如何评估 D 最优 DOE 中的 Alias 结构？我的理解是，D 最优设计适用于筛选实验，但你最好希望没有任何大的交互作用，否则它们会偏向你的主要影响，或者你应该在你的最优设计中添加一些可疑的双向交互作用，以避免混叠效应。
有人告诉我要避免使用 Res III 部分因子分析和 Plackett-Burman 设计进行筛选，因为它们可能具有不良的别名结构并且会混淆主效应和相互作用。
我的问题是 - 如何将 D 最优 DOE 与 Res III 或 Plackett-Burman 设计进行比较 - 或者是否有任何方法可以找到最优设计的分辨率以避免任何令人困惑的别名结构？最优设计中别名的经验法则是什么，它们如何在 JMP 输出中报告 - 比如说，如果别名矩阵报告主效应和双向交互之间的别名 >0.5，是否应该避免这种情况？
实验设计回复：如何评估 D 最优 DOE 中的别名结构？基本上，如果您怀疑存在 2 个因子相互作用，或者担心 2 个因子相互作用会使主效应产生偏差，JMP 中是否报告了最佳设计的别名结构数或分辨率数，应避免使用这些别名结构数或分辨率数？例如 - 对于给定的因子数和给定的运行次数，使用主效应模型和 1 个交互项，是否有某种方法可以评估设计并指出别名影响过高，我究竟在寻找什么阈值数，JMP 中在哪里报告该阈值数？
回复：如何评估 D 最优 DOE 中的别名结构？选择最佳设计方法的主要原因之一是能够在生成设计之前指定模型，然后让软件在考虑到其他可能的限制（例如运行次数、不允许的组合等）的情况下完成繁重的工作。因此，如果您希望能够估计特定的影响...请将这些影响放入模型中。然后使用比较设计平台比较您创建的任何设计，无论是最佳设计还是经典设计。平台内有许多设计诊断功能，可以为您列出的所有问题提供见解。
回复：如何评估 D 最优 DOE 中的别名结构？你好@mjz5448 ，
设计的别名结构取决于设计选择、运行次数以及因子之间的约束/线性相关性（如果有）。因子的约束/线性相关性越多，估计因子的独立模型项就越困难和复杂。
如果您主要关心的是准确且无偏地估计主效应，并能够检测和估计交互效应，那么以下是有关具有良好别名属性的设计的一些建议：
如果您想确定设计的分辨率，NIST 的这个链接将帮助您了解分辨率之间的差异： 5.3.3.4.4. 部分因子设计规范和设计分辨率
在评估设计时，您可以查看相关性颜色图上术语之间的相关性，并将相关性保存在本节“相关性表”的红色三角形中。
关于相关性以及选择一种或另一种设计的建议，设计选择主要受您情况下可能的运行次数的影响。避免项之间的高相关性肯定是“更安全”的，但减少其中一些相关性所需的必要运行次数有时是不可行的。因此，您必须确定目标和实验预算（运行次数，没有“预定义阈值”）之间的最佳权衡，并选择最相关的设计。正如@P_Bartell提到的，创建多个设计并使用平台比较设计来更好地评估每个设计的优缺点。
从积极的一面来看，没有失败的 DoE；如果你没有实现你的目标，你可以随时增强你的设计并减少/消除阻止你检测交互或其他高阶项之间的相关性。
希望这个答案能帮助你，
回复：如何评估 D 最优 DOE 中的别名结构？谢谢 Victor_G。
在最佳设计（D 或 Alias 最优？）中，是否存在关于别名的经验法则？
例如，我很清楚为什么我们要在筛选中避免使用 Res III 设计，因为一些主效应与 2 因子交互作用完全混淆。但我不太清楚的是，在考虑添加运行之前，我应该在别名表中查看哪个最小阈值以获得最佳设计。在主效应和 2 因子交互作用的别名表中，0.33 或 0.4 是否算高，还是 0.25 是一个好的开始？基本上，在什么情况下数字会让我停下来，并导致我重新评估设计并添加更多运行？
回复：如何评估 D 最优 DOE 中的别名结构？指导如下...按层次和顺序构建对因果结构的理解。当您有许多想要测试/比较的一阶效应（因素）时，使用 Res III 设计是绝对可以的。我认为人们经常为了经济而基于“直觉和直觉”而放弃考虑因素。您如何处理未研究的因素？保持它们不变会限制推理空间，允许它们变化可能会降低设计的精度。在这两种情况下，将它们包括在内并获取数据以帮助决定下一次迭代似乎是一个“更好”的想法。预测因素和交互作用（及其排序顺序）也很重要。也就是说，使用科学和工程知识进行规划。如果您的 RANKED 列表包含所有主效应，那么二阶效应，Res III 可能是一个不错的选择。随着二阶效应的预测排序在预测列表中“上升”，您开始使用更高分辨率的设计。只要您进行迭代，就不会在提高效率的同时过多地损害效率。
