問題一：DOE模型分析
評論：
@Phil_Kay
@Victor_G ：逐步選擇可能不是建議的預設方法。
它作為指南和比較很有用，但我更願意將結果與 GenReg 和其他平台進行比較
柵格圖還可以幫助查看許多模型中術語包含的頻率，以了解它們的比較： https://community.jmp.com/t5/JMP-Wish-List/Raster-plots-or-other-visualization-tools-to-help-model/idi-p/730968
@bdclark23 : 多種模型方法具有大量證據，這些證據在不同的模型中一致顯示相同的效果，但每個模型都有自己的偏見和假設。
問題 2：應用約束的“協變量方法”
評論
@Victor_G ：關於約束：
@Ryan_Lekivetz :
@Phil_Kay : 我最近也在 LinkedIn 上發布了關於此內容的帖子： Dakk kkMdSNm3keFRm68
喜歡這個討論。跳轉（JMP！）到技術答案相對容易。但挑戰「為什麼」也同樣重要。
@Chandramouli_R :
影片 3：全因子設計：您推薦多少個中心點？
@Phil_Kay : 我之前也發布過有關中心點的帖子： ?ccm_source=shahcm_med30 SNm3keFRm68
@Victor_G : 中心點可以幫助檢測曲率，但無法估計幾個二次效應
Q：如何在自訂設計中新增中心點？
一個： 
@Victor_G : 關於範圍界定設計及其作為檢查設計空間的初步運作的用途：
影片 4：如何在不改變實驗設計的情況下重置/刪除簡易 DoE 中的因素？
評論：
@Chandramouli_R :
@Victor_G :
- 在“analysieren”中，您可以選擇模型內外的影響
- 標籤“分析”--> 嘗試“最佳模型”
- 或使用 JMP 資料表和結果透過「擬合模型」建立自訂模型
@Jonas_Rinne ：我認為你也可以透過進入 Easy DOE 中的靈活模式來做到這一點
@Victor_G ：分別回覆。但我認為有很多資源可以幫助您建立和比較模型。
OFAT 沒有模型支撐，只是一種比較方法，因此對指導決策幫助不大
影片 5：使用 DOE 的分析文化
評論：
@Uwe_Weber : 使用 Profiler，他們就會明白
@anchildress : 當我們專注於與顧客/客戶建立關係時，我們在 Eastman 取得了最大的成功，從小事做起，與您和您的技術建立信任。一旦他們看到同事取得一些勝利或成功的 DOE，他們也許會更加信任 DOE。
成果和成本節省是最有說服力的技術
@DB1 : 改變文化：耐心。圍繞邊緣進行操作。當你能說服一位科學家或工程師時，他們就能比我們更能說服他們的隊友相信 DOE 的用途。正如 Bea 所說，如果使用得當且針對受眾，公司中一個真正優秀的 DOE 資料集可以說服很多人。
感謝@maria_astals的錄音！
一些評論詳細闡述了昨天討論的觀點：
- 逐步選擇
逐步迴歸在設計實驗中可能會出現問題，因為它：
- 忽略了 DoE 的實驗結構：層次原則、稀疏性原則，有時還有遺傳原則，但最後一個原則可以在廣義迴歸平台中強制執行，
- 建立偏差/膨脹的參數估計，因為這些項目主要是根據其大小/效應大小來選擇的，
- 由於未經調整的多次測試，增加了假陽性的風險（檢測到非活性效應的機率），
- 提供不可靠的 p 值，因為它們既可以用於術語選擇，也可以用於估計統計檢驗，
- 不能解決多重共線性問題，這可能是設計中的術語之間存在強別名/相關性的問題，以及/或者在混合設計的情況下，
- 完全忽略與生成的設計相關的假設模型。
可能還有其他原因，可以輕鬆找到有關此主題的一些文獻和討論：
SP0016 是否逐步進行？多變量建模的注意事項 |風濕病年鑑
使用逐步迴歸來解決多重共線性並不合適 - PMC
為什麼我們討厭逐步回歸 |統計建模、因果推論與社會科學
回歸中逐步選擇變數是邪惡的。
逐步選擇仍然可以作為基準模型發揮作用，如果因素的數量不是太多，則所有可能的模型選項可以很有趣地查看不同模型對於術語選擇和估計的一致和不一致程度。但是模型的比較和選擇應該以設計背後的假設模型和領域專業知識為指導。
社群中與 DoE 數據的逐步方法相關的一些討論和貼文：
如何同時擬合兩個具有不同項的模型
使用常規（非專業）JMP 進行混合 DOE 分析的向後迴歸？
用逐步迴歸分析混合物 DOE
DoE 模型問題增強
適合確定性篩選與逐步（最小 AICC）模型選擇
- 約束
您可以透過兩種方式新增約束：
- 透過「定義因子約束」面板新增約束和限制，將根據約束限制設計點的生成，
- 透過直接限制可用於使用候選集方法產生設計的設計點： 候選集設計：針對問題自訂 DOE 限制 (2021-EU-30MP-784)
@Jed_Campbell關於揭開因素約束之謎的部落格文章是有關該主題的必讀文章。
- 中心點
添加中心點的選擇通常與目標和實際原因更相關：檢測曲率、確保實驗期間的測量穩定性過程、對純誤差/變異性進行估計、在設計空間的中心進行估計（在關於因素空間/設計質量的穩健性分析的背景下）...根據假設的模型和設計類型，可能不需要中心點；經典的設計如中心複合設計和確定性篩選設計有中心點，而計算的最優設計可能不需要它們。
關於這個主題的一些文獻：
5.3.3.7.新增中心點
中心點：找到數據的數學中心 - isixsigma.com
https://www.statease.com/blog/importance-center-points-central-composite-designs/
以及社群中的一些討論和貼文：
中心點效應
回覆：強制中心點均勻分佈在塊自訂設計中
在設計中要增加多少個中心點？
@maria_astals作為下次會議的建議，如果可以提前投票和準備一些主題就太好了：因為 DoE 俱樂部是每季度舉行一次會議，我們將有足夠的時間創建一個包含不同主題的民意調查，並在下次俱樂部會議之前對它們進行投票。這將確保討論更加深入，主題更加多樣化（也許還有更多的參與/投入）。將準備好/投票的話題和自發性的話題/問題混合在一起對於未來的會議來說是一個好主意嗎？
很高興您能參加會議，Bill @statman 。非常高興向您學習。
