自訂 DOE 中的預設運行次數是如何計算的？具體來說就是 I 最優標準。查看 JMP 的自訂 DOE 指南，我發現了預設運行的描述（附圖），但我不知道預設運行次數是如何計算的？特別是如果存在不同的因素水平或不同類型的因素（離散或分類），任何幫助都值得讚賞。
P.S：我讀過以前的帖子，其中提到 JMP 至少增加了 4 次運行，但情況似乎並非總是如此。
進階統計建模數據探索與視覺化視窗回覆：自訂 DOE 中的預設運行次數是如何計算的？具體來說就是 I 最優標準。你好@statistic_nerd ，
在以下討論中確實有關於這個主題的幾個回應：
客製化設計：預設運行次數
JMP 如何設計 DOE 下的預設運行次數（客製化設計）
最優設計//分類因素
經過多次實驗和觀察，我發現了以下關於理解 JMP 提出的預設運行次數的指導原則：
根據您假設的模型的最小運行次數，JMP 將嘗試在此最小運行次數上添加至少 4 次運行，並確保設計平衡。如果建議的運行次數對於某些因素的水平不平衡，JMP 將根據其水平數添加運行次數以滿足所有因素之間的良好平衡。例如，如果有一個 5 級分類因子和另一個 3 級分類因子，則主效應模型的最小運行次數為 7。增加 4 次運行不會幫助平衡所有因子等級的設計（11 不是 5 和 3 的倍數），因此它會推薦這兩個數字的倍數，並且會建議最低的數字，這裡是 15。
對於僅連續因子和主效應模型，預設運行次數按大小 4 變化：從 2 到 3 個因子，預設運行次數為 8，從 4 到 7 個因子為 12，從 8 到 11 個因子為 16，等等...
運行次數不受最優標準選擇的影響，因為計算運行次數是在計算矩陣之前完成的。建議的運行次數受因素類型、等級數和假定模型（因為它會影響最小運行次數）的影響。然而，最優標準可以修改新增的建議運行（實驗矩陣）中的因素水準的處理組合：例如，I 最優性將支援可以幫助最小化設計空間內平均變異數預測的新運行。請參閱最優標準以了解更多資訊。
希望這個答案能對你有幫助，
回覆：自訂 DOE 中的預設運行次數是如何計算的？具體來說就是 I 最優標準。你好@Victor_G ，
感謝您的及時和詳細的回覆。我有兩個後續問題：
1. 如果連續因子和分類因子之間存在交互作用，那麼在水平和運行次數方面該如何處理？它們是否包含在預設運行次數的計算中，或者該數字是否基於主效應？例如分類 3 個層級、離散 4 個層級以及兩者之間的交互作用。
2. 您能否進一步詳細說明離散等級隨 4 的倍數變化的情況？例如，如果有一個具有 3 個離散等級的主效應，而另一個具有 8 個離散等級的主效應，那麼它們的預設運行次數與具有 4 個等級的主效應和具有 8 個等級的主效應有何不同？
回覆：自訂 DOE 中的預設運行次數是如何計算的？具體來說就是 I 最優標準。你好@statistic_nerd ，
我在先前的回覆中提到了具有主效果的模型，因為您指定的假設模型會影響所需的最小運行次數，從而影響建議的預設運行次數。
讓我們舉一個涉及 3 級分類因素和 5 級分類因素的簡單設計的例子。
- 當假設模型僅由主效果組成時，最小運行次數為 7，建議運行次數為 15（3 和 5 的最低倍數，高於 7+4），以確保運行次數在所有等級配置中保持平衡。
- 如果假設一個具有主效果和 2 個因素交互作用的模型，則最小運行次數為 15，建議運行次數為 30（3 和 5 的最低倍數，高於 15+4）。
回到最初的場景：
- 具有一個分類 3 級因子和一個離散 4 級因子，模型由主效應和 2 因子交互作用組成，最小運行次數為 6，建議運行次數為 12，因為它是 3 和 4 的最低倍數，高於 6+4。
對於 k 等級分類因子，您需要估計 k-1 個主效果估計值。
對於 k 級離散數值因子，您需要估計至少 1 個主效應，並且如果可能的話，您可以使用高階效應來增加要估計的效應數量，最高可達 k-1 階多項式效應，因此模型項從 1 到 k-1（默認情況下，JMP 建議將這些多項式效應的可估計性視為“如果可能會被計算為“如果可能會運行最少”。
- 我提到了僅使用連續因子的設計和模型的尺寸 4。如果您建立一個具有 3 階離散數值因子和一個 8 階離散數值因子的設計，則主效應模型的最小運行次數將為 3（截距 + 每個因子的一個主效應），建議的運行次數將為 24，即 3 和 8 的最低倍數。增加交互項將把最小運行次數增加到 4，並且不會改變建議的運行次數 24，這已經是 3 和 8 的最低倍數，高於 4（或 3）。
如果您將模型中高階效應可估計性指定為“必要”，則需要與要估計的項一樣多的運行次數，因此最小值為 8（或 9，兩個因子之間存在交互作用），因為 JMP 將多項式效應的階數限制為 5，但如果您將 8 級離散數字4 / 11+4），因此建議的運行次數仍為 24。
希望這個小例子能對你有幫助，
