好的， 所以 歡迎。
我是 菲爾 因為， 我也加入了 經過 哈德利 邁爾斯。
是 去 到 演講 關於 O MARS 設計，
這 新的 家庭 的 實驗設計
和 一個 廣告 d-in 那 給你 a 閘道 進入 那 世界。
患病的 開始 和 一個 介紹，
和 我是 去 到 給 你 a 激勵 案件 學習。
我是 去 到 演講 關於 如何 這些 OMARS 設計
橋接 這 差距 我們之間 小的， 高效率的，
確定性篩選設計 我們都是 熟悉的 和，
和 這 更大， 高的- 供電， 更多的 傳統的 r 響應曲面設計
那 你 可能 知道 的。
然後 患病的 經過 超過 到 哈德利
和 地獄 演講 關於 如何 你， 作為 a 跳轉 用戶， 能 創造 和 評價
不同的 OMARS 設計 和 一個 外掛 那 他是 到過 在職的 在。
這些 O MAR 設計，
他們 來 從 a 紙 經過 何塞 努涅斯 阿瑞斯 和 彼得 切。
患病的 只是 展示 你 那 簡要地。
他們 工作 透過 這 列舉 的 數千 的 這樣的 設計，
和 出色地 介紹 你 這些 設計 看 喜歡。
我已經 得到 a 激勵 案件 學習 到 開始。
這 是 從 a 已發布 案件 學習。
這 曾是 已發布 在 雜誌 的 臨床 化學。
它是 a 響應曲面設計。
它是 關於 最佳化 臨床 化學 方法，
所以 一個 測定， 在 這 案件。
這 客觀的 曾是 到 最佳化 一個 測定 方法，
最大化 這 回覆,
這被稱為 升高 血清 30度 C.
他們 有 六 因素， 每個 的 哪個 曾是 a 數量
的 a 不同的 試劑，
和 他們 拿了 a 傳統的 方法。
這 曾是 完畢 相當 一些 時間 前。
他們 產生 a 中心複合設計，
哪個 是 a 非常 傳統的 響應曲面設計 為了 最佳化
和 48分， 哪個 包括 四 中心 點。
我已經 用過的 這 到 激勵 這 使用 的 O MARS 設計。
作為 一個 選擇 到 這 48- 跑步 設計，
I 產生 a 17- 跑步 權威 篩檢 設計 為了 那些 六 因素。
I 也 產生 一個 選擇 31- 跑步 O MARS 設計。
I 拿了 這 模型 從 原版 48分 實驗。
所以 使用 那 數據， 合身 a 模型， 和 使用 那 到 模擬 這 回應
那 我們 可能 預計 為了 這 確定性篩選設計 和 完全 OMARS 設計。
我們 額外 一個 合適的 數量 的 噪音
到 那 到 給 我們 a 實際的 回覆 模擬。
什麼 你是 去 到 看 透過 這 例子
是 那 這 權威 篩檢 設計 是 有效的 在 什麼 它 應該 做，
哪個 是 發現 最重要的 因素。
這 O MARS 設計 啟用 我們 到 最佳化 這 過程 經過 識別 和 估計
全部 的 這 重要的 效果 從 這 回覆 表面 模型。
在 這 方式， 我們 是 說 那 這些 O MARS 設計，
你 能 思考 的 他們 作為 橋接 這 差距 之間 權威 篩檢 設計
和 這 傳統的 回覆 表面 方法 設計，
喜歡 這 中心複合設計。
這裡 是 那 中心複合設計。
這裡 是 我們的 六 因素， 和 這 是 我們的 回覆 的 興趣。
這些 是 一些 的 這 模型 那 我們 合身， 和 是 比較。
它是 a 傳統的 臉- 居中， 中心複合設計。
這 是 只是 三 的 這 因素 可視化。
你 能 看 我們已經 得到 我們的 軸向 點這裡
在 這 臉 的 這 立方體 描述的 經過 這 因素 範圍。
那些 種類 的 設計 是 非常 好的。
他們 得到 很多 的 好的 特性
在 條款 的 這 相關性 之間 效果。
你 能 看 很多 的 白色的 空間 這裡， 哪個 方法 零 相關性，
正交 效果。
他們是 不是 所以 偉大的 和 這 二次函數 效果。
有 相當 強的 相關性 我們所有的二次效應之間
在 一 其他， 哪個 做 減少 這 力量 的 我們的 能力 到 估計
這些 二次函數 效果。
儘管如此， 我們 能 合身 a 好的 模型 到 那。
這 是 這 模型 合身 到 那 原來的 數據。
我們 已識別 那 那裡 真的 是 四 批判的 因素 出去 的 這 六
和 那裡 是 各種各樣的 更高 命令 條款 作為 出色地 那 是 重要的。
真的 這 pH值， 這 P 5P 和， 和 骨髓增生性去氫酶 是 非常 重要的。
這 拉 斯巴達人 酸 和 這 崔斯 緩衝 是 很多 較少的 重要的。
我們 能 建造 a 好榜樣 使用 那 設計。
它是 相當 a 大的 昂貴的 設計， 儘管， 48分。
什麼 會 我們的 替代方案 是？
出色地， 權威 螢幕 設計 顯然 非常 好的
為了 篩檢 這些 種類 的 情況， 篩檢 這 重要的 因素。
我已經 產生 使用 這 相同的 因素， 相同的 因素 範圍，
a 17分 權威 篩檢 設計 為了 那些 六 因素。
A 獲得， 我已經 模擬 這 回覆 數據 那裡 基於 在 這 模型
從 這 已發布 數據 從 這 大的 實驗 那裡。
這 確定的 螢幕 設計 做 什麼 它是 假定 到 做。
它 發現 那 我們已經 得到 這些 四 重要的 因素，
這 pH值， P5 磷， 並且，MDH。
它是 已識別 那些 和 它是 到過 有能力的
到 確認 一些 的 這 更高 命令 效果 那 是 重要的。
現在 在 這 階段， 什麼 你 可以 做 是 増加。
篩檢 設計 是 全部 關於 篩選重要因素
和 然後 在 這 下一個 步 的 這 序列、實驗序列、
我們 能 增強 到 學習 更多的 關於 這 高階效應，
這 更高 命令 條款 為了 這 回覆 表面 模型。
什麼 我是 去 到 展示 你 這裡， 儘管， 是一個 選擇 方法
我們 可以 有 已採取。
這裡 是 一個 實驗 設計 和 31 運行。
再次， 相同的 六 因素， 這 相同的 因素 範圍。
你會 注意 那 它 是 a 三- 等級 設計。
為了 每個 因素， 我們已經 得到設定 在 三 水平。
它是 a 響應曲面設計。
如果 我們 比較 它 使用 這 比較 設計 平台，
然後 我們 能 比較 那些 二 設計。
這 確定性篩選設計 這裡 在 藍色的，
是 尋找 在 這 權力 相對 這 31 跑步 奧馬爾斯 設計。
出色地， 它是 不是 a 驚喜 31 分 設計 有 更高 力量。
一般來說， 我們已經 得到 更多的 跑步， 所以 我們 會 預計 那。
我們 能 看 顯著地 更高 力量 為了 這些 二次函數 效果， 儘管。
其他 事物 到 看 在 這可能會引起人們的興趣
是 這 顏色 地圖 在 相關性。
這是 我們的 17分 權威 篩選設計，
和 你 可能 認出 那 顏色 地圖，
如果 你 知道 任何事物 關於 然後是最終的篩選設計。
這 顏色 地圖 是 確實是一把鑰匙。
它表明 a 鑰匙 財產 的 確定性篩選設計，
哪個 是 那 全部 的 我們的 主要的 效果 是正交的 到 一 其他，
和 這 主要的 效果 是 也 正交 到 這 第二 命令 效果，
這 二次方程式 以及雙重因素 互動。
那是 什麼 全部 那 白色的 空間 那裡 方法。
然後 之內 這 更高 命令 條款，
那裡 是 一些 程度 的 相關性， 但 不 完全的 相關性， 不 混疊。
我們 是 總是 有能力的 到 估計 一些 的 這些 更高 命令 條款，
和 那些 更高 命令 條款 是，在 至少，正交，
完全地 單獨估計 從 這 主要的 效果 因素，
這 事實 奧斯 主要的 效果 相當。
現在如果 我們 看 在 這 31分 O MARS 設計，
你 能 看 它是 得到 相似的 特性。
再次， 我們已經 得到 正交 主要的 效果，
和 那些 主要的 效果 是 正交 到 這 第二 命令 效果。
你 能 看 我們已經 得到 降低 相關性 之間 這 二次函數 效果，
為了 例子。
全面的 和 這 二- 因素 互動 作為 出色地，
那裡 是 降低 相關性。
為什麼 是 這些 事物 稱為 奧馬爾斯？
出色地， 奧馬爾斯 支架 為了 正交 最低限度 別名 R 表面海綿
設計。
再次， 我們已經 得到 正交 主要的 效果，
和 我們已經 得到 最小 混疊 之間 我們的 第二 命令 效果 作為 出色地，
這是 a 響應曲面設計。
在 事實， 兩個都 的 這些，
兩個都 這 權威 篩檢 設計 和 這 31- 跑步 設計 是 奧馬爾。
他們 是 兩個都 正交 最低限度 別名 回應面 設計，
所以 DSD 是 a 子集 的 奧馬爾。
如何 出色地 做 這 履行？
什麼 我已經 完畢 是 I 擬合模型 到 那 模擬 數據。
再次， I 模擬 這 回覆 數據 為了 我們的 31- 跑步 O MARS 設計，
和 我已經 比較的 那 模型 反對 這 17分 確定性篩選設計。
17分 確定性篩選設計 正在做 a 合理的 工作
的 預測 這 實際的 數據。
這裡， 是 比較 如何 出色地 我們的 二 模型
從 這 權威 篩選設計 和 這 OMARS 設計，
如何 出色地 他們 合身 反對 這 實際的 數據 從 這 48分 已發布 例子。
你 能 看 a 很多 改進 模型
和 這 31- 跑步 O MARS 設計， 作為 我們 可能 預計。
在 事實， 這 31- 跑步 O MARS 設計
已正確識別 這 更高 命令 條款 那 是 重要的，
作為 出色地 作為 識別 這 重要的 因素 效果，
哪個 曾是 漂亮的 很多
所有 確定性篩選設計 曾是 有能力的 到 做。
再次， 只是 到 重申， 什麼 是 顯示 這裡
是 那 這些 OMARS 設計
是 真的 一個 擴大 的 權威 篩檢 設計，
和 他們 是 a 橋 之間 那 小的， 高效率的 確定性篩選設計
和 這 更大 傳統的 響應曲面設計。
在 這 觀點， 患病的 手 你 超過 到 哈德利，
誰是 去 到 展示 你 更多的 關於 一個插件 那 他是 創建
那 將要 使能夠 你 到 實際上 探索 這個新班級 的 設計 為了 你自己。
全部 正確的。 感謝 你 非常 很多， 菲爾。
你好 到 每個人 觀看 這 在線的， 無論 你 是。
感謝 你 非常 很多 為了 點選 在 這 講話。
前 I 拿 你 透過 這 外掛 到 展示 你 如何 你 能 使用 它
到 產生 這些 設計 和 選擇 這 最好的 一 為了 你，
ID 喜歡 到 說 那 這 外掛 本身包含 7,886 個文件，
每個 一 包含 a 設計，
在哪裡 這 主要的 效果 是 正交 對每一個 其他 進入 這 更高 命令 條款。
這 外掛 不是 僅有的 給出 你 使用權 到 這些 7,886 新的 設計，
但 它 也 給出 你 使用權 所有這些 設計
和 一個 額外 中心點。
如何 能 我們 選擇 從 之中 這些
幾乎 16,000 設計 這 最好的 一 為了 我們 在 我們的 情況，
儘管 這 外掛 提供 我們 一個 介面 到 允許 我們 到 做 那？
患病的 展示 你 如何 那 作品。
正確的 現在， 這 外掛 被稱為 奧馬爾斯 探索者。
什麼 它 將要 允許 我們 到 做
首先表明 這 數位 的 因素 那 我們 有，
和 這 外掛 在 這 片刻 有能力生成設計
為了 五， 六， 或者 七 連續的 因素。
我們 能 寫 這 最大限度 數位 的 運行 那 我們 能 買得起，
或者 那 我們會 喜歡 到 做，
作為 出色地 作為 無論 我們會 喜歡 a 設計 為了 哪個 我們 可以估計
全部 主要的 效果 或者 全部 這 主要的 效果，
作為 出色地 作為 全部 這 雙重因素 互動 或者 這 滿的 回覆 表面 模型。
我們 有 這 選項 的 產生平行圖，
某物 我們 能 使用 到 幫助 我們 選擇 這 正確的 設計。
患病的 展示 你 如何 那 作品。 所以 患病的 按 好的，
I 能 放 在 這 名字 的 我的 因素 以及 作為 這 高的 和 低的 設定,
但 我是 只是 去 到 離開它 這 方式 它 是 為了 現在。
我已經 到過 給定 這 桌子 和 2,027 設計 那 滿足 我們的 要求。
每個 一 有 五 因素 較少的 比 或者 平等的 到 三十五 跑步，
和 我們 能 合身 a 滿的 回覆 表面 模型。
所以 如何 能 我們 現在 選擇 這 最好的 一？
出色地， 一 事物 我們 可以 使用 是 這 當地的 數據 篩選，
在哪裡 我們 能 選擇 運行 的 a 肯定 設計 的 a 肯定 跑步 長度
有或無 中心點， 作為 出色地 作為 我們的 效率。
這 平均的 或者 最大限度 變異數 的 預言 和 這 權力 為了 這 截距，
這 主要的 效果， 和 然後 這 最低限度 和 平均的 權力
為了 這 雙重因素 互動 在 這 方塊 條款。
如果 我們 有 a 滿的 回覆 表面 模型。
因為 我們 產生 這 平行線 情節，
我們 也 有 這 平行線 陰謀 這裡。
我們 能 使用 全部 的 這 到 然後 零 在
在 設計 那 是 這 最好的 在所有之中 這 一 那 我們已經 選擇。
如果 這 最低限度 力量 的 這 方塊 條款
曾是 某物 那 曾是 重要的 到 我們， 和 I 能 狹窄的 我的 搜尋 到 10 設計
相當 比 從 之中 這 2,000 種設計 那 是 可能的，
一次 我已經 完畢 那， I 能 按 這，
得到 概括 結果 腳本 在 這 桌子， 和 然後 產生 這 桌子 這裡
和 這 名字 的 這 設計， 無論 這 設計 包括
a 中心 觀點 或者 不是， 這 數位 的 跑步， 作為 出色地 作為 全部 的 這 指標。
讓我們 看， I 思考 患病的 去 前方 和 只是 選擇 這 一 這裡。
I 能 按 製作 設計， 和 現在 我已經 到過 給定 這 設計 一個 JMP。
一 事物 患病的 添加 是 那 如果 你 選擇 a 設計 和 這 中心點，
它 添加 a -0 在 這 結尾 到 表明
那 這 中心點 有 到過 額外 到 那 設計。
I 能 現在 去 前方 和 添加 我的 回覆 柱子，
節省 這 桌子， 和 我是 準備好 到 開始 進行 我的 實驗。
作為 菲爾 提及 前，
確定性篩選設計 是 a 子集 的 OMARS 設計。
的 課程， 那裡 是 許多 其他
正交 最低限度 別名 設計 那是 不是 確定性篩選設計。
患病的 展示 你 一個 例子 這裡 那 用途 六 因素 和 a 最大限度 的 20 運行。
在 這 案件， 我們 僅有的 有 八種設計 那 見面 這 標準。
我是 只是 去 到 去 前方 和 選擇 全部 的 他們 和 按 得到 概括 結果。
現在， 這 13- 跑步 設計 這裡 和 這 中心點
實際上是 這 權威 篩檢 設計 為了 六 因素。
你 能 看 那 這 設計 在各方面
除了 為了 這 攔截功率， 更好的 比 這 15- 跑步 O MARS 設計，
哪個 是 不是 a 權威 篩檢 設計。
但 我是 去 到 去 前方 和 選擇 兩個都 的 這些
所以 那 I 能 比較 這 設計。
什麼時候 I 做 那， 它會 打開 兩個都 表 作為 出色地 作為 這 比較 設計 平台。
捲動 向下 到 這 顏色 相關性地圖，
I 能 看 那 這 確定性篩選設計，
哪個 是 這 一 這裡， 看起來 作為 I 會 預計 它 到。
的 課程， 這 O MARS 設計 也是正交的 為了 這 主要的 效果。
那是 什麼 定義 它 作為 一個 O MAR 設計。
但 你會 也 注意 那
這 一 發生 到 是 正交
對於許多 這 更高 命令 效果 作為 出色地。
如果 I 是 到 嘗試 到 合身 這 滿的 回覆 表面 模型
到 添加 那些 條款 到 這 模型，
的 課程， I 慣於 是 有能力的 到 添加 全部 的 他們，
但 我是 有能力的 到 添加 一 額外的 學期 或適合一個 額外的 學期。
使用 我的 O MARS 設計，
然後 I 會 是 使用 這 13- 跑步 確定性篩選設計。
如果 I 嘗試過 到 做 那 ,
所以現在你會 注意 那 這 權力 為了 這 截距， 這 主要的 效果，
和 這 二次方程式 是 都更高 為了 這 O MARS 設計。
他們 是 降低 比 這 權威 篩檢 設計
為了 這 交互作用 條款。
尋找 在 這 分數 的 這 設計 空間 陰謀，
你會 看 那 這 奧馬爾斯 設計 有 a 更高 最大限度 預言 方差，
但 是 降低 比 這 最終篩選設計結束
更多的 比 80% 的 這 設計 空間。
有趣的是， 這 確定性篩選設計 平台
沒有 有 這 能力 到 產生 15- 跑步 六 因素 設計。
我們 能 產生 十三 或者 17分。
如果 我們 不能 買得起 17分，但可以承受15分，
這 提供 我們 也許 一個 可能適合我們的選擇
那 我們會 喜歡 到 考慮 或者 探索 更遠。
一次 再次， 感謝 你們所有人 為了 你的 注意力。
在 這 觀點， ID 喜歡 到 轉動 事物 後退 超過 給菲爾。
謝謝， 哈德利。
只是 到 總結 什麼 你已經 在那裡看到， 什麼 我們已經 顯示 你，
希望 你已經 見過 如何 這些 正交 最低限度 別名
響應曲面設計
能 橋 那 差距 之間 這 小的， 高效率的 確定性篩選設計
和 大的 高的- 供電 傳統的 回覆 表面 方法 設計。
你已經 見過 如何 有 更多的 靈活性。
那裡 是 正交 最低限度 別名 設計 和 三 等級
為了 不同的 數位 的 運行 現在。
如果 a 權威 螢幕 設計 沒有 見面 你的 需求
或者 a 傳統的 回覆 表面 方法 設計 沒有 見面 你的 需求，
你 應該 現在 是 有能力的 到 探索 這些 OMARS 設計。
探索 那些 設計 是 現在 製成 更輕鬆 到 使用 作為 a 跳轉 使用者
和 這 外掛 那 哈德利 有 創建 為了 你。
出色地 明顯地 郵政 連結 到 全部 的 這些 事物 在 這 文章
在 這 社區，
和 那是 a 偉大的 地方 到 讓 我們 知道 如果你有 任何 問題 作為 出色地。
謝謝 非常 很多 為了 你的 注意力。
