实验设计（DOE）的基本概念和术语是什么？
如果您正在考虑进行一项计划实验，那么熟悉以下术语非常重要：响应、因子、因子水平、处理组合、主效应、交互作用、设计、实验设置、实验单元、重复、随机化、混淆和区组。
对于初学者来说，最常见、最有用的模型有哪些？
全因子设计、部分因子设计以及响应曲面设计通常是实验者最先接触到的设计类型。理解这些设计的概念有助于打下坚实的基础，但您也可以直接学习现代优化设计，从而节省时间、金钱和资源。传统设计通常只是现代优化设计的子集。
实验设计术语
一 因素 （或者 实验因素）是预先计划的实验中研究的一个变量，而 回复 它是衡量目标结果的变量。在计划好的实验中，可以有多个因素和多个响应变量。有些变量可以在实验过程中得到控制或保持不变。此外，还可能存在无法控制的噪声或干扰变量。这些变量有时被称为潜在变量。
当两个因素 相互影响一个变量对响应变量的影响取决于另一个变量的值。这两个因素对响应变量的影响并非简单的叠加。因此，只研究其中一个因素而忽略另一个因素可能会导致对响应变量得出错误的结论。
O 因素水平 是实验中所用因子的值，并且 治疗 这是各因素水平的独特组合。
例如，假设您正在研究钛零件的清洗工艺，并想分析两个因素： 洗澡时间 e 解决方案类型. 洗澡时间 这是一个连续变量，有两个感兴趣的水平：10 分钟和 30 分钟。 解决方案的类型 这是一个分类变量，分为三个等级：类型 1、类型 2 和类型 3。共有六种可能的治疗方法。答案是： 表面残留污染物 .
在全因子设计或DOE因子设计中，您需要运行所有可能的因子水平组合（所有可能的处理）。对于实验中的每次试验或 实验执行在实验性治疗中，你会进行某种治疗并记录其反应。当你对治疗方案进行随机化处理时，治疗的执行顺序是随机的。随机化可以最大限度地减少变量的影响。 不受控制或潜在变量。
为了说明这一点，假设你进行了一项非随机清洁试验。完成所有六次试验需要一天时间。你对所有处理都进行了测试。 洗澡时间 早上10分钟，以及所有治疗 洗澡时间 下午30分钟。与此同时，环境温度和湿度都在全天持续升高。
在后续分析中，您可以得出以下结论： 洗澡时间 这很重要。然而，由于你没有对治疗进行随机分组，因此无法区分每种因素的影响。 洗澡时间 环境温度和湿度的影响。因此，这些影响被认为是令人困惑的或 使困惑随机分组治疗可以避免这种混淆。
在“免清洁”模式下，每项护理仅进行一次。您可以重复进行，或者 复制在完全重复实验中，可以重复一种处理方式，也可以重复所有处理方式。在完全重复实验中，每种处理方式都会被重复。
重复实验使我们能够估计实验误差，即规划中无法解释的变化（即，响应的变化不能用因素的变化来解释）。
最后，在响应面中如果你的连续因子使用两个以上的水平，就可以对因子与响应之间的关系曲线进行建模。
以下是对我们示例中使用的主要术语的回顾：
关于答案的一切
理解实验设计中的响应变量。
实验反应的关键方面是什么？
根据您的回答，该实验可以研究哪些目标？
实验目标可以是最大化、最小化或使该响应的目标值相等。
如何在实验中管理多个响应变量？
在同一实验中收集多个响应变量的数据是很常见的。您可以分别对每个响应变量进行建模（忽略响应变量之间的相关性），也可以让统计模型通过优化将所有响应变量的需求整合到一个模型中。
找出答案
在明确实验目标之后，你需要确定感兴趣的响应变量。此外，你还需要确保你的测量系统…… 适用。
您的响应变量是感兴趣的输出变量。对于给定的实验，您可能会有多个响应变量。响应变量应提供有关您所研究过程特征的有用信息。
尽可能使用连续响应变量。这是因为实验通常规模较小且效率较高。目标是在有限的重复次数内尽可能多地获取信息。
连续型数据比分类型数据包含更多信息。因此，如果数据量有限，通常情况下，从连续型数据中可以学到比从分类型数据中学到更多东西。
如果你的第一反应是斩钉截铁的，你应该咨询专家，以获得下一步行动的建议。
对于每个答案，你需要确定如何进行测量。例如，将使用什么测量仪器或设备，测量单位是什么，由谁进行测量，以及记录小数点后几位。
超越基础：针对您的测量系统的特殊分析。
对于每个答案，您还需要确保计量表或测量系统…… “有能力的”当一个测量系统具备测量能力时，意味着它能够以足够的准确度和精度测量目标特性，以满足该过程的需求。如果一个测量系统不具备测量能力，则其测量数据不可信。
响应结果可能存在很大差异，这完全是由于测量系统本身造成的，或者测量结果可能存在偏差（或不准确）。可能需要进行…… 测量系统研究 在进行实验之前，如果测量系统不合适，可能需要改进它或寻找替代的测量系统。
有关测量系统研究的更多信息，请参阅质量方法模块。在 JMP 的免费在线统计课程中。
示例
以下是一些实验的描述，特别关注它们的…… 答案 .
- 片剂强度在研发药片时，必须确保最终产品含有正确量的活性成分，且该含量在可接受的范围内。
- 成本您生产用于关闭车门的密封系统。该密封系统由多个部件组成，您的目标是最大限度地降低车门密封的总体成本。
- 油墨粘度目标是找到一系列合适的参数设置，使油墨生产工艺能够产生稳定的粘度。换句话说，即使在这些范围内改变参数设置，也必须保持粘度响应的一致性。
应对目标
不同的实验对反应行为有不同的研究目标。一些常见的研究目标包括：
- 找到各因素的最佳设置，以达到预期结果。 以药片效力为例，目标是…… 达到特定范围 药物的活性成分（例如，“200 毫克咖啡因”片剂应含有 198 至 202 毫克咖啡因）。
- 找到各因素的最佳设置，以最大化或最小化响应。 在成本示例中，目标是 最小化 门密封系统的成本。
- 找到各个因素的最佳设置，使该过程能够应对这些设置的微小变化。 以油墨粘度为例，目标是找到能产生良好粘度的设置，然后通过随机改变设置并检查设置范围是否保持稳定来研究其稳定性。
多重响应实验
在同一实验中纳入多个响应变量是可行的（而且通常是可取的）。也就是说，当对同一组实验因素产生的多个结果感兴趣时，可以在每次实验运行中收集这些多个响应变量的数据。
以上述汽车车门密封实验为例。答案是密封系统的成本。但是，为了有效密封，它还需要最大限度地减少雨水或风的渗入，并且关门所需的力道不能太大。在这个例子中，要同时满足这三个目标（降低成本、减少渗入以及将关门所需的力道控制在一定范围内），可能需要做出一些妥协。
这些权衡取舍可能意味着您无法同时完美优化所有响应，因此您可能需要考虑某个响应是否比其他响应更重要。统计软件通常要求您以比率或重要性权重的形式指定这一点。例如，您可能认为门密封条的漏水目标比成本和强度目标重要五倍。在这种情况下，您可以将成本和强度的重要性设为 1，漏水的重要性设为 5。软件现在会将漏水目标的权重设置为其他目标的五倍。
关于因子的一切
计划实验中的因素
我如何确定计划实验中需要包含的重要因素？
选择实验因素时，应考虑所研究过程或系统的所有变量。最好列出所有潜在的变异来源，包括那些无法控制的因素。 因果图 或 流程图 它们可用于产生想法和组织潜在变量。
在实验设计中，您可以指定哪些变异来源可以控制，并将无法控制的变异来源随机化。
我可以使用哪些类型的变量作为因子？
因子可以是连续的、离散的数值型的或分类的。它们可以用作实验处理、区组、协变量，甚至是实验中的混合成分。
我该如何选择实验中的因子水平？
在选择因素时，要大胆，但不要鲁莽。选择在感兴趣的范围内、分散程度足以产生变化的数值，但又不能过于分散，以免错过合理范围内的关联。
如何处理其他变异来源和干扰变量？
您可以尽可能地保持无关变量不变，或者收集可测量但无法控制的变量数据并将其纳入分析，从而最大限度地减少额外变异。您应该使用区组设计来控制外部变异来源，并随机化实验运行，以防止未知变异来源的影响。
识别变异来源
进行实验时，你需要系统地操控实验因素，力求最大限度地减少或控制其他变异来源。响应变量可能受到多种因素的影响。
首先，您的团队可能需要列出所有潜在因素。您可以使用因果图或流程图来辅助完成此步骤。
图表 因果关系 在头脑风暴会议中，可以使用因果图来帮助识别流程中潜在的变异来源。实验人员首先确定他们想要研究的流程特性，然后反向推导，创建一个结构化的流程输入列表，这些输入可能会导致所研究的流程输出特性发生变化。在一次计划好的实验中研究多个流程输出特性的情况并不少见。在这种情况下，多个因果图可以帮助识别与多个输出特性相关的流程输入。
以下是一些确定实验重要因素的指导原则：
实验因素、控制变量和非控制变量。
在列出所有潜在影响因素后，您应该将它们分为三类：感兴趣的变量（实验因素）、需要保持不变的控制变量以及不可控变量（噪声或干扰）。实验中将操纵实验因素。您需要为这些因素的各个水平选择特定的值，实验的目标是观察改变这些实验因素的值如何影响实验结果或响应。
控制变量可能会对响应产生影响，但这些变量并非您本次实验的研究重点。您应该在整个实验过程中保持这些变量的值不变。但请记住：这意味着只有当这些变量的值固定不变时，您对实验结果的解释才有效。例如，如果您从某个实验室获得实验底物可能会对响应产生影响，但您没有兴趣或资源在本次实验中研究这一因素，那么您应该在整个实验过程中选择同一家实验室作为底物的供应商。因此，实验结果仅对所选的实验室有效。
如果您有资源从多个实验室获取数据，您可以通过以下方式将此变量纳入实验中…… 积木对于这个实验室变量，您可以在《实验设计的关键原则》中阅读更多关于区组的内容。
噪声变量或干扰无法控制或保持恒定。然而，这些变量可能很重要，其中一些是可以测量的。您应该记录每次实验中这些变量的值，并将它们作为非控制变量纳入分析。
因素类型
因子可以是连续的、离散的数值型的或分类的。它们可以用作实验处理、区组、协变量，甚至是实验中的混合成分。
有关数据类型的更多信息：
- 分类： 假设你想做一个实验，比较用不同钻头钻出的痕迹的硬度测量结果。你做这个实验的主要目的是探究改变钻头尺寸会产生什么影响。 钻头类型 这 硬度 因此，其实验因素是 钻头的类型 你的修车店有四种不同类型的钻头，你将测试所有四种。这四种类型（我们称它们为紫色、绿色、橙色和蓝色）代表了本次实验中的因子水平。 钻头的类型 这是一个分类因素，分为四个等级。
- 连续的： 在你的测试中 硬度您还应该将不同的钻头直径作为研究因素。具体来说，您感兴趣的是直径范围在 1/16 英寸到 1/8 英寸之间的钻头。 直径 这是一个持续存在的因素。
- 离散数值因子： 或许您只对机加工车间常用的标准直径感兴趣，范围在 1/16 英寸到 1/8 英寸之间。该范围内共有五种直径：1/16 英寸、5/64 英寸、3/32 英寸、7/64 英寸和 1/8 英寸。这是一个离散数值因子。分析会将该因子视为连续值，但工具会将因子水平限制在可用值范围内。
选择各因素的水平
确定实验因素后，需要确定每个因素的操作范围，并定义实验中要使用的每个因素的水平。实验设计（DOE）的先驱乔治·博克斯曾说过：“如果你真的想知道一个变量的影响，你就必须改变它！”
如果某个因素的高低值非常接近，您可能观察不到改变该因素对响应变量的影响。因此，您可能会错过一些重要的影响。
另一方面，如果各水平之间的距离过大，则很难对因子在宽广范围内变化时的响应行为进行建模。或者，如果因子水平设置的范围比生产中使用的范围更广，甚至可能导致工艺或设备故障。因此，提前考虑因子变化时响应可能如何变化至关重要。
理想情况下，您应该在实验的因子范围内定义最佳因子设置。这可能意味着需要比您想象的更宽泛地扩大范围，但不要过度扩大！
如果您担心某些因子设置组合可能无法正常工作，可以进行测试以确定这些设置是否可行。例如，在对生产设备进行实验之前，您可能需要在测试设备上进行小规模测试，以确保所有因子设置组合都能实际有效。
为了说明选择因子水平的重要性，我们来看一个简单的例子。在这个例子中，请注意因子的取值范围是 0 到 3。
图中绿色曲线显示了因子与响应之间真实但未知的关系。由于你对该因子了解甚少，因此设计了一个实验方案。你决定只使用两个水平，或者说两个规划点。问题是：如何设置这些规划点？如果按照下图所示的方式设置，你就会得出结论：该因子具有显著的正向影响。
但是，如果您按照下图所示的方式排列它们，您就会得出结论：该因素具有微弱的正向影响。
在另一组数值中[见下图]，您可以得出结论，存在强烈的负面影响。
但是，如果您使用以下两张图中所示的数值，您就会得出结论：没有效果。
显然，这是一个极端例子，绿色曲线代表你试图用数据估算的结果。实际的关系尚不清楚。关键在于，定义因子水平可能会导致对因子与响应之间关系得出截然不同的结论。
这个例子也提醒我们，在两水平实验中，只能拟合一阶模型。如果认为关系中存在曲率，则至少需要三个水平的因子来模拟这种曲率，如下所示。
练习示例：识别影响因素、处理干扰因素、选择影响因素水平。
在这个实验中，你需要比较测量结果。 硬度 不同钻头留下的痕迹。首先，列出所有可能的变异来源。本实验的主要目的是探究改变钻头对结果的影响。 类型 和 直径 钻头大约 硬度 因此，其实验因素是 类型 e 直径 钻头。
除了我们感兴趣的因素（钻头的类型和尺寸）之外，本实验中由外部因素引起的一些变量可能包括：
- 金属板材之间的差异： 作为实验者，你决定使用同一批次的金属片，并假设这样可以得到均质或相似的实验单元。
- 将钻头压向金属板时所施加的压力差异： 在这种情况下，你有一台机器，它将钻头压向金属板。你确信这台机器施加的压力是恒定的。
- 由于测量钻头留下的痕迹深度时出现误差而造成的差异： 您确信您的测量仪器足够精确，因此这并非主要问题。为了确保安全，您决定在整个实验过程中只使用一台仪器。
针对这三个干扰因素，您都找到了控制其潜在变异性的解决方案，同时保持它们各自（批次、机器和仪器）的恒定性。通过解决这些变异来源，您实际上消除了干扰因素。
你的实验现在非常简单：你只需要一批金属片、一台机器和一个仪器即可完成整个实验。你只需要确定各个因素的水平。 钻头类型 和 直径 你的修车店有四种钻头可供选择，你需要测试这四种钻头。这四种颜色（紫色、绿色、橙色和蓝色）代表了该因素的不同水平。 钻头类型 在这个实验中。 钻头类型 这是一个具有四个水平的分类因子。您还想研究钻头直径对其硬度的影响。您感兴趣的直径范围为 1/16 英寸到 1/8 英寸，但仅限于使用供应商生产的尺寸。您感兴趣的直径范围包含五个：1/16 英寸、5/64 英寸、3/32 英寸、7/64 英寸和 1/8 英寸。这些是您实验的潜在因子水平。然而，由于您感兴趣的是建模，因此需要考虑其他因素。 直径 由于这是一个连续因子，您无需选择全部五个可用尺寸。您只需选择一个最小值和一个最大值，即可调整它们之间的线性关系。 直径 和 硬度 或者，为了拟合曲线多项式关系，您可以添加一个中点。 直径 通过选择 1/16”、3/32” 和 1/8”，您可以模拟该因素的线性效应和二次效应。 直径。
实验设计的关键原则
实验设计的三大基本原则是什么？
- 随机化 随机化，或者说实验运行的随机化，可以防止系统性偏差的引入。随机化不仅指以随机顺序进行实验，还包括每次实验后重置实验条件。
- 积木的使用 它是一种用于减少或控制由不良因素引起的变异性的技术。
- 复制 它允许实验者对实验误差进行估计。
这三项基本原则或技术是实验设计的基础。随机化用于减少偏差，而其他两项原则则有助于提高实验的精确度。
随机化
在实验的每次试验或实验运行中，您都会施加一种处理并记录其响应。通过随机化实验，您可以随机安排处理顺序。随机化可以最大限度地减少未控制（或潜在）变量的影响。
我们来看一个例子。假设你正在研究钛零件的清洗工艺，该工艺包含两个因素： 洗澡时间 e 解决方案类型 你进行实验时未采用随机分组。完成全部六次试验需要一天时间。你对所有处理都进行了测试。 洗澡时间 早上10分钟，以及所有治疗 洗澡时间 下午30分钟。与此同时，环境温度和湿度在一天中逐渐升高。
在后续分析中，您可以得出以下结论： 洗澡时间 这很重要。然而，由于你没有对治疗进行随机分组，因此无法区分每种因素的影响。 洗澡时间 环境温度和湿度的影响。这些影响可能相互混淆或相关。随机分组可以避免这种混淆。
积木
使用模块来控制干扰变量
你可以使用一种叫做 积木 为了最大限度地减少由非预期变量引起的变异的影响。例如，如果您对不同的批次进行实验，则各个批次之间可能存在差异。
你可以将实验分成若干组，以平衡实验过程中不同批次之间可能存在的差异。
此外，如果你的实验持续超过一天，不受控制的每日波动会给你的结果带来大量无法解释的变异。如果你包括 那天 通过将其用作实验中的区组变量，您可以在分析中考虑每日变化，以便更好地检测重要影响。
对难以改变的因素进行限制性随机化。
我们了解到随机化对于消除未控制或潜在变量的影响至关重要。然而，有时您可能无法完全随机化所有处理。您可能遇到难以改变的因素，或者只能按特定顺序改变的因素。
例如，假设实验因素是烤箱温度。
由于烤箱需要时间才能达到所需的温度，因此每次使用之间更改烤箱温度是不切实际的。
当存在难以改变的因素（例如上述情况）时，应采用裂区设计或条带设计进行实验，而不是完全随机设计。有关如何使用裂区设计和条带设计确定实验随机化的更多信息，请参阅[相关课程]的第3课。 JMP提供的免费在线课程：自定义实验设计。
复制
重复实验是指重复相同的实验条件一次或多次，并针对这些重复的条件进行新的测量。可以重复（或复现）单个处理、部分处理或所有处理。 实验完全复现每项处理至少重复一次。重复实验使我们能够估计实验误差，即实验中无法解释的变异（也就是无法用因素变化解释的响应变异）。估计实验误差对于检验统计显著性至关重要。
例如，在上述清洁过程中，六种处理方法中的每一种至少需要执行一次。假设我们使用以下设置来复制该处理方法： 洗澡时间 = 10 和 解决方案类型 1. 通过随机化实验顺序，这种处理组合既可以作为第二次实验，也可以作为第七次实验。对一个或多个实验点进行重复实验，可以让我们估计因子设置相同时响应的变化——换句话说，就是实验误差。重复多个实验点将提高误差估计的准确性。
假设我们做一个实验，想要通过测量四种不同钻头在金属板上留下的痕迹深度来比较它们的硬度。这个实验的第一步可能包括以下几个任务：
- 从同一批次中选择所有实验单元（金属片）。
- 将处理方法（钻头）随机分配给实验单元。
- 将钻头压入金属板。
- 测量并记录压痕深度。
重复是指对多个实验单元采用相同的处理方法。重复的一个常见误解是将其视为重复测量。
假设本次实验你只能使用四个实验单元，允许……因此，对于四种钻头类型（即每种处理），每种类型仅需一个样本，样本量为 1。如果您认为这不够，可以考虑对每张金属板进行两种处理，并测量留下的痕迹。您认为这样每种处理就拥有了两个观测值（或一个重复）。
这种方法有什么问题？
真正的重复实验是指对多个实验单元应用相同的处理方法。不可能对同一块金属板应用不同的处理方法（钻孔），因为金属板被定义为一个独立的实验单元。通过对每块金属板进行两次重复实验，可以实现…… 伪复制……而且这并非真正的重复实验。由于对同一金属板的观察结果是相互关联的，因此将这两个样本视为独立样本是不恰当的。
Tipos de 规划experimentais
实验设计课程中通常会教授哪些模型？
全因子设计、部分因子设计、中心复合设计以及Box-Behnken设计都是大学课程和工业界实验设计短期培训课程的教学内容。这些都是经典的或教科书中的例子。
算法式教学计划与传统教学计划或教科书中的教学计划有何区别？
Os 规划algorítmicos, também chamados de 规划现代的他们使用算法和优化标准来确定满足您的预算、因素类型以及您想要拟合的统计模型的最佳运行组合。
在规模相对较小的实验中，什么样的实验装置可以帮助识别重要因素？
因子选择实验 因子选择实验主要用于发现重要因子（主效应），在某些情况下，也用于检验因子间的交互作用（交互效应）。因子选择实验的结果指导后续实验中因子和效应的选择。
哪些规划步骤可以帮助您找到优化一个或多个响应的最佳设置？
响应面规划 这些设计用于了解重要因素之间潜在的相互作用，以及连续因素与响应变量之间关系的任何曲率（二次效应）。这些设计用于确定实现响应目标的最佳因素配置。
实验设计有很多种类型，具体采用哪种设计很大程度上取决于你的实验目标。此外，它还取决于其他因素，例如实验成本、资源限制以及实验执行过程中可能遇到的实际限制。
本文将介绍一些常用的实验设计类型以及它们的适用场景。
经典设计
全因子设计
在全因子设计中，所有可能的因子水平组合都会被测试。
最常见的全因子设计是 2 因子全因子设计。k 在全因子设计中 2k它们存在 k 每个连续因子有两个水平。这导致 2 个因子。k 因子水平或处理的组合。如果因子众多，全因子设计可能会变得非常庞大，因此通常只在研究数量非常有限的因子及其交互作用时才使用。实际上，通常不会一开始就采用全因子设计。在实验初期，可能存在一长串潜在的重要因子。
经典的屏幕设计
因子选择设计有助于将众多潜在的重要因子及其交互作用简化为少数几个相关的效应。因子选择设计通常规模小、效率高，涉及的因子也很多。它们常用于探索性目的（例如，在开展后续旨在改进或优化流程的实验之前，识别几个重要的效应）。
部分因子设计
因子选择实验中广泛使用的一种方法是部分因子设计。部分因子设计是通过将 2 因子设计分割而得到的。k 除以“r”次。假设你有一个2因子设计。k 包含七个因素。完全析因设计 27 即使每个因子只有两个水平，它也包含了 128 个处理！在大多数情况下，进行 128 次实验既不实际，也不必要，甚至是不可能的。部分因子设计²克尔 它使用了全因子设计中的部分实验。
想象一个完整的 2⁵ 因子设计其中每个因素都可以在两个水平上执行，分别为 -1 和 +1。该方案包含 32 个处理方案。在一个 2⁵ 方案中 -1完整的规划2⁵ 计划被分成两半，一次分成两半，得到 16 次执行而不是 32 次。如果再次将计划分成两半，则得到计划 2⁵。 -2 需要执行八次。
此规划 2 5-2 它允许你仅用八次运行来研究五个因素和两种可能的双向交互作用。
还有一种称为部分因子设计的半因子设计。 普拉克特-伯曼 部分因子设计的运行次数为 2。 克尔因子数是 2 的幂，因此，随着因子数的增加，这些设计的运行次数也会迅速增加。Plackett-Burman 设计的运行次数是 4 的倍数，因此是一个很好的替代方案。然而，在任何类型的部分因子设计中，某些（甚至很多）效应的估计值都会重叠或相互混淆。了解更多关于部分因子设计和效应重叠的信息（JMP 经典实验设计课程第 2 课）。
经典响应面设计
当您已经确定了重要因素及其相互作用，并且实验目标是进行优化时，可以使用响应曲面设计。例如，您可能希望找到能够最小化或最大化某个响应值，或者能够实现某个目标的因素组合。
在寻找最优响应时，还必须考虑响应曲线可能存在的曲率。这些设计用于连续因子，以模拟因子与响应之间关系的潜在曲率。为了估计曲率，该设计至少需要三个因子水平。因此，除非限制因子数量，否则响应曲面设计可能会变得非常庞大。
最常见的经典响应面设计类型是中心复合设计和 Box-Behnken 设计。
算法设计
全因子设计、部分因子设计、中心复合设计以及Box-Behnken因子设计由于其悠久的历史和广泛的应用，通常被称为“经典”或“传统”设计。然而，实验设计领域，特别是算法设计的发展方面，已经取得了许多进展，这些算法设计通常被称为“现代”或“计算机生成”设计。两种重要的算法设计类型是定制（或最优）设计和确定性因子选择设计。
定制设计
定制或优化设计采用算法方法，根据您的实验目标（例如，因子选择或优化）、预算（可进行的实验次数）和具体问题（您希望包含的因子类型或您希望估计的特定效应）生成设计。例如，假设您正在研究四个因子，实验目标是优化。其中三个因子是连续变量，第四个因子是二分类变量。您只能进行 20 次实验。
应该使用哪种实验设计？经典的实验设计都不适用于这种情况。首先，经典设计不允许包含分类因子。您需要进行两次实验（分别针对分类因子的每个水平），每次实验至少重复 15 次。其次，即使所有因子都是连续的，最小的四因子经典响应面设计也需要 26 次重复。
相反，您可以生成满足您特定实验需求的自定义设计。在本例中，一个能够估计主效应、交互效应和二次效应的自定义设计只需 14 次运行即可完成，远低于您的预算！自定义设计比传统设计更灵活，效率也更高。
我们之前已经讨论过经典设计和自定义设计。作为专业人士，您可能会更频繁地使用自定义设计，因为它们支持从因子选择到优化等各种实验，并且提供了更大的灵活性。事实上，经典设计本身就是自定义设计的一个子集。
确定性筛选设计
2011年，布拉德利·琼斯和克里斯托弗·纳赫特海姆提出了一种新的实验设计——确定性因子选择实验。这种实验效率极高，其中每个连续因子有三个水平，每个分类因子有两个水平。确定性因子选择实验能够同时研究多个因子，有助于识别最重要的因子。与传统的因子选择实验相比，它具有诸多优势。
尽管确定性因子选择实验通常被认为是专门的因子选择实验，但它们可以估计主效应和二次效应（针对连续因子），并且，当只有部分因子重要时，还可以估计一些交互效应。这意味着确定性因子选择实验也可用于优化。
概括
本文将探讨工业领域中常用的一些实验设计及其适用场景。然而，还有许多其他设计并未在此一一介绍。此外，值得注意的是，实验设计并非仅限于工业领域。它广泛应用于市场营销、农业、健康与生命科学等其他领域。
