最佳设计使用基于实验目标的若干优化标准之一。使用设计评估工具，我们可以根据实验目标比较和对比设计。在下面的每个案例研究中，我们探索了与每个实验目标相关的工具。
实践目标和设计评估工具总结
|
最优
|
D-最优
|
|
实际目标：准确预测
|
实践目标：理解因素关系
|
|
比较设计的预测性能：
|
评估最小化系数误差的设计的工具：
|
|
最优
|
别名最优
|
|
实践目标：了解关注特定因素的因素关系
|
实际目标：了解因子关系，其中主效应（ME）不受可能较大的活跃双因子相互作用（2FI）的影响
|
|
比较权重效果的工具：
|
检查消除2FI之间相关性的工具：
|
I-最优：最小化预测方差
对于本案例研究，进行实验的目的是找到三个连续因子的最佳操作设置，以最大化百分比产量。考虑相互作用和曲率，并选择进行响应曲面设计。
根据所得回归模型做出的运营决策基于三种最佳运营设置如何预测百分比收益。因此，预测百分比收益包含尽可能少的误差对于做出准确的运营决策至关重要。
考虑到我们设计目标的信息，I-optimal 是理想的，因为它可以最小化预测方差。使用自定义设计中的 RSM 按钮时，I-optimal 也是 JMP 中的默认选项。
用于比较设计的潜在预测性能的工具：
D-最优：最小化系数误差
对于本实验，实验的目标是确定六个连续因子中的哪些效应对百分比产量有积极影响。此时，我们只关心确定主效应，以筛选六个连续因子的积极效应。
根据所得回归模型做出的操作决策基于连续因素的参数估计值及其在预测百分比产量方面的统计显著性水平。因此，重要的是参数估计值或系数的误差尽可能小，以便做出操作决策，确定哪些因素对百分比产量有效。
鉴于我们设计目标的信息，D 最优是理想的，因为它将最小化我们因子系数的误差，并且是定制设计中主效应模型的默认设置。
评估最小化系数误差的设计的工具：
A-最优：对模型的不同部分进行加权
对于本案例研究，我们想进行一项实验来检验五个连续因素的主要影响和 2FI，以最大化百分比收益。我们的五个因素之一是温度，我们特别感兴趣的是温度的影响以及温度与其他四个因素的相互作用。
我们想要强调的参数组包括温度的主要影响以及温度与 X1-X4 的相互作用。通过更加强调这些因素，在我们的最终设计中，我们更加重视那些降低这些温度项估计方差的因素组合，而不是其他因素。A 最优设计非常灵活，允许对不同参数组进行加权。在红色三角形下，有一个高级选项，然后是 A 最优权重。包括温度在内的因素的权重为 10。
A-optimal 与 D-optimal 类似，它关注的是参数估计，而不是像 I-optimal 那样关注响应。A-optimal 最小化参数估计的平均方差。
比较权重效果的工具：
别名最优：消除 2FI 项之间的相关性
与 D 最优类似，运行实验的目的是确定六个连续因子中的哪些效应对百分比产量有影响。与 D 最优示例的不同之处在于，我们认为可能存在较大的 2FI 效应。此时，我们只对确定主要效应感兴趣，以筛选六个连续因子的统计显著性，并设定较小的运行预算。这六个因子可能导致 15 次相互作用，因此最少需要运行 22 次。
根据所得回归模型做出的运营决策基于主效应的参数估计。因此，主效应的参数估计必须尽可能减少偏差，以便做出哪些因素会影响百分比收益的运营决策。
鉴于我们设计目标的这些信息，别名最优是理想的，因为它将消除 2FI 项之间的相关性，而不必运行包含所有 15 个交互作用的设计进行 22 次运行。别名最优设计对六个连续因子进行 12 次运行。
检查消除2FI之间相关性的工具：
选择 Alias-optimal 而非 D-optimal 的成本：
- 主效应不再像 D 最优设计那样不相关。
- 主效应的置信区间比 D 最优设计大约大约 10%。
嘿@O_Lippincott ！
这篇博文写得真棒！我有个关于预测方差的问题，想请教一下它对实验设计（DOE）结果的影响。如果我查看方差分析器，对分析器中的值取平方根，这是否就相当于在给定的DOE水平下响应值的估计标准差？也就是说，我的相关性和功效可能看起来都很好，但结果的置信度可能过高，反而不利于实际应用，而方差分析器正是用来判断这一点的，对吗？
感谢您的见解！
史蒂夫
嗨，Steve @shampton82 ，
是的，如果您的实验设计目标是做出准确的操作决策，而不是筛选活性效应，那么除了相关性和功效之外，预测方差也是一项重要的设计诊断指标。常见的做法是检查各种设计诊断指标，以确定设计是否足以满足您的实验目标，并有助于比较不同设计方案，从而了解每种设计的优势和劣势。JMP 帮助文档中关于预测方差概况的部分对相关的数学原理进行了很好的解释。
奥利维亚
