當我使用“篩選設計”時，我可以透過選取該選單中的方塊來設定主效果的產生器，然後按一下「套用」。但我在“自訂設計”選單中找不到如何執行此操作。那個部分不存在。我們是否有理由無法在客製化設計中指定分數階乘的生成規則？
嘗試設定 WP/SP 場景。否則我只會使用篩選設計選單。
嗨@awelsh ，
最佳篩選設計的生成（透過客製化設計平台）和經典的部分因子設計是不同的。
- 在經典的部分因子設計的情況下，您指定的生成器將創建您無法區分的完整混雜項（通常是具有高階效應的主效應，例如 3/4/5-...因子交互作用，假設效果層次原則成立）。這會導致設計中某些項目完全別名/相關，但由於您可以靈活地指定生成器，因此您可以具有一定的靈活性，並嘗試根據設計的分辨率盡可能精確和公正地估計感興趣的項。它使設計構造變得容易，因此可以手工創建這樣的設計。此設計建立選項僅在篩選設計平台中可用。
- 在最佳篩選設計的情況下，設計的產生是透過座標交換演算法和要實現的目標（稱為最優標準）完成的。根據您的實驗目標，您可以選擇最相關的最優性標準：透過精確項估計和濾波（D-或A-最適性標準）的可解釋性或透過預測變異數最小化（I-或G-最優性標準）的預測性。由於設計是透過此演算法和最優性目標進行計算的，因此您無法直接指定生成器：該演算法將嘗試根據您假設的模型、最優性標準、實驗運行預算和任何可能的約束來最小化項之間的相關性在你的模型中。因此，最終的設計將盡可能具有部分相關性，而不是像經典的部分因子設計這樣的術語之間完全混雜。然而，在某些情況下（例如產生具有所需最少運行次數且沒有約束的設計），所得的最優設計可以是經典的部分因子設計。最佳設計是經典「教科書」設計（例如部分因子設計）的概括，能夠處理約束，並且由於假設的模型和實驗運行的數量，模型項估計具有更大的靈活性。
希望這個回答對你有幫助
感謝您提供帶有連結的詳細解釋。這非常有幫助，我現在明白了其中的差異。
（背景：我是一位經驗豐富的精益六西格瑪黑帶大師和機械工程師。但是，過去10 年我一直在使用Minitab 並嘗試學習JMP 的高級功能。我最初接受的是使用基本功能的JMP培訓）
我正在嘗試使用難以更改的功能來製作分數整圖/分割圖設計，以了解其工作原理。我遵循蒙哥馬利教科書中的一個例子。該演算法沒有產生與教科書相同的設計，因此我只是嘗試將生成器設為如此。我確信我可以讓它產生完整的階乘並刪除不相關的行。
然而，在我發表這篇文章後，我意識到這個自訂設計功能可能無論如何都不起作用。這是一個非複製範例，沒有 DoF 錯誤，完全飽和模型不會產生 NPP 或帕累托，因為它使用 REML。蒙哥馬利範例僅使用圖形輸出進行分析。
我將繼續以 10 年前使用 JMP 的方式透過分析兩個單獨的資料表來分析 WP/SP。 WP-將表格總結為整個圖表並擬合 WP DoF。然後對於 SP，使用原始完整資料表，但僅適合模型中的 SP DoF。然後使用藍色 Lenth 的 PSE 線和帕累託對 NPP 進行實際/圖形分析。
我正在從 Minitab 過渡，我熟悉如何在那裡進行 WP/SP，它將使用 NPP 和 Pareto 輸出單獨的 WP 和 SP 分析，並在變異數分析中修正 SS。這非常好，但它限制了你可以選擇的設計。實際上非常有限，通常只有幾個選項。但據我所知，JMP 不會這樣做。然而，JMP 可以做出更複雜和優化的設計。
這些奇特的東西在智力上對我來說很著迷，但在實踐中我傾向於只運行連續的經典分數和全階乘。有時，由於運行順序、材料或設置，這些會受到限制。因此，我有動力去嘗試改變客製化設計中的困難。
嗨@awelsh ，
生成與教科書或特定案例研究中完全相同的設計確實有點棘手。
根據您的需求（再現分析和/或創建設計），可能有多種解決方法可以幫助您提高設計生成和分析的再現性：
- 對於教學，客製化設計平台使您能夠修復隨機種子，以便所有學生都可以獲得相同的設計。請參閱是否有可能使 DOE 生成可重複？
- 我不知道您提到的具體示例，但仍然可以使用裂區部分的經典分數階乘設計來重現設計（以完全控制生成器和混疊），並複製此部分分成幾個完整的情節。如果您有興趣，可以分享設計以便我嘗試重現它嗎？
- 另一個選擇是將設計表從來源（教科書、Excel 等）複製並貼上到 JMP 中，並為Factors設定正確的列屬性。這樣，您就可以在整個圖和裂區部分之間使用正確的變異數分析自由度來重現分析。您可以檢查和測試此處提供的範例裂區設計分析範例和裂區實驗範例。一旦正確設定了因素，這種直接分析可能會幫助您建立更直接的分析，而不是兩個不同的表格和關聯分析。
最後，如果您不限於精確地重現文獻中的設計，您還可以讓坐標交換演算法發揮作用，並透過比較設計平台將生成的設計與教科書中獲得的設計進行比較。您會發現兩種設計的設計性能應該相似。
希望這個補充答案可以幫助你，
謝謝。我確實教書，所以隨機種子固定可能會很有用。
如果您好奇的話，我正在查看《實驗設計與分析》第 8 版第 639 頁的 14.3。這是一本非常棒的教科書。這是 2^5-1 等離子蝕刻場景。我喜歡這個圖形分析範例，因為我的許多學生剛剛學習 DOE，並不完全理解變異數分析表。 JMP 給出了 ABCDE 的折疊名稱。教科書是 1，JMP 給出的全是 -1。
嗨@awelsh ，
確實，很棒的書和很好的案例研究。要創建相同的設計，您可能需要幾個步驟（以及一些手動微調/規範）：
- Create a replicated Full Factorial design for the Hard-to-change factors A, B and C, with Run order sorted "Right to Left" (16 experiments):
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 0 ),
Add Factor( Continuous, -1, 1, "B", 0 ), Add Factor( Continuous, -1, 1, "C", 0 ),
Set Random Seed( 1751432727 ), Replicates( 1 ), Make Design( 2 ),
Simulate Responses( 0 ), Save X Matrix( 0 )}
);
It should create the "Whole plot part" of the design, and since the runs are all replicated once with a specific run order, it will create a whole plot structure (2 runs per whole plot) that you can further specify, by adding a column "Random Block" in your table with the right column properties set for the analysis : Design Role = Random Block and Value Order (to sort the value from 1 to 8).
You will also have to change the Factor Changes property of the factors A, B and C from "Easy" to "Hard" to be able to run the correct analysis once the complete design will be done.
- Create the split plot part with a Full Factorial design for factors D and E, with Run Order sorted "Randomize". You might need some trials to have the same corresponding order than in the textbook :
DOE(
Screening Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "D", 0 ),
Add Factor( Continuous, -1, 1, "E", 0 ), Set Random Seed( 1907388151 ),
Make Design( 1 ), Simulate Responses( 0 ), Save X Matrix( 0 )}
);
Once this 4-runs full factorial is done, you can replicate it with the same order using the platform 增強設計, specifying a "Replicate" augmentation choice with 4 as the number of times to perform each run. You should then obtain the complete "split-plot part" of the design :
- Join datatables "Whole Plot part" and "Split plot part" by row number :
// → Data Table( "Plasma Etching Tools Design" )
Data Table( "1_Whole Plot part" ) << Join(
With( Data Table( "2_Split Plot part" ) ),
Select( :Pattern, :Whole Plots, :A, :B, :C ),
SelectWith( :D, :E, :Y ),
By Row Number,
Output Table( "Plasma Etching Tools Design" )
);
This last action should give you the same design as in the textbook. I have attached the different tables used and the last table with response values if you want to reproduce the design creation and/or analysis.
附帶說明和「實際」考慮，使用客製化設計平台可以直接創建具有相同性能的設計（在功率和預測方差方面）：
但不同的別名結構（避免完全混淆）：
以下是如何在 JMP 中產生它（也附上了自訂設計的資料表）：
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 1 ),
Add Factor( Continuous, -1, 1, "B", 1 ), Add Factor( Continuous, -1, 1, "C", 1 ),
Add Factor( Continuous, -1, 1, "D", 0 ), Add Factor( Continuous, -1, 1, "E", 0 ),
Set Random Seed( 1361270547 ), Number of Starts( 29927 ), Add Term( {1, 0} ),
Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
Add Term( {5, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Set N Whole Plots( 8 ), Set Sample Size( 16 ),
Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);
希望這個回答可以幫助你
