如果試驗自變量為分類變量，則響應為連續變量，是否可以使用正交設計進行篩選？如果試驗自變量為分類變量，則響應為連續變量，是否可以使用正交設計進行篩選？例如：氨基酸作為一個自變量，其中有20種不同的氨基酸，維生素作為一個自變量，其中有8種，篩選氨基酸和維生素的最佳組合，可否使用正交設計，謝謝！
數據探索和視覺化實驗設計預測建模和機器學習Re: 如果試驗自變量為分類變量，則響應為連續變量，是否可以使用正交設計進行篩選？嗨@wzm ，
只是為了確保了解您的目標：您想在一組原料中選擇一種氨基酸和一種維生素，使兩者之間達到最佳組合併獲得最佳效果？
如果是，正如您在問題和帖子中似乎提到“篩選”（或者至少自動翻譯工具已將您的原始問題翻譯為：“如果實驗自變量是分類的並且響應是連續的，則可以進行正交設計嗎？的最佳組合，因為它可以表示需要進行大量實驗來測試所有組合（160 個獨特的組合）。
一種選擇可能是對許多不同的氨基酸和維生素進行子集化，以便研究每個因素在有限數量的水平下的連續反應的變化。例如，您可以選擇 5 種胺基酸和 4 種維生素，而不是測試所有 20 種不同的胺基酸和所有 8 種維生素，以便這些分子在分子特性/描述符方面表達最大的變異性。選擇原料的方法有多種，但使用化學結構、分子/化學性質、分子描述符值可以幫助比較原料並僅選擇化學變異性最高的原料。
我在之前的討論中描述了此選項，並且在演示文稿中也解釋了此方法： Efficient DOE of one multi-level (3+) categorical variable and Many Continuous Variables
測試乍看多級分類因素的選項時提高效率和模型適用性領域
然後，您可以透過可用作協變量的連續分子描述符/值來分析連續響應的結果。使用連續因子而不是分類因子可以獲得大量資訊：
https://community.jmp.com/t5/Abstracts/Coding-with-Continously-and-Mixture-Variables-to-Explore-More-of/ev-p/756156/redirect_from_archived_page/true
這種方法的一大優點是，您可以避免使用涉及大量實驗的單一 DoE“強力”方法，並且您可以積累知識並開始通過迭代進行優化：一旦您了解了不同分子的哪些屬性對然後，您可以選擇其他原料（氨基酸和維生素）並完善您的模型，以更深入地了解相互作用和特定順序效應，並優化反應。
希望這個討論的開頭和觀點可以幫助您，
Re: 如果試驗自變量為分類變量，則響應為連續變量，是否可以使用正交設計進行篩選？謝謝，感謝您的耐心解答，我需要篩選氨基酸的組合，篩選維生素的組合，氨基酸和維生素的組合，最終的目的是得到一個配比，這個配比中有對標籤影響最大幾個胺基酸和維生素的配伍，如果設計實驗，還要考慮胺基酸和維生素之間有無交互，需要考慮胺基酸之間有無交互作用，謝謝！
