下次会议如下：
9月23日 |第三季度： https 
/www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-sep
11月25日 |第四季度： https /www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
问题 1：如果我的分析没有显示出显著的影响或相互作用，我该如何处理这种情况？
Chandra：使用 JMP 中的图形探索分析器、轮廓图和交互图可以帮助发现统计上不显著但可能值得进一步研究的趋势。
Victor：取决于目标、先验知识和所研究系统的假设模型/复杂性+预算限制
确定性筛选设计和 OML 设计（ 混合水平筛选设计）有助于在筛选阶段早期调查曲率（二次）效应
西蒙：如果我已经有现有的 DSD 数据，并且我想将它们扩充为完整的 RSM，那么我该如何处理缺乏随机性的问题，因为我添加了没有与第一个数据集一起测量的额外运行？
Victor：在增强设计时使用阻塞
Phil：遗憾的是，FitDSD 无法处理缺失的跑步情况
西蒙：您能展示一下软件中使用阻塞来实现的增强效果吗？
Victor：我在愿望清单中添加了此默认检查： https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
问题 2：如何在不同的 DOE 类型（例如，全因子、部分因子、响应曲面）之间进行选择？
问题 3：当你连续输掉 DOE 时该怎么办
Victor：如果可以的话，您也可以不进行这次运行，直接运行模型，看看模型是否能够近似上次运行的响应？如果因为范围太窄而必须扩大因子范围，您可以扩充设计，而不是从头开始，这样就能从已经收集到的信息中获益。
David：挑战在于我的运行次数已经达到极限，不能再少运行一次了。所以，我需要以某种方式“增强”设计。对于是否必须使用阻塞，您有什么看法吗？
Kevin：我经常遇到的一个陷阱，我自己也犯过，就是一开始就试图限制因子的数量，让事情变得容易管理（比如减少运行次数）。然后凭直觉排除这些因子，而不是根据实验设计（DoE）筛选出来。
当然，这是有限度的，我们无法筛选出每一个出现在脑海中的想法，但让几位专家参加会议并集思广益，提出一组初步的因素，往往会有所帮助。
胜利者：你的设计模型已经饱和了？你仍然可以使用一些适用于饱和设计的工具，比如“拟合两水平筛选平台”（ 适合度两级筛选平台 ）来尝试创建一个相关的模型。
或者正如您所提到的，您可以增强未完成的第一个设计，并使用阻塞进行新运行，以防止/检测第一批实验和第二批实验之间的任何转变/变化。
CK：您还可以运行一个以前运行过的帮助帐户吗？
Simon：我不知道我们是否已经讨论过这个话题，但我感觉在最终数据分析和模型判断方面能力有限。我在 JMP DoE 课程中学习了如何分析方差分析和失拟量。我还有什么其他更好的方法来判断我的最终模型，并利用该模型的统计数据来规划更好的实验呢？
胜利者：根据您的目标，有许多模型指标可用于模型比较/验证：R²/R²调整、p值、RMSE、信息标准……
更多讨论： https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
Kevin： David，这确实是一个难题。在不了解具体情况的情况下，先测试/尝试一下你的想法，但可以尝试使用偏最小二乘等可以处理缺失数据的工具。将你计划的实验放在X区块中，然后Y预测变量就是你测量的值，并将缺失值放在Y列中（如果你有多个响应，则放在矩阵中）。
PLS 可以为您做出预测，尽管它可能不是最好的，但它比完全放弃那次运行要好。
此外，如果您有缺失的数据点，那么在这次分析之后您的下一步会是什么？
Phil：我会像 Kim 说的那样，重复缺失的那次运行。这并不理想，因为“噪音”因素可能会发生变化，但我认为没有更好的选择。把它放在一个单独的区块里毫无意义。只有一次运行的区块毫无用处。
CK：中心点很好，但是你能重复之前成功的运行吗？
Kevin：你能试着模拟一下你的问题吗？在模拟中观察一下删除某个运行，然后在后续的区块中重新运行它的效果，无论有没有区块效应。创建一个你知道真相的模拟系统，模拟能够复制你场景的实验数据。
大卫：然后呢？你会怎么做？
凯文：然后对模拟数据进行分析，看看这次错过的运行对你会（或不会）获得的见解有多重要。
既然您知道模拟系统中的真相，那么您应该在模拟数据的分析中看到这一点。
大卫：您所说的系统中的“真相”是指存在哪些影响吗？
凯文：是的，如果这是你实验的目的，那么你实验的目的就是发现在你操作的范围内有哪些影响在起作用。
David：我会拟合数据，得到具有最低 AICc 的模型来描述系统
凯文：听起来你们还处于早期阶段：筛选因素，并了解系统。
David：没错！所以我觉得每次跑步都很重要。
凯文：既然如此，模拟中需要检查的问题是：潜在的筛选或学习到的知识（例如，因子 A 会导致响应 1 下降）是否会出错？如果没有那次缺失的运行，学习到的知识会不会是错误的？或者，你会得到相同的信息吗？换句话说，缺失那次运行本身并不是问题。
问题 4：在 DOE 分析中使用 Box Cox 变换选项
Victor：要知道是否需要转换，您可以先检查模型的残差
Diana：Box Cox 变换：我建议四舍五入到最接近的大数（但仍在良好变换的置信区间内），因为这样以后向观众解释起来会容易得多。说“这是一个对数变换”比说“它是 -0.132342356 次方”要容易得多。
Phil：关于 Box-Cox 变换：JMP 建议使用一个 lambda 数，它是响应值在变换过程中的幂。0 相当于对数变换。2 表示对响应值求平方。-1 表示对响应值求倒数。对数变换在某些情况下是有意义的，例如，当响应值是细胞生长计数，因此会随数量级变化时。我认为其他变换很难证明其合理性，因此我会避免使用。唯一的例外是那些在响应值处于百分比尺度或 0 到 1 尺度时有用的变换。Logit 和 Logit Pct 变换可能很有用。
问题 5：中心点的目的是什么？确定适当的因子范围
Bill： DOE 非常稀疏，树方法或 SVEM 等方法是分析 DOE 数据的良好选择。
Victor：中心点主题在之前的 DoE Club 中也提到过： https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
问题 6：不遵循任何 DOE 原则的数据。
Victor：您可以使用 Augment 设计平台。这有助于与已经进行过 OFAT 实验的人建立信任
Chandra：为了在 OFAT 研究后捕捉交互作用和曲率，可以使用 JMP 的增强设计功能，指定相同的因子和更完整的模型（主效应、交互作用、二次函数）。这会生成额外的运行，这些运行与您的 OFAT 数据结合后即可完成设计。此外，还可以添加一个区组因子来区分原始运行和新运行，以便更好地建模。
Caleb King 的评论：
我想分享一些与之前提到的一些内容相关的内容（Kim 提到了将因子水平舍入到更优的水平，当然还有关于使用中心点来帮助估算纯误差的讨论）。我在 NASA 有一位同事遇到过这样的情况：测试人员很难达到指定的设计设置，但可以高精度地记录实际设置。除了使用中心点之外，还有其他方法可以利用这种情况来估算纯误差。我附上了一份三年前就这个主题做的演示文稿（我们曾尝试自己提出一个方案；结果发现我们晚了几十年），其中包含该领域研究的摘要和参考文献。希望对大家有所帮助。
（见附件）
