空间利用率不错，但能源部能力较低JMP社区的各位朋友，大家好！
我正在设计一个包含 2 个连续变量、1 个分类变量（6 个水平）和 1 个分类变量（2 个水平）的实验设计 (DoE)。当我为这项研究创建 D-最优设计时，我发现检测我感兴趣的交互作用的功效相当低（预期系数 = 5，功效 = 0.61）。然而，设计图的比例看起来相当不错。95% 的空间比例位于预测方差 1.0 以下。
请问为什么设计图的比例很好，而模型的功效却很低？
基础数据分析与建模实验设计回复：空间利用率不错，但能源部能力较低影响统计功效的重要因素是试验次数和实际试验设计。您并未提及这两点，因此我使用默认试验次数（25）为相同的因子和模型创建了一个试验设计。在这种情况下，使用相同的预期系数，统计功效优于您展示的结果。
我不确定您对此案例中相对预测方差的预期是多少。
回复：空间利用率不错，但能源部能力较低你好，
我觉得你把事情搞混了。
FDS 图和功效分析都能告诉你 DOE 的好坏，但它们衡量的是完全不同的品质：
- FDS 图 → 您的模型在整个设计空间中预测的精确度如何？或者说，在大部分区域内，预测的可靠性如何？
- 功效分析 → 考虑到噪声和样本量，您的实验检测到真实效应的可能性有多大？或者我们能否可靠地检测到有意义的差异？
它们之间存在关联，因为它们都能帮助你判断你的设计是否足够好，但它们在 DOE 的不同层级上运行。
- 功效 = 0.65 表示有 65% 的概率检测到所选大小的影响。
- 如果您的FDS曲线较高（例如，80%的空间小于方差阈值），则您的设计在大部分区域都能给出可靠的预测。
功效分析侧重于假设检验，而不是预测精度。
以下是一些例子，希望能帮助更好地理解：
相似之处：两者都取决于设计的方差结构。FDS →预测方差，而功效 →效应方差。两者都由相同的核心要素驱动：设计矩阵和噪声水平。
改善其中一项通常也会改善另一项。
例如：
- 增加重复次数可以降低误差方差
- 切换到更优化的设计（例如，I-最优设计）
但它们优化的是不同的目标。
有时一方的情况会好转，而另一方却不会：
- AD 最优设计可能最大化参数精度，但产生较差的平均预测方差（较差的 FDS）。
- 将点分散开来的设计（有利于功率）可能会在设计空间中留下预测空白（FDS 较差）。
希望这能解释为什么会发生这种情况。
