确定性筛查设计中的检测限我正在 JMP18 Pro 中运行 DSD DOE，其中包含 2 个分类因子（因子 A（级别 A1、A2）、因子 B（级别 B1、B2）和 2 个连续因子（因子 C、因子 D）。我的目标是在每个因子 A 和 B（例如，A1 或 A2、B1 或 B2）中选择更好的级别，包括所有因子的任何双向交互项，并估计因子 C、D 中的二次项。
我选择添加 8 次带有块的运行来为我的模型增加更多功能，总共运行了 22 次。
运行实验后，大约 1/3 的运行结果低于检测限。我尝试使用“拟合模型”-->“广义回归/对数正态”和删失数据来分析我的数据。
我的问题是：
1/ 我应该在构建模型效应中输入什么？我应该只在模型中包含主效应还是应该包含所有主效应 + 双向交互 + 二次项（针对因子 C、D）？
2/ 在广义回归中，最佳估计方法是什么？默认情况下，估计方法是两阶段前向选择。我应该尝试其他方法并使用 AICc 或 BIC 来评估哪种模型效果最好？（我试过了，Ridge/Holdback 给了我最低的 AICc，我应该使用它吗？）
3/ 使用 DSD 时，我通常使用 Fit Definitive Screening Platform 作为我的首选，该平台有 2 个阶段来评估分析中的术语。我可以使用检测限或左删失数据执行此操作吗？
感谢您的所有帮助！
高级统计建模实验设计视窗回复：确定性筛选设计中的检测限提供的信息不够多，也没有任何 SME，因此几乎没有批评的依据。我个人认为，我有以下一般性评论：
1. DSD 是一种筛选设计方法。您的实验中只有 4 个因子。这不是 DSD 的预期用途。虽然您可以使用分类因子运行 DSD，但这不是 DSD 的优势，DSD 旨在提供设计空间内的二次信息。
2. 无论何时进行实验，您使用的设计都是您假设的模型的函数。也就是说，模型是从您的 SME 预测的，并通过实验进行测试。我总是从饱和模型开始，并从模型中删除不重要/不感兴趣的项（又称模型构建的减法方法）。您应该在初始模型中包含所有可估计的项。
3. 使用哪些统计数据来评估模型是个人选择。当我删除术语时，我会使用多个（而不是一个）来评估模型（例如，R 平方-R 平方调整增量、R 平方调整幅度、RMSE、残差图、p 值）。始终在 SME 的帮助下。
4. 我总是在定量分析之前小心地诊断数据。这就是为什么我总是使用以下顺序：实际意义、图形分析，最后是定量分析 (PGQ)。如果数据没有意义或没有任何实际意义的变化，你就无法通过定量分析来修复它。
5. 阻断不是一种提高设计功效的策略（虽然这种情况可能发生，但这并不是发明阻断的原因，参见 Fisher）。阻断用于增加推理空间，同时不降低实验的精度。
回复：确定性筛选设计中的检测限你好@D_P2025 ，
@statman已经提供了许多有关使用确定性筛选设计和构建与您的主题相关的模型的有用信息。
我将尝试提供其他评论并回答您的一些其他问题：
希望这个额外的答案能帮助你，
回复：确定性筛选设计中的检测限非常感谢您的意见。我对 DOE 还很陌生，还没有太多类型的设计，所以我认为 DSD 对我来说是个不错的选择。我实际上尝试使用自定义设计进行设计：使用相同的因素，并包括所有主效应、双向交互和二次项，+ 阻塞 = 20 次运行，这与 DSD 非常相似。那时，我正在争论要使用哪一个，我选择了运行次数稍多的 DSD，认为这会给我更好的功效。
我使用阻塞的原因是我们无法一次性运行整个实验（每次最多运行 12 次），因此我在设计模型时决定将其分成 2 个块（方便的是，这是 DSD 中的一个选项）
回复：确定性筛选设计中的检测限当然，我是实验设计的坚定支持者。我赞赏你进行实验的努力。我建议你读一些书，上一些课，以便更好地了解不同的实验情况和策略。特别注意如何处理实验中的噪音和限制。
回复：确定性筛选设计中的检测限非常感谢您的回复。
- 我运行了比较设计，但它只比较了主效应项，我猜可能是因为 DSD 结构？
- 我通常使用自定义设计，D 最优用于筛选设计，I 最优用于优化设计。但我没有遇到过更喜欢 A 最优的情况。您能详细解释一下吗？
- 我认为只要活动项不是太多，DSD 就可以用来评估双向交互作用并估计二次项。这就是为什么我在设计中添加了更多运行以增加模型的功效，可以检测到大多数项。
- 您分享的链接非常有用，谢谢分享。
- 感谢您用简单的术语进行解释。我没有数据科学背景，所以这非常有帮助。
- 我在网上看到还有其他算法可以评估删失数据，即处理左删失数据时的 Beta 替换。您知道 JMP 是否有这个吗？由于我的样本量不大，我担心 ML 方法可能不是最佳选择。
回复：确定性筛选设计中的检测限对于建模，我建议从完整的响应面模型开始，然后使用广义回归中的两阶段前向回归。您仍然应该能够使用数据的审查，但一种简单的方法是用报告或检测阈值代替结果。
回复：确定性筛选设计中的检测限你好@D_P2025 ，
关于您的其他问题：
- 默认情况下，当评估或比较确定性筛选设计时，模型效果将仅由主效果组成。您可以在可用自由度（与设计中的独立运行次数相关）的限制内添加一些交互作用或二次效应项。DSD 无法拟合完整的响应曲面模型（包含所有主效应、二次效应和交互作用项），其他设计（例如中心复合设计或 Box-Behnken）更适合拟合这个完整的模型。由于 DSD 通常用于筛选阶段，它依赖于效应稀疏性、 层次结构和遗传原理从众多可忽略不计的效果项中识别出少数重要的效果项，并且由于其良好的投影属性，如果效果项不是太多，它可能能够拟合完整的响应曲面模型。
- A 最优性标准有助于最小化假设模型的参数估计的平均方差。此标准有助于最小化项之间的相关性（否则会增加参数估计方差），这也有助于模型选择，因为它可以更轻松地确定哪些影响具有统计显著性。此外，您还可以使用选项A 最优性参数权重，通过 A 最优设计调整权重以更精确地估计某些影响（例如，更加强调主效应而不是交互效应）。
Bradley Jones 就此主题发表了精彩演讲： 21 世纪筛选设计 (2020-US-45MP-538)
Jonathan Stallrich 还在 2022 年比较了 D 和 A 优化设计在最小化估计方差和偏差方面的特性，并发现 A 优化标准提供的具有与 D 优化相似或更好特性的候选设计较少。论文可在此处获取： https://arxiv.org/abs/2210.13943
出于这些原因，在使用两级设计研究主效应和双因子交互作用时，JMP 建议使用 A-Optimality 作为最优性标准。
- 是的，增加更多运行次数可以提高功率，并使二阶效应更容易被检测到。它还有助于模型选择。
- 抱歉，我不熟悉涉及删失数据的方法。JMP 中的其他平台可能会对您有所帮助，例如非线性平台。
关于DSD的分析，还有其他讨论涉及使用不同估计方法和模型选择的情况：
将 DSD 分析中的第 1 阶段 P 值设置为高水平，以检测活性效应
DSD 解释及后续步骤
确定性筛查设计中因素的重要性
希望这个补充答案能帮助你，
回复：确定性筛选设计中的检测限我没有审查经验，但对于常规、高质量的数据，22 次包含 4 个因素的 DSD 运行应该足以为您提供理解和正确建模的方向。我很好奇，想知道在 DSD 拟合模型平台中，将阈值 P 值从 0.1 增加到 0.4 时的结果。您也尝试过 SVEM 吗？
