協變量和確定性篩檢設計你好，
協變數是否也可以與確定性篩選設計一起使用，或者是否僅在客製化設計中才有可能？
問候
克勞斯
實驗設計回覆：協變量與確定性篩選設計你好@NominalGemsbok3 ，
確定性篩選設計只能處理數值連續性因素或 2 級分類因素。
在 JMP 幫助中了解有關確定性篩選設計的更多資訊。
客製化設計可以處理多種類型的因素。
希望這個答案能對你有幫助，
回覆：協變數與確定性篩選設計然而，似乎有一種解決方法，您可以在建立模型效應中直接將協變量作為連續變數添加。
回覆：協變數與確定性篩選設計協變量是一種特定類型的因子：“協變量因子的值是在實驗之前已知的實驗單元的測量值。”
除非協變量水準和因子水準組合與確定性篩選設計所需的組合相符（在這種情況下，您只能將它們指定為連續因子），否則您必須使用自訂設計平台。
您可以使用帶有協變量的貝葉斯 D 最優設計並獲得與 DSD 類似的性能： https://www.linkedin.com/posts/victorguiller_doe-experimentaldesign-datascience-activity-7254386032484184066-VAfN
希望這能澄清答案，
回覆：協變數與確定性篩選設計非常感謝——這是一個非常有趣的方法。但我希望您能原諒我需要進一步解釋；這個實驗非常重要，耗時且昂貴。
一個） 「除非協變數水準和因子水準的組合與確定性篩選設計 (DSD) 的要求相符...」是什麼意思？
在我們的範例中，它看起來像這樣：我們的 DSD 中有以下因素和因素等級：
1 0 1 1 1 1 否
1 0 -1 -1 -1 -1 是
2 1 0 1 1 -1 否
2 -1 0 -1 -1 1 是
1 1 -1 0 1 1 是
1 -1 1 0 -1 -1 否
2 1 -1 -1 0 1 否
2 -1 1 1 0 -1 是
1 1 1 -1 -1 0 否
1 -1 -1 1 1 0 是
2 1 -1 1 -1 -1 否
2 -1 1 -1 1 1 是
1 1 1 -1 1 -1 是
1 -1 -1 1 -1 1 否
2 1 1 1 -1 1 是
2 -1 -1 -1 1 -1 否
1 0 0 0 0 0 是
1 0 0 0 0 0 否
2 0 0 0 0 0 是
2 0 0 0 0 0 否
第一列代表一個區塊，最後一列代表一個分類變數。
對於每一行（即每次實驗運行），我們都有一個相應的測量值，即頻率，它明確且唯一地屬於該特定運行，我們希望將其用作協變量。
這可以接受嗎？
b)我印像中，貝葉斯設計有更多不同的相關性。這兩種方法所得到的結果是否仍具有可比較性或等效性？
回覆：協變數與確定性篩選設計你好@NominalGemsbok3 ，
a) 簡短回答：可以。
長答案：這取決於這個「協變數」代表什麼，取決於你的研究背景：
- 如果這個「協變數」只能在特定因子水準的運行準備完成後才能測量或得知，那麼它類似於反應（而不是協變數），因此這種方法似乎是可以接受的。您可以將此測量值新增為模型中的「非受控」 因子，但您可能需要在模型中註意因子與「協變量」之間的多重共線性或相關性等問題。
- 如果您可以根據因子水平（根據 JMP 幫助中的定義，為「真實」協變量）評估/計算此協變量值，那麼在準備運行之前，我會考慮在設計中直接使用此協變量因子（即使用自定義設計），以確保協變量值在所有其他因子水平組合/運行中保持平衡。
希望這能回答您的第一個問題（如果沒有任何背景、更多資訊和/或玩具資料集來視覺化問題，那麼這個問題就很難解決）。
b) 貝葉斯設計有一定的彈性，取決於您能承受的運行次數以及所選的最優性準則。運行次數的限制越多（運行次數越少），效應項之間的相關性就越強。
關於主效應和交互效應之間可能存在的相關性，我嘗試了 D 和 Alias-Optimal 設計，針對 5 個連續因子、1 個兩級分類因子和 1 個區塊效應（每個區塊運行 2 次），運行 30 次（所有交互效應可估計性均設置為“ 如果可能”），相關圖顯示主效應和交互效應之間沒有相關性：
區組效應與主效應、區組效應與交互效應之間仍存在一些微小的相關性。
請注意，在這種情況下，僅針對主效應的設計至少需要 14 次運行，而針對主效應 + 交互作用的設計則至少需要 44 次運行。貝葉斯 D 最優設計能夠在運作規模方面擁有靈活性，同時保留檢測交互作用的可能性。
希望這個答案能澄清你的問題，
回覆：協變數與確定性篩選設計好的，讓我更精確地解釋一下。我們有五個連續因子和一個分類因子，以及20次實驗，也就是20種不同的因子水準組合（我們無法在第一步驟中進行更多實驗）。對於這些組合中的每一個——也就是20次實驗中的每一個——我們都會在初步測試中確定一個特定的量（物體的固有頻率）。這個值是無法控制的；我們只是簡單地照搬它。它不可控，但某種程度上是由因子水平的組合產生的，因此必須分配給該特定的組合。因此，對於組合1，對應的固有頻率是X1（且只有X1）；對於組合2，對應的固有頻率是X2，依此類推。因此，由於這些值必須唯一地分配給特定的組合，我不明白JMP在這裡還能平衡什麼。您能再解釋一下嗎？
回覆：協變數與確定性篩選設計好的，在這種情況下，您處於我答案中a)點描述的第一種情況。您無法在設計中平衡這些值，因為您事先不知道這些值，所以這個因素是不受控制的，就像實驗期間記錄的環境溫度一樣，而不是協變量。
您可以建立任何您想要的設計並記錄這些值，然後在模型中加入這個不可控的因素效應。
回覆：協變數與確定性篩選設計抱歉，你對協變數的定義是從哪裡來的？這些數值在實驗前不必知道。協變數是一個可測量的獨立噪音變數（一個人們不願意控制的因素），它會在實驗過程中改變。它與 Y 值共變。由於它是一個隨機變量，為了分析它，你必須將它添加到模型中。這需要你創建一個混合模型（模型中既包含固定效應，也包含隨機效應）。
回覆：協變數與確定性篩選設計你好@statman ，
我已在回覆中列出了協變數定義的來源，請參閱與因子類型定義相關的 JMP 說明： https://www.jmp.com/support/help/en/18.2/#page/jmp/factors.shtml
您描述的情況在 JMP 中被稱為「非受控因子」。我只是為了避免混淆或誤解才使用了相同的術語，希望您能理解。
最好的，
回覆：協變數與確定性篩選設計抱歉，我沒有看到來源。但這並不是協變數最被接受的定義。它並不要求「協變數的值必須先驗已知」。協變量必須被識別和測量。
