按類別層級進行阻斷親愛的社區成員們，
我正在嘗試製作一個客製化設計，在這個設計中，我將比較不同材料在已建立的工藝流程中的性能。
我已將四種新材料作為分類因子納入模型，並希望測量三個連續因子：製程時間、預處理階段時間和試劑添加。這些因子易於調整，我希望擬合一個響應曲面模型。
我預期我的分類因子的每個水平在不同的連續因子組合下（它們代表不同的礦物）表現大致相同。所以，我的問題是：是否有必要按分類因子進行分組，以便後續進行比較？還是其實沒有必要？我只是擔心如果不分組，最終的結論可能會有偏差。
如果這種阻塞是合理的，我該如何在學生版 JMP Student Edition 19 中實現呢？
非常感謝所有閱讀這篇文章的人。
親切的問候，
進階統計建模基礎資料分析與建模實驗設計預測建模和機器學習回覆：按類別層級進行封鎖抱歉，我覺得這裡的資訊不足以給出非常具體的建議，而且我可能也沒有完全理解你的目標。所以，我只能給一些概括性的意見。
我的第一個問題是：您是想了解背後的因果機制，還是主要想選擇有效的材料和一套操作條件？這可能會導致截然不同的實驗策略。
根據您的描述，您有一個分類因子“材料”，它有四個水平；此外還有三個連續因子：處理時間、預處理時間和試劑添加。我不太確定您所說的“試劑添加量”是什麼意思。是指試劑的用量或濃度嗎？如果是，則它是一個連續因子；還是僅僅指是否添加了試劑？如果是，則它是一個分類因子。
我也會質疑是否該從響應曲面設計著手。依我之見，響應曲面設計在你已經對潛在機制有了相當的理解，確定了重要變量，並且對相關噪聲有所了解之後才最有用。換句話說，我通常希望在花費大量時間估計曲率之前，對一階模型有一定的信心，並且大致了解感興趣的設計空間在哪裡。否則，你可能會建立一個非常精妙的數學模型，但你對這個區域卻還不太了解。
現在回答你關於阻塞的問題。
如果材質是您想要比較的因素之一，我就不會以材質作為篩選條件。分組主要是一種處理噪音的策略——噪音是指那些會影響反應但你無法或不願將其作為實驗因素控制的變數。如果你將每種材料都作為一個分組，就會混淆材料效應和分組效應。這樣一來，你就刻意地剝奪了清晰估計你原本想要比較的效應的能力。
相反，我會將材質視為一種設計因素。
如果你的假設是所有四種材料對三個連續變數的變化反應相似，那麼這實際上是一個可以透過實驗驗證的假設。除了材料本身的主效應之外，我對材料與連續變數的交互作用也感興趣。例如，增加預處理時間對所有四種礦物的影響是否大致相同？試劑用量對所有材料的影響是否相似？如果這些交互作用可以忽略不計，那麼你關於材料間行為一致的假設就得到了一定的實驗支持。如果這些交互作用很重要，那麼簡單地比較材料的總體平均值可能會產生很大的誤導。
這種區別很重要。事先說明你預計材料性質相似的是一種預測；實驗給了你挑戰這種預測的機會。
這並不意味著你不應該使用分組方法。分組方法可能是一種很好的策略，但我建議選擇合理的噪音源進行分組——例如，實驗日期、原料批次、操作人員、設備設定、試劑批次，或其他必須進行多組實驗的條件。我通常喜歡分組方法，因為它可以有意地擴展實驗的推斷空間，並提供關於結論穩健性的信息。
例如，如果實驗需要幾天時間，我可能會特意將所有四種材料和連續因子組合分散到不同的日期，而不是周一使用材料 1，週二使用材料 2，以此類推。後者會完全混淆材料和日期。在適當的區組中隨機分配材料和處理組合，可以有效避免您所擔心的這種偏差。
所以在考慮如何在 JMP 中建立程式碼區塊之前，我首先想問：你想屏蔽哪種噪音源？如果答案只是“四種材料”，那麼我不會稱它們為模組。它們是實驗處理方法，應該作為實驗處理方法納入模型中。
回覆：按類別層級進行封鎖我同意以上觀點，無需分組。您的物質效應是一個四級固定且易於更改的分類因素。
回覆：按類別層級進行封鎖非常感謝您的詳細回覆。
目前我很清楚沒有必要進行封鎖。以下是一些可能有助於獲得新回饋的補充資訊：
我所說的成熟工藝是指適用於特定類型礦物的工藝。我嘗試在與成熟製程相同的溫度、時間、試劑用量條件下（四級分類因子）對新礦物進行實驗，但這些新礦物在這些標準條件下均未發生反應。
我想了解預處理時間這一因素是否能提高礦物的反應活性，是否有統計學依據。此外，我還需要改變反應時間和試劑用量，因為預處理後的材料類型可能有所不同，或許需要新的反應時間和試劑用量才能觀察到性能提升。
我之所以選擇響應曲面法（RSM），是因為我們在治療前進行了一些隨機測試，並且確實觀察到反應性有所改善。因此，我沒有定量篩選數據，但有相關的既往資訊。目前，根據您的回饋，我會選擇篩選實驗設計（DOE）而不是響應曲面法（RSM）。據我所知，確定性篩選更好，但它只允許兩水平分類因子，並且需要一個區塊來估計可能的二次效應。
綜上所述，以下是我目前的選擇：
1. 採用響應曲面法（RSM）的自訂實驗設計，運行24次，預測平均變異數為0.738
2. 兩種確定的篩選設計（以涵蓋 4 種材料），每種設計進行 14 次運行，預測平均變異數為 0.327
3. 僅包含截距、主效應和交互作用參數的自訂實驗設計 (DOE)，至少需要 19 次運行，平均預測變異數為 0.622，且不包含中心運行。
在我看來，客製化 DOE 仍然是最佳選擇，但我希望（如果可能的話）能收到您的回饋和意見，看看根據我之前描述的資訊選擇 RSM 是否合理。
再次非常感謝您的回覆和幫助。像我這樣的業餘人士對此感激不盡。
回覆：按類別層級進行封鎖您好，關於試劑：這是一個二元分類輸入（是/否）還是您想檢驗一個連續效應，例如試劑濃度？由於您想研究時間的影響，我建議您將反應值視為時間函數 Y = f(時間)。因此，在每次 DOE 設定下，您在指定的時間間隔 t 測量 Y；您期望得到什麼樣的函數 f(t)：線性函數、指數函數…？如果您擁有 JMP Pro，可以使用功能資料瀏覽器和功能性 DOE 分析輸入 x 對功能性回應 Y(t) 的影響。如果您沒有 Pro 版本，還有其他方法，例如 PLS、曲線擬合等。
自訂 DOE 是設定此實驗的最佳選擇。當因子試劑明確時，我建議設定一個 I 最優 DOE，其中包含 3 個輸入因子：溫度、材料、試劑，以及每次運行在給定時間間隔 ti 下的反應 Y(t0)、Y(t1)、Y(t2)...Y(tn)。
回覆：按類別層級進行封鎖你好，弗蘭克，
感謝您的回饋。試劑濃度是一個連續變數。
這個建議確實非常巧妙。我想請教一下，在這種情況下，預處理時間和加工時間是分別建模，還是合併成一個總時間？因為我不太清楚如何將預處理時間的影響與材料進入既定製程的影響區分開來。
謝謝，祝您愉快！
回覆：按類別層級進行封鎖我指的是反應時間，也就是物料進入反應過程的時間。預處理時間顯然是一個輸入因子。看起來你們的製程分為兩個步驟：（1）物料預處理：兩個因子：時間和物料；（2）反應：兩個因子：試劑濃度和溫度。 --> 溫度是否容易在每次運作中變更？如果不容易，我們就需要進行裂區/條帶設計實驗。
回覆：按類別層級進行封鎖親愛的弗蘭克：
這確實是一個兩步驟過程，但預處理後的物料會直接進行反應。由於設備限制，我不會評估反應溫度，而是專注於反應時間和試劑濃度。
再次感謝您抽出時間。
