还 注意 那
这 一 发生 到 是 正交
对于许多 这 更高 命令 效果 作为 出色地。
如果 I 是 到 尝试 到 合身 这 满的 回复 表面 模型
到 添加 那些 条款 到 这 模型，
的 课程， I 惯于 是 有能力的 到 添加 全部 的 他们，
但 我是 有能力的 到 添加 一 额外的 学期 或适合一个 额外的 学期。
使用 我的 O MARS 设计，
然后 I 会 是 使用 这 13- 跑步 确定性筛选设计。
如果 I 尝试过 到 做 那 ,
所以现在你会 注意 那 这 权力 为了 这 截距， 这 主要的 效果，
和 这 二次方程 是 都更高 为了 这 O MARS 设计。
他们 是 降低 比 这 权威 筛查 设计
为了 这 相互作用 條款。
寻找 在 这 分数 的 这 设计 空间 阴谋，
你会 看 那 这 奥马尔斯 设计 有 a 更高 最大限度 预言 方差，
但 是 降低 比 这 最终筛选设计结束
更多的 比 80% 的 这 设计 空间。
有趣的是， 这 确定性筛选设计 平台
没有 有 这 能力 到 产生 15- 跑步 六 因素 设计。
我们 能 产生 十三 或者 17分。
如果 我们 不能 买得起 17分，但可以承受15分，
这 提供 我们 也许 一个 可能适合我们的选择
那 我们会 喜欢 到 考虑 或者 探索 更远。
一次 再次， 感谢 你们所有人 为了 你的 注意力。
在 这 观点， ID 喜欢 到 转动 事物 后退 超过 致菲尔。
谢谢， 哈德利。
只是 到 总结 什么 你已经 在那里看到， 什么 我们已经 显示 你，
希望 你已经 见过 如何 这些 正交 最低限度 别名
响应曲面设计
能 桥 那 差距 之间 这 小的， 高效的 确定性筛选设计
和 大的 高的- 供电 传统的 回复 表面 方法 设计。
你已经 见过 如何 有 更多的 灵活性。
那里 是 正交 最低限度 别名 设计 和 三 级别
为了 不同的 数字 的 运行 现在。
如果 a 权威 屏幕 设计 没有 见面 你的 需求
或者 a 传统的 回复 表面 方法 设计 没有 见面 你的 需求，
你 应该 现在 是 有能力的 到 探索 这些 OMARS 设计。
探索 那些 设计 是 现在 制成 更轻松 到 使用 作为 a 跳转 用户
和 这 插件 那 哈德利 有 创建 为了 你。
出色地 明显地 邮政 链接 到 全部 的 这些 事物 在 这 文章
在 这 社区，
和 那是 a 伟大的 地方 到 让 我们 知道 如果你有 任何 问题 作为 出色地。
谢谢 非常 很多 为了 你的 注意力。
