下次會議如下：
9月23日 |第三季： https 
/www.jmp.com/en/events/europe/users-groups/doe-club/2025/23-sep
11月25日 |第四季： https /www.jmp.com/en/events/europe/users-groups/doe-club/2025/25-nov
問題 1：如果我的分析沒有顯示出顯著的影響或交互作用，我該如何處理這種情況？
Chandra：使用 JMP 中的圖形探索分析器、輪廓圖和交互圖可以幫助發現統計上不顯著但可能值得進一步研究的趨勢。
Victor：取決於目標、先驗知識和所研究系統的假設模型/複雜度+預算限制
確定性篩選設計和 OML 設計（ 混合水平篩選設計）有助於在篩選階段早期調查曲率（二次）效應
西蒙：如果我已經有現有的 DSD 數據，並且我想將它們擴充為完整的 RSM，那麼由於我添加了未與第一個數據集一起測量的額外運行，我該如何處理缺乏隨機性的問題？
Victor：增強設計時使用阻塞
Phil：遺憾的是，FitDSD 無法處理缺少的跑步狀況
西蒙：您能展示軟體中使用阻塞來實現的增強效果嗎？
Victor：我在願望清單中新增了此預設檢查： https://community.jmp.com/t5/JMP-Wish-List/DoE-Augmentation-Option-quot-Group-new-runs-into-separate-block/idi-p/665019
問題 2：如何在不同的 DOE 類型（例如，全因子、部分因子、反應曲面）之間進行選擇？
問題 3：當你連續輸掉 DOE 時該怎麼辦
維克多：您也可以在沒有這次運行的情況下運行模型（如果可能的話），看看模型是否能夠近似上次添加的運行的響應？如果由於範圍太窄而必須擴大因素的範圍，您可以增強設計，而不是從頭開始，以從已經收集的資訊中受益。
大衛：挑戰在於我已經達到了跑步的極限，我不能再少跑一次了。所以，我需要以某種方式「增強」設計。對於是否必須使用阻塞，有何看法？
凱文：我看到的一個常見陷阱，也是我自己遇到的一個陷阱，就是試圖在開始時限制因素的數量，以使事情變得易於管理（即減少運行次數）。因此，憑直覺消除這些，而不是根據 DoE 將其篩選出來。
當然，這是有限度的，我們無法篩選出所有想到的想法，但讓幾位專家參加會議並集思廣益，確定一組初始因素通常會有所幫助。
勝利者：您有一個飽和模型的設計嗎？您仍然可以使用一些適用於飽和設計的工具，例如「擬合兩級篩選平台」（ 「擬合兩級篩選平台」）來嘗試建立相關模型。
或者正如您所提到的，您可以增強未完成的第一個設計，並使用阻塞進行新運行，以防止/檢測第一批實驗和第二批實驗之間的任何轉變/變化。
CK：您還可以運行一個以前曾經運行過的幫助帳戶嗎？
西蒙：我不知道我們是否已經討論過這個主題，但我感覺在最終的數據分析和模型判斷方面受到限制。我在 JMP DoE 課程中學習如何分析變異數分析和失擬分析。我還有什麼其他更好的選擇來判斷我的最終模型，並可能使用該模型的統計數據來規劃更好的實驗？
勝利者：根據您的目標，有許多模型指標可用於模型比較/驗證：R²/R²調整、p值、RMSE、資訊標準…
更多討論： https://community.jmp.com/t5/Discussions/Model-reduction/mp/823421/highlight/true#M100286
凱文：大衛，這確實是一個很難回答的問題。一旦有了想法去測試/嘗試，無需更多地了解您的情況，但嘗試使用可以處理缺失資料的工具（例如偏最小二乘法）。將您計劃的實驗放在 X 區塊中，然後 Y 預測變數就是您測量的值，並將缺少的值留在 Y 列中（如果您有多個反應，則留在矩陣中）。
PLS 可以為您做出預測，儘管它可能不是最好的，但它比完全放棄那次運行要好。
此外，如果您有缺失的資料點，那麼在這次分析之後您的下一步會是什麼？
菲爾：我會像金所說的那樣，重複缺少的跑動。這並不理想，因為「噪音」因素可能已經改變，但我認為沒有更好的選擇。將其放在單獨的區塊中是沒有意義的。具有 1 個運行的區塊是無用的。
CK：中心點很好，但你能重複之前成功的運行嗎？
凱文：你能嘗試模擬你的問題嗎？並在模擬中看到放棄運行的效果，並在後面的區塊中將其帶回來，模擬有或沒有區塊效果。創造一個虛假的系統，在其中你知道真相，模擬複製你的場景的實驗數據。
大衛：然後呢？您將如何進行？
凱文：然後對模擬數據進行分析，看看這次錯過的運行對你會（或不會）獲得的見解有多重要。
既然您知道模擬系統中的真相，那麼您應該在模擬資料的分析中看到這一點。
大衛：您所說的系統中的「真相」是指有哪些影響嗎？
凱文：是的，如果這是你實驗的目的，那麼你實驗的目的就是發現在你操作的範圍內有哪些影響在運作。
David：我會擬合數據，得到具有最低 AICc 的模型來描述系統
凱文：聽起來你們還處於早期階段：篩選因素，並且了解系統。
大衛：沒錯！這就是為什麼我覺得每次跑步都很重要
凱文：如果是那樣的話；在模擬中要檢查的問題是：潛在的篩選或學到的知識（例如因素 A 會使響應 1 減少），如果沒有那次缺失的運行，學到的知識是否會是錯誤的，或者你會得到相同的信息？換句話說，缺少那次跑動並不是問題。
問題 4：在 DOE 分析中使用 Box Cox 轉換選項
Victor：要知道是否需要轉換，可以先檢查模型的殘差
戴安娜：Box Cox 變換：我建議四捨五入到最接近的大數字（仍然在良好變換的置信區間內），因為稍後向觀眾解釋起來會容易得多。說「它是一個對數變換」比說「它是 -0.132342356 的冪」要容易得多。
Phil：關於 box-cox 變換：JMP 建議使用 lambda 數，它是響應隨著變換而提升的冪。 0 相當於對數轉換。 2 表示對響應進行平方。 -1 表示取回應的倒數。在某些情況下，對數轉換是有意義的，例如，當反應是細胞生長的數量並且因此在數量級上變化時。我認為很難證明其他轉變是合理的，所以我會避免。唯一的例外是當回應處於百分比範圍或 0 到 1 範圍時有幫助的轉換。 Logit 和 logit pct 變換可能很有用。
問題 5：中心點的目的是什麼？確定適當的因素範圍
Bill： DOE 非常稀疏，樹方法或 SVEM 等方法是分析 DOE 資料的良好選擇。
Victor：中心點主題在先前的 DoE Club 中也提到： https://community.jmp.com/t5/Design-of-Experiments-Club/Recordings-DOE-Club-Q1-2025/mp/842727
問題 6：不遵循任何 DOE 原則的數據。
Victor：您可以使用 Augment 設計平台。這有助於與已經進行過 OFAT 實驗的人建立信任
Chandra：為了在 OFAT 研究後捕捉交互作用和曲率，請使用 JMP 的增強設計功能，指定相同的因素和更完整的模型（主效果、交互作用、二次函數）。這會產生額外的運行，當與您的 OFAT 資料結合時，即可完成設計。還添加了一個阻塞因子來分離原始運行和新運行，以便更好地建模。
Caleb King 的評論：
我想分享一些與所提到的一些事情有些相關的東西（Kim 提到將因子水平四捨五入到更好的水平，當然還有關於使用中心點來幫助估計純誤差的討論）。我在 NASA 有一位同事，他遇到過這樣的情況：測試人員很難實現指定的設計設置，但可以高精度地記錄實際設置。除了使用中心點之外，還有其他方法可以利用這種情況來估計純誤差。我附上了三年前就此主題所做的簡報（我們曾嘗試提出自己的簡報；結果發現我們晚了幾十年），其中包含此領域研究的摘要和參考文獻。可能對大家有用。
（見附件）
