确定性筛选设计的确定性增强 确定性筛选设计 (DSD) 以独特的方式满足了许多实验人员的关键需求。自 2011 年 DSD 发现发表以来，我们又该如何解释其迅速而热烈的采用呢？对于许多实验人员来说，在筛选少数几个驱动因子时，针对 5 到 7 个因子进行 13 到 17 次运行的 DSD 是首选设计。结合 JMP 中的“拟合确定性筛选”功能，您可以拥有一个简单、高效且有效的实验工作流程，以找到这些因子的重要主效应、交互作用和曲线行为。如果只有三个因子处于活动状态，您可以拟合完整的二阶 RSM 模型，并一步完成筛选和优化。但是，如果超过三个因子处于活动状态呢？当出现歧义时，是否有简单的后续步骤？或者，这种情况的复杂性是否会成为采用 DSD 的障碍？在本演示文稿中，您将首先了解一些真实案例，这些案例展示了 DSD 的价值。您将看到一些简单的方法来增强这些DSD，确保结构和属性能够得到保留，从而保持DSD的优势。因此，更多人在更多情况下可以从顺序DOE和DSD的工作流程中受益。
附件的 pdf 讨论了挑战和解决方案的寻找。
Paul Nelson 博士在其著作《运用 DSD 解决问题的策略》中讨论了这些解决方案的实际实施。本文是探讨序贯实验设计的实际（现实）实施和确定性筛选设计引入的系列文章的第三部分。
