你好。 我的 姓名 是 布拉德利 瓊斯。 I 帶領 這 團隊 的 美國能源部和 可靠性 在 跳轉， 和 I 想 到 演講 到 你 今天 關於 a 家庭 的 正交 主要的 效果 篩檢 設計 為了 混合 等級 因素。 這 是 a 主題 哪個 我是 真的 興奮的 關於。 我們 只是 已提交 a 修訂 到 這 紙 為了 這 和 我是 希望 那 它 將要 得到 公認 所以 我們 能 包括 它 沿著 和 確定的 篩檢 設計 在 這 DoE平台 在 JMP. L 中 和的 得到 開始了。
我的 合作者 為了 這 工作 是 克里斯 納希茨海姆， 誰是 a 教授 在 這 大學 的 明尼蘇達州 卡爾森 學校 的 商業， 和 瑞安 萊基維茨， 誰是 a 成員 的 我的 能源部團隊 在 跳轉。
這是 我的 議程。 我是 去 到 開始 和 a 小的 位元 的 歷史 和 一些 技術的 準備工作。 然後 我是 去 到 描述 三 不同的 大樓 為了 這些 正交 混合 等級 篩檢 設計。 T 這裡 是 三 不同的 方法 那 我們 能 製作 他們。
患病的 展示 你 這 跳轉 腳本 語言 為了 創造 這些 設計 套。 那 將要 僅有的 是 必要的 直到 我們 能 得到 他們 建造 進入 跳轉 本身。 然後 患病的 花費 a 小的 位元 的 時間 尋找 在 這 設計 特性 為了 設計 建造 在下面 這些 三 方法。 患病的 討論 數據 分析 為了 這些 設計 和 展示 一個 例子 在 跳轉， 和 然後 患病的 製作 a 概括 和 一些 建議 在 這 結尾。 讓我們 開始 和 一些 歷史 和 動機。
這 第一的 篩檢 設計 是 分數 階乘 設計 喜歡 公寓 設計， 或者 非 常規的 分數 階乘 設計 或者 常規的 分數 階乘 設計。 為了 這些 設計， 每一個 因素 曾是 在 二 等級 僅有的。 在 工程師 那 I 有 談論 到 有 毛氈 不舒服 關於 這些 設計 因為 他們 毛氈 那 這 世界 傾向 到 是 非線性 和 二 等級 只是 不是 充足的 到 捕獲 非線性 在 這 影響 的 a 因素 在 a 回覆.
然後 在 2011年， 確定的 篩檢 設計 到達的 和 這裡 全部 這 因素 是 假定 到 是 連續的 和 每個 因素 曾是 在 三 級別， 哪個 允許 你 到 合身 曲線 到 這 關係 之間 因素 和 回應。 A t 這 底部 那裡 是 這 引文 對於或 這 參考 為了 這 紙 那 第一的 介紹 這些 設計 在 2011年。
現在， 那裡 是 一些 優點 為了 我們的 最初的 執行 的 DSD 和 也 一些 缺點。 讓我們 去 透過 這 優點 第一的。 這 優點 是 那 在 至少 在 我們的 原來的 執行， 六 因素， 八 因素 和 10 因素 確定的 螢幕 設計 有 正交 主要的 效果， 但 我們 是 無法 到 得到 正交 主要的 效果 為了 更多的 因素。 它 轉彎 出去 那 a 年 之後， 某人 已發布 a 好的 方式 的 得到 正交 設計 為了 確定的 篩檢 實驗 為了 每一個 甚至 數位 的 因素 為了 哪個 會議 矩陣 是 可用的。 那 曾是 a 大的 進步。
其他 好的 事物 關於 DSD 是 那 這 主要的 效果是 正交 二- 因素 互動 所以 那 這 估計 的 a 主要的 影響 將要 絕不 是 有偏見 經過 任何 積極的 二- 因素 相互作用。
這 真的 令人興奮的 方面 關於 DSD 是 那 全部 這 二次函數 效果 是 可估計的， 哪個 是 絕不 可能的 和 篩檢 設計。 甚至 和 中心點， 你 能 探測 那 那裡 是 a 非 線性 影響， 你 只是 不 知道 在哪裡 它是 未來 從。
然後 最後， 在 DSD， 如果 那裡 是 六 因素 或者 更多的， 和 僅有的 三 的 這 因素 轉動 出去 到 是 重要的， 然後 在 這 相同的 時間 你 做 篩檢， 你 能 也 做 回覆 表面 最佳化. 你 可以 或許 得到， 如果 你是 幸運的， a 篩檢 設計 和 a 回覆 表面 設計 o 最佳化 a 過程 在 一 射擊。 你 有 到 是 幸運的， 的 課程， 你 有 到 有 三 或者 更少 積極的 效果 或者 因素。
這 缺點 的 這 最初的 執行 的 確定的 篩檢 設計 是 那 第一的， 他們 不能 容納 分類 因素。 第二， 他們 不能 容納 任何 阻塞。 第三， 一些 研究者 有 尖 出去 那 為了 偵測 小的 二次函數 效果， 那 是， 二次函數 效果 在哪裡 這 尺寸 的 這 影響 是 關於 這 相同的 命令 作為 這 錯誤 標準 偏差， 那裡 是 低的 力量 為了 這些 估計， 偵測 他們 成功地。 的 課程， 如果 這 二次函數 影響 是 大的， 然後 的 課程 你 能 探測 它， 尤其 如果 它是 三 次 作為 大的 作為 這 誤差標準 偏差。
現在， 後 這 原來的 出版品 的 DSD， 我們 是 出色地 意識到的 那 它 曾是 a 問題 那 我們 不能 容納 二 等級 分類 因素。 所以 我們 寫道 a 新的 紙 在 雜誌 的 品質 科技 在 2013 那 顯示 如何 到 包含 2- 等級 分類 因素。
然後 在 2016年， 我們 寫道 其他 紙 在 技術計量學 那 顯示 如何 到 堵塞 確定的 螢幕 設計 使用 正交 積木， 區塊 那 是 正交 到 這 因素。 W e 是 嘗試 步- 經過- 步 到 地址 這 缺點 那 是 聯繫 和 原來的 執行 的 這 方法論。 其他 事物 那 我們 注意到 曾是 那 人們 是 擁有 a 小的 位元 的 麻煩 會心 如何 到 分析 確定的 篩檢 設計。 我們 發明 一個 分析 科技 那 曾是 基於 在 我們的 理解 的 這 結構 的 a 渠務署。 它 拿了 特別的 優勢 的 這 特別的 結構 的 a 渠務署 到 製作 這 分析 敏感的 到 那 結構。 相當 比 嘗試 到 使用 一些 通用的 模型 選擇 工具 喜歡 逐步 或者 套索 或者 一 的 那些。
這 製成 它 可能的 為了 a 非專家 在 模型 選擇 到 使用 這 出去 的 這 盒子 自動化 科技 為了 分析 a 確定的 篩檢 設計。 那 曾是 在 2017年， 但 有 仍然 問題。
第一的， 我們 做過 寫 那 紙 那 額外 分類 因素 到 a 渠務署， 但 如果 你 有 更多的 比 三， 這 品質 的 這 設計 去了 向下， 和 那 曾是 不受歡迎。 在 事實， 如果 你 有 也 許多 分類 因素， 事物 沒有 看 好的 在 全部。 那 曾是 一個 問題。 A 獲得， 二次函數 效果 有 到過 尖 出去 到 有 低的 力量 如果 他們是 小的。 這 目的 的 這 演講 是 到 介紹 a 新的 家庭 的 設計 那 地址 這些 問題。 H 還 我們 去。
第一的， I 有 到 做 一些 技術的 準備工作 到 解釋 什麼 我們 需要 到 有 這 能力 到 做 在 命令 到 建造 這些 設計。 我是 去 到 開始 出去 經過 說 關於 會議 矩陣。 這 會議 矩陣 是 這 工具 那 這 第二 紙 那 討論 DSD 在 2012 和 介紹 全部 這 正交 DSD 為了 十二 因素， 14 因素， 16 因素， 和 所以 在。 他們 使用 會議 矩陣 到 製作 那 發生。
I 需要 到 展示 你 什麼 a 會議 矩陣 是。 你 能 看 這裡， 會議 矩陣， 那 是 四 因素 和 四 跑步， 和 那裡 是 零 在 這 對角線 元素 和 一 和 減 一 離開 這 對角線。 T 他 涼爽的 事物 關於 a 會議 矩陣 是 那 如果 你 乘 這 轉置 的 會議 矩陣 和 這 會議 矩陣， 你 得到 一個 身分 矩陣 次 這 一 減 這 數位 的 列 在 這 設計。 I 的 一個 正交 設計。
現在， 會議 矩陣 存在 什麼時候 這 數位 的 列 和 列 是 平等的。 他們是 方塊 矩陣 和 他們 僅有的 存在 什麼時候 這 數位 的 列 和 列 是 一個 甚至 數字。 有 a 會議 矩陣 為了 每一個 甚至 數位 的 列 和 列 從 二 列 或者 和 二 列 到 三十 列 和 三十 列， 除了 為了 這 案件 在哪裡 這 數位 的 列 和 列 是 22. 它是 實際上 到過 已證實 那 這 案件 在哪裡 那裡 是 2 2 行 1 列 奈秒， 這 會議 矩陣 有 到過 已證實 不是 到 存在。 所以 有 不 方式 到 構造 一， 可悲的是， 雖然 I 不能 證明 那 結果 我。
好的， 這 下一個 事物 I 需要 到 演講 關於 是 某物 稱為 a 克羅內克積， 哪個 用途 那 圓 象徵 和 一個 X 在 這 中間 的 它， 所以 那 什麼時候 你 看 那 在 一個 方程， 它 方法 你 想 到 製作 a 克羅內克 產品。 這 克羅內克積 是 也 稱為 a 直接的 產品， 和 在 事實， 跳轉 腳本 語言， 語言 JSL 製造 Kronecker 產品 的 矩陣 使用 這 直接的 產品 命令， 不是 這 克羅內克 產品 命令。
這 克羅內克積 的 a 向量 一 堆疊 在 頂部 的 消極的 一 和 a 會議 矩陣 堆疊 C 在 頂部 的 消極的 C 作為 以下。 什麼 這 克羅內克 產品 做 是 為了 每一個 元素 在 這 第一的 矩陣， 它 替代品 那 元素 次 這 第二 矩陣。 所以 一 次 這 會議 矩陣 是 只是 這 會議 矩陣， 和 消極的 一 次 這 會議 矩陣 是 消極的 的 這 會議 矩陣。
基本上， a 克羅內克 產品 的 一 減 一 和 a 會議 矩陣 只是 堆疊 這 會議 矩陣 在 頂部 的 本身。 所以 這是 a 案件 在哪裡 I 做過 只是 那。 你 有 a 四 經過 四 會議 矩陣 在 頂部 的 它是 折疊 , 哪個 是 也 四 經過 四、 和 如果 你 是 到 添加 a 排 零， 你會 有 a 四 因素 確定的 篩檢 設計。
會議 矩陣 是 有用， Kronecker 產品 是 也 非常 有用 為了 建構 設計， 作為 它 轉彎 出去。 I 有 a 很少 更多的 準備工作 到 去 超過。 讓 我 演講 a 小的 位元 關於 阿達瑪矩陣。 阿達瑪矩陣 是 也 方塊 矩陣， 但 他們是 建造 的 一 和 減 個。 我們 有 阿達瑪矩陣 建造 進入 跳轉 為了 每一個 多種的 的 四 運行 或者 四 列 和 四 列 向上 到 668 列 和 668 列。 所以 每一個 多種的 的 四、 我們 能 支援 a 阿達瑪 矩陣。
那 出色地 已知。 Hadamard 設計 是 這 普拉克特-伯曼 設計 和 這 二 等級 分數 階乘 設計。 這些 是 兩個都 阿達瑪矩陣。 阿達瑪 a 法語 數學家 世界衛生組織 居住過 在 這 晚的 第十九 世紀， 和 他 發明 這 主意。 I f 我的矩陣是 m 行， 它是 轉置 次 本身。 是 m 次 這 身分 矩陣。
T 有 方法 這 阿達瑪 矩陣 是 正交， 數位 一， 和 數位 二， 它 有 這 最偉大的 可能的 資訊 關於 這 列 和 這 列 在 這 矩陣 那是 可能的， 給定 那 你是 使用 數位 之間 消極的 一 和 一。 他們是 非常 有價值的 工具 為了 建構 設計。
現在 我們 有 一切 那 我們 需要 到 展示 如何 到 構造 這些 新的 設計。 我們 稱呼 他們 正交 混合 等級 設計 或者 OML。 他們是 混合 等級 因為 一半 的 這 列 或者 一半 的 這 因素 是 三 水平。 所以， 這 三 等級 連續的 因素 和 一半 的 這 列 或者 因素 是 二 級別， 和 他們是 為了 分類 因素 或者 為了 連續的 因素 為了 哪個 是 不是 擔心 關於 非線性 效果。
這是 這 第一的 方法 為了 建構 一 的 我們的 OML。 如果 C 潛水艇 K 是 a k 經過 k 會議 矩陣 和 H 潛水艇 2千 是 a 2千 阿達瑪 矩陣， 所以 H 潛水艇 2K 是 a 阿達瑪矩陣 哪個 有 兩次 作為 許多 列 和 列 作為 這 會議 矩陣 有。
然後 如果 我們 堆疊 a 會議 矩陣 在 頂部 的 它是 折疊 和 然後 複製 那， 我們 得到 這 矩陣 DD， 哪個 是 只是 C 消極的 C, C 消極的 C, 全部 堆疊 在 頂部 的 每個 其他。 DD 是 二 DSD 堆疊 多於 每個 其他， 減 這 二 中心 運行 那 DSD 通常情況下 有。
現在， 赫赫 是 因為 DD 結束 向上 擁有 4K 運行 因為 那裡 是 四 會議 矩陣 和 K 列 和 列 堆疊 在 頂部 的 每個 其他。 所以 那裡 是 4K 列 在 這 設計 和 K 列。 赫赫 是 只是 哈塔馬爾德 矩陣 堆疊 在 頂部 的 它是 折疊 超過 設計。
自從 H 有 二 k 列 和 列 已經， 堆疊 它 在 頂部 的 本身 使 它 有 4K 列 只是 喜歡 這 DD 矩陣 有。 它 轉彎 出去 那 你 能 只是 連接 這些 二 矩陣 水平 到 製作 一個 正交 多級 設計。 這 DD 部分 的 它 全部 有 三 等級 每 因素。 和 這 赫赫 部分 的 它 有 二 等級 每 因素。 和 你 能 看 那 那裡 是 k, 三 等級 因素 和 二 k 二 等級 因素。 因此， 4K 排 設計 你 能 有 作為 許多 作為 3千 列。
為了 例子， 如果 你的 設計 K 曾是 六， 你會 有 24 列 和 18 列。 六 的 這 因素 會 是 三 等級 和 十二 的 他們 會 是 二 水平。 現在 你 有 方式 更多的 二- 等級 因素 和 你 沒有 遺失的 任何 的 這 特徵 的 這 確定的 篩檢 設計。 這 主要的 效果 的 這 設計 是 正交 到 每個 其他。
這是 一個 例子 在哪裡 I 建造 一個 奧米拉 從 a 6乘6 會議 矩陣 和 a 12乘12 阿達瑪 矩陣。 你 能 看 那裡 是 24 列 在 這 矩陣 和 18 列。 這 第一的 六 的 他們 是 這 六， 三- 等級 列， 和 這 下一個 十二 是 這 十二 二- 等級 列。
現在， 的 課程， 你 不 需要 到 使用 每一個 柱子 的 這 設計。 你 可以 仍然 使用 這 設計 甚至 如果 你 有 說， 四 或者 五 三 等級 因素 和 七 二 等級 因素。 你 只是 消除 五 的 這 二 等級 因素 和 a 夫妻 的 這 三 等級 因素， 和 它是 種類 的 隨意的 哪個 一 你 可能 消除。
這是 這 第二 建造 方法 這裡。 C 潛水艇 K 是 a K 經過 K 會議 矩陣， 和 H 潛水艇 K 是 a K 經過 K 阿達瑪 矩陣。 現在 是 去 到 創造 DD 這 相同的 方式 我們 做過 前。 DD 是 只是 a 確定的 篩檢 設計 堆疊 在 頂部 的 本身， 減 這 二 協同效應。 赫赫 是 a 複製 阿達瑪 矩陣 在 頂部 的 這 相同的 阿達瑪 矩陣 折疊 超過 兩次。
現在 如果 你 看 在 這 二 列 的 一 和 減 個， 你 可能 注意 那 那些 二 向量 是 正交 到 每個 其他。 那是 什麼 使 這 特別的 建造 真的嗎， 真的 強大的。 在 這 案件， 這 設計 有 4K 列 和 僅有的 二 K 列。 K 的 這 因素 是 在 三 等級 和 K 因素 是 在 二 水平。
這 數位 的 運行 在 這 設計 是 兩次 這 數位 的 列。 但 那是 仍然 a 非常 高效率的 數位 的 運行 給定 這 數位 的 因素。 它是 這 相同的 影響 的 確定的 篩檢 設計 在 事實。 權威 篩檢 設計 有 兩次 作為 許多， 兩次 作為 許多 加 一 運行 比 因素。
這是 一個 例子 創建 使用 a 4乘4 會議 矩陣 和 a 4乘4 H 亞當德 矩陣。 什麼時候 你 堆疊 他們 在 頂部 的 每個 其他 四 次， 你 得到 八 列 和 16 行。 列 A 透過 D, 你 能 看 是 三 等級 因為 你 能 看 那些 零 和 那裡 是 四 零 在 每一個 柱子。
I 應該 觀點 出去 那 如果 你 有 a 確定的 篩檢 設計， 那裡 是 僅有的 三 零 在 每個 柱子。 擁有 一個 額外的 零 使 這 力量 為了 偵測 a 二次函數 影響 a 小的 更高 比 為了 這 確定的 篩選 設計。 那是 這 第二 建造 方法。
這 第三 建造 方法 是 非常 相似的 到 這 第二， 除了 那 你 有 二 不同的 方法 的 添加 阿達瑪 矩陣 到 這 例子。 這裡 我們 有 這 DD 部分 是 這 相同的 作為 這 第一的 二 建造 方法。 這 赫赫 部分， 那裡 是 二 赫赫 事物。 一 和 這 向量 1，1 -1 ，-1 , 和 這 其他 一 和 這 向量 1、 -1 , -1，1 . 這 三 向量 那 是 一 和 消極的 一 是 全部 正交 到 每個 其他。 那 報酬率 一個 正交 主要的 效果 設計。 在 這 案件， 這 第三 建造 再次 有 4K 列 和 3千 列， 那 是 K 因素 在 三 等級 和 二 K 因素 在 二 水平。
那些 是 這 三 方法。 這是 一個 例子 的 那 建造 和 使用 a 4乘4 會議 矩陣 和 a 4乘4 阿達瑪 矩陣。 這 結果 是 a 十二- 柱子 設計 和 16 行。 十二 因素 在 16 行。 非常 高效率的 設計 為了 尋找 在 十二 因素。 它是 也 正交 為了 這 主要的 效果。 主要的 效果 是 正交 到 二- 因素 互動。
現在 I 想 到 展示 你 三 腳本 為了 創造 這些 設計 使用 JSL。 在 這 同時， 前 我們 降低 這 方法論 進入 跳轉， 你 能 創造 這些 設計 和 a 非常 簡單的 JSL 腳本。 這 第一的 命令 是 創造 a 會議 矩陣， 在 這 案件 會議 矩陣 和 六 列 和 六 列。
然後 D 是 這 直接的 產品 的 這 向量 1，-1 , 1、 -1 和 C. 那 給出 你 這 矩陣 DD 那 我們 鋸 在 我們的 建築。 然後 八 是 a 阿達瑪 矩陣 和 十二 列 和 十二 列。 注意 那 十二 是 二 次 六。 我們 是 要求 那 為了 這 第一的 建造， 這 阿達瑪 矩陣 有 到 有 兩次 作為 許多 列 和 列 作為 這 會議 矩陣。
我們 製作 赫赫 經過 乘法 1，-1 經過 使用 這 直接的 產品， 這 卡內基 產品 建造。 那 給出 你 a 24- 跑步 赫赫 設計。 這 H 事物 有 24 運行 和 十二 列。 然後 這 最後的 步 是 到 水平 連接 D 和 赫赫 到 生產 機器學習 哪個 I 只是 縮短， 縮短 奧米拉 到 毫升。 然後 這 作為 桌子 命令 使 a 桌子 出去 的 那 矩陣。
這 奧米拉 那 我們 只是 創建 有 24 列 和 18 列。 六 的 這 列 是 因素 在 三 級別， 和 十二 的 這 因素 是 在 二 水平。 現在， 這 六 在 這 第一的 線 能 是 被取代 經過 八，十， 12，14 向上 到 30歲， 除了 為了 22. 這 十二 在 這 第三 線 必須 是 兩次 任何 數位 你 放 在 這 第一的 線。 你 能 使用 這 建造 到 創造 全部 種類 的 奧米拉 設計 只是 經過 改變 這 數位 在 這 第一的 和 第三 列。
這是 這 第二 建造 方法 腳本。 I 開始 再次 和 這 會議 矩陣。 這 時間 我是 正在做 a 會議 矩陣 的 四 列 和 四 列。 D 是 a 直接的 產品 的 1，-1 ，1，-1 和 C. 那是 這 相同的 作為 前。
這 時間 I 製作 H 是 在阿達瑪 的 四 反而 的 兩次 這 數位 在 這 第一的 線。 I 有 到 有 a 向量 和 四 元素 到 直接的 產品 和 H. 我用 1，1，-1，-1， 使用 這 編年史 產品 的 那 或者 這 直接的 產品 在 JMP 和 JSL 說話。 I 得到 a 設計 那 有 16 列 和 八 列 經過 水平 連接 那 雙倍的 垂直的 線 事物 水平 連接 二 矩陣 和 然後 這 S 桌子 使 這 桌子 出去 的 它。 這 第二 建造 有 16 列 和 八 列。 那裡 是 四 因素 在 三 等級 和 四 因素 在 二 水平。 這 四 在 這 第一的 和 第三 線 能 是 被取代 和 任何 甚至 數位 為了 哪個 a 會議 矩陣 存在。
I 需要 到 正確的 我。 這 會議 矩陣 有 到 是 a 多種的 的 四 在 命令 為了 這 到 工作， 因為 這 阿達瑪 矩陣 是 a 多種的 的 四。
這是 這 最後的 建造 方法。 再次， 我們 有 a 會議 矩陣 的 四、 但 它 可以 是 四、 它 可以 是 八， 或者 十二 或者 16. 我們 製作 a 直接的 產品 的 這 向量 的 一 和 消極的 一 和 C 到 得到 這 複製 確定的 篩檢 設計。 這裡 我們 創造 a 阿達瑪 矩陣 的 四、 但 我們 有 二 不同的 直接的 產品。 這 第一的 一 在哪裡 是 製作 a 編年史 產品 的 1、 1、 -1，-1 和 H, 和 這 第二 一 是 製作 a 編年史 產品 或者 直接的 產品 的 1，-1 , -1 , 1 和 H.
那些 是 二 不同的 矩陣 和 他們 發生 到 是 正交 到 每個 其他。 然後 我們 水平 連接 全部 三 的 這些 矩陣 和 製作 a 桌子 從 那。 這 設計 現在 有 16 列 因為 它是 四 運行 在 這 會議 矩陣 次 四。 你 有 16 列 和 十二 列。 那裡 是 四 因素 在 三 等級 和 八 因素 在 二 水平。 這裡 是 三 非常 簡單的 JSL 腳本。 到 製作 這些 設計， 患病的 放 JSL 進入 這... 什麼時候 它 去 進入 這 跳轉 社區， 患病的 添加 這 JSL。 患病的 也 添加 一些 範例 的 這些 奧米拉 設計 那 你 能 使用。
現在 I 想 到 演講 關於 a 小的 位元 關於 這 特性 的 這些 設計。 這裡 我們 看 這 設計 特性 為了 方法 一 和 這 顏色 地圖 和 這 相關性 節目 那 那裡 是 不 相關性 之間 任何 的 這 12 因素 在 這 或者 實際上 18 因素 在 這 設計。 這 三- 等級 因素 是 關於 10% 較少的 高效率 估計 比 這 主要的 效果 比 這 二- 等級 因素。 那是 因為 的 這 零 在 每個 的 那些 列。 那 沒有 幫助 你， 這 零 不 幫助 你 估計 主要的 效果。
現在 I 想 到 展示 你 這 別名 矩陣 為了 這 設計 建造 方法。 你 能 看 那 那裡 是 a 很多 的 主要的 效果 那 是 不相關的 和 二- 因素 互動， 但 那裡 是 也 a 很多 的 主要的 效果 那 是 相關 和 二- 因素 互動。
這 三- 等級 因素 主要的 效果 是 不是 別名 和 任何 的 他們的 二 因素 相互作用。 這 相同的 是 也 真的 的 這 二- 等級 因素。 他們的 主要的 效果 是 不是 別名 和 他們的 二- 因素 交互作用 因為 兩個都 雙方 的 這 設計 是 建造 從 折疊- 超過 設計。 W e 看 那 有 相當 a 位元 的 潛在的 混疊 的 主要的 效果 從 積極的 雙重因素 互動。 在 一些 感覺， 方法 一 是 a 小的 風險更大 到 使用 比 這 其他 方法。
這裡 是 這 設計 特性 為了 方法 二。 你 能 看 那 這裡 我是 製作 a 設計 那 有 16 因素 和 八 列，我的意思是 16 行 f 或者 八 因素。 這 三- 等級 因素 有 15% 更長 信心 間隔 比 這 二- 等級 因素。 再次， 那 是 因為 那些 四 因素 全部 有 四 零。 四 的 這 16 運行 是 零 反而 的 1 或者 -1。
這 涼爽的 事物 關於 這 第二 設計 建造 是 那 沒有任何 的 這 主要的 效果 是 相關 和 任何 二- 因素 互動。 那 有 許多 的 這 理想的 影響 或者 特徵 的 a 確定的 篩檢 設計。 有 a 很多 的 正交性 之間 對 的 二- 因素 互動， 但 那裡 是 也 一些 相關性。 你 能 看 這裡 是 一些 相關性， 這裡 是 一些， 和 所以 在。
最後， 這 設計 特性 為了 方法 三 展示 那 三- 等級 因素 是 a 小的 較少的 高效率 估計的 比 二 -等級 因素 15%， 15.5%。 我們 能 看 那 有 一些 混疊 之間 主要的 效果 和 二- 因素 互動， 但 不是 作為 很多 作為 為了 這 設計 建造 數位 一。 在 條款 的 風險， 這 容納 更多的 因素 和 較少的 風險 比 這 第一的 建造 方法。
ID 喜歡 現在 到 比較 渠務署 到 一個 正交 主要的 影響 或者 混合 等級 設計。 你 能 製作 a 渠務署 和 八 因素， 八， 三- 等級 因素， 和 那 會 有 17 運行。 I f 你 得到 擺脫 的 這 中心 跑步， 你 會 有 a 跑步 那是 直接地 可比 和 a 多- 等級 16- 跑步 設計 那 你已經 見過 在 設計 建造 也。
現在， 如果 我們 比較 這 效率 為了 估計 主要的 效果， 這 確定的 篩檢 設計 是 僅有的 91% D 高效率的 和 尊重 到 這 混合 等級 設計， 這 G 效率 是 92%， 這 A 效率 是 大致 90% 和 這 I 效率 是 大致 82%。 Y 或者 能 看 那 這 分數 的 這 設計 空間 陰謀 節目 那 這 曲線 為了 這 混合 等級 設計 是 以下 這 曲線 為了 這 確定的 螢幕 設計 漂亮的 很多 到處。 這 設計 是 清楚地 更可取 到 這 被告 螢幕 設計 為了 估計 主要的 效果 在 至少。
現在 I 想 到 演講 關於 數據 分析 和 使用 一個 例子。 我已經 創建 a 設計 使用 這 第二 建造 和 I 創建 a Y 向量 經過 添加 隨機的 普通的 錯誤 到 a 具體的 功能 和 兩個都 主要的 效果 和 二- 因素 交互作用 和 四捨五入 它 到 二 十進位 地方。 這 真的 方程， 這 真的 功能 是 這 一 這裡。 它 有 A、B、E 和 F 主要的 效果 是 全部 積極的 和 這 AB、BE 和 如果 二- 因素 交互作用 是 全部 積極的。
那是 a 功能 沒有 錯誤。 I 額外 普通的 隨機的 錯誤 和 a 標準 偏差 的 一。 什麼 I 用過的 曾是 自從 這 設計 能 是 合身 使用 這 合身 權威 篩檢 設計 平台 之內 跳轉， 那是 什麼 I 用過的。 這裡 你 看 那 這 合身 權威 篩檢 設計 發現 全部 七 真實的 效果 和 沒有 尋找 任何 虛假的 效果。 它 獲取 這 精確的 正確的 放 的 效果。
這 偏差 之間 這 真的 範圍 價值觀 和 這 估計的 範圍 價值觀 是 漂亮的 小的。 為了 例子， 這 真的 範圍 價值 為了 因素 A 是 2.03 和 它是 估計 是 2.45 加 或者 -35。 那是 一 標準 偏差 所以 它是 只是 a 小的 位元 更多的 比 一 標準 偏差 從 它是 真的 價值。
這裡 那 這 真的 價值 的 這 係數 的 B 是 3.88 和 I 得到 3.94， 哪個 是 非常 關閉 到 它是 精確的 正確的 價值。 你 能 看 為了 你自己 這 估計的 價值 的 這 根 意思是 平方 錯誤 是 1.2 和 這 真的 數量 的 隨機的 錯誤 I 額外 曾是 確切地 一。 你 能 看 再次， 這 分析 程式 有 真的 選擇 這 精確的 正確的 分析。
現在 I 想 到 做 a 小的 跳轉 示範 那 節目 基本上 這 實際的 經過 預測 陰謀 那 你 看 那裡 以下。 然後 這 陰謀 節目 那 這 殘差 不 有 任何 指示 的 任何 問題 作為 出色地。 我是 去 到 離開 微軟幻燈片軟體 為了 a 第二 和 只是 去 到 跳轉。 這是 我的 數據， 這是 這 功能 和 不 錯誤。 I 能 展示 你 那， 那是 只是 這 公式 那 I 顯示 你 在 這 滑動。
然後 這是 這 數據 在哪裡 我已經 額外 隨機的 錯誤 到 每個 的 這些 價值觀 和 它。 然後 什麼 三角洲 是， 是 這 不同之處 之間 這 預言 公式 的 Y 和 這 Y 和 不 錯誤。 這些 價值觀 是 如何 遠的 我們 錯過 這 真的 價值 的 Y 為了 每一個 觀點。
如果 I 做 這 合身 權威 篩檢 設計 的 和， I 得到 什麼 I 顯示 你 前 和 I 得到 這 正確的 主要的 效果 和 也 這 正確的 二 因素 互動。 然後 什麼時候 I 結合 他們， I 得到 這 正確的 模型 和 這 正確的 藝術， 非常 關閉 到 這 真的 估計 的 西格瑪。
如果 I 跑步 這 模型 使用 合身 模型， 這 是 這 實際的 經過 預測 陰謀 I 得到。 這 是 這 殘差 陰謀 I 得到。 這是 這 預言 分析器 那 節目 這 預測 價值 的 和。 你 能 看 那 如果 你 看 在 這 坡 的 這 線 的 B 和 看 作為 I 改變 這 價值 的 一個， 這 坡 的 B 變更。 如果 I 改變 這 B, 這 坡 的 A 變化， 如果 I 改變 和， 這 坡 的 F 變更。
這 表示 交互作用 正在發生。 如果 I 通緝 到 最大化 這 功能， I 會 選擇 這 高的 價值 為了 每個 的 這 因素。 然後 一 的 這 事物 I 做過 曾是 I 創建 a 分析器 那 在哪裡 I 看 在 這 是 這 真的 功能， 這 是 我的 預測 公式 和 這 是 這 不同之處 之間 那些 二 功能。
這 是 這 環境 那 線索 到 這 最大的 不同之處 之間 這 預測 價值 和 這 真的 價值 的 這 功能。 那是 什麼 I 通緝 到 展示 你在 跳轉 和 患病的 移動 後退 到 我的 幻燈片 現在。 讓 我 總結， 我們已經 談論 關於 確定的 螢幕 設計 和 他們的 優點 和 缺點。
I 然後 介紹 這 主意 的 a 編年史家 產品 和 顯示 如何 到 構造 這些 正交 多級 設計 在 三 不同的 方式。 I 顯示 你 這 JSL 腳本， I 共享 這 JSL 腳本 為了 建構 這些 設計。
你 能 使用 這 腳本 經過 改變 這 數位 在 這 第一的 和 第三 線 到 製作 設計 那 和 日益 大的 數位 的 運行。 I 談論 關於 這 統計 特性 的 這些 設計 和 特別的 顯示 那 他們的 正交性， 但 也 在 這 案件 的 設計 建造 二， 不是 僅有的 是 他們 正交 為了 這 主要的 效果， 但 這 主要的 效果 是 正交 到 這 二 因素 互動。
設計 建造 二 僅有的 存在 為了 設計 那 有 a 多種的 的 16 列 和 列， 哪個 是 a 輕微 劣勢 比較的， 有 更多的 靈活性 和 這 其他 方法。 然後 最後 I 顯示 如何 到 分析 這些 設計。 讓 我 製作 a 夫妻 的 建議。
設計 建造 方法 二 是 這 最安全 方法 因為 的 全部 的 這 正交性 涉及 和 這 事實 那 這 二 因素 互動 是 不相關的 和 主要的 效果。 I 尖 出去 已經 那 你 不 有 到 使用 全部 這 列。
你 能 創造 一 的 這些 設計 和 然後 丟 離開 肯定 列 在 命令 到 容納 這 真的 數位 的 因素 那 你 有。 這 優勢 的 正在做 那 是 那 你 將要 也 得到 更好的 估計 的 這 錯誤 方差。
然後 它是 重要的 到 記住 那 這 三 等級 因素 是 為了 連續的 因素 僅有的。 它 不會 製作 感覺 到 有 三 等級 分類 因素 為了 這些 列 因為 那裡 是 遠的 更少 零 元素 比 一 和 加 個。
A 夫妻 的 更多的 事物。 二次函數 效果 它 轉彎 出去， 是 輕微地 更好的 估計的 經過 一個 正交 主要的 混合 等級 設計 比 a 渠務署。 但 如果 你 通緝 到 提升 這 二次函數 影響 估計， 你 可以 添加 二 列 的 零 到 這 連續的 因素。 那些 會 是 喜歡 中心點。
然後 為了 這 分類 因素， 你 能 選擇 任何 向量 的 加 一 那 有 加 一 和 減 一 在 它。 然後 這 其他， 這 第二 排 會 有 只是 這 折疊 超過 的 這 第一的 排 在 這 一 和 減 個。 那 是 全部 I 有 為了 你 今天。 感謝 你 非常 很多 為了 你的 注意力。
