實驗設計（DOE）的基本概念和術語是什麼？
如果您正在考慮進行計劃實驗，那麼熟悉以下術語非常重要：反應、因子、因子水準、處理組合、主效應、交互作用、設計、實驗設定、實驗單元、重複、隨機化、混淆和區組。
對於初學者來說，最常見、最有用的模型有哪些？
全因子設計、部分因子設計、反應曲面設計通常是實驗者最先接觸到的設計類型。理解這些設計的概念有助於打下堅實的基礎，但您也可以直接學習更優化的現代設計，從而節省時間、金錢和資源。經典設計通常只是更優化的現代設計的子集。
實驗設計術語
一 因素 （或者 實驗因素）是預先計劃的實驗中研究的一個變量，而 回覆 它是衡量目標結果的變數。在計畫好的實驗中，可以有多個因素和多個反應變數。有些變數可以在實驗過程中控製或保持不變。此外，還可能存在無法控制的雜訊或乾擾變數。這些變數有時被稱為潛在變數。
當兩個因素 相互影響一個變數對反應變數的影響取決於另一個變數的值。這兩個因素對反應變數的影響並非簡單的疊加。因此，只研究其中一個因素而忽略另一個因素可能會導致對反應變數得出錯誤的結論。
O 因素水平 是實驗中所用因子的值，且 治療 這是各因素水準的獨特組合。
例如，假設您正在研究鈦零件的清洗工藝，並想分析兩個因素： 洗澡時間 e 解決方案類型. 洗澡時間 這是一個連續變量，有兩個感興趣的水平：10 分鐘和 30 分鐘。 解決方案的類型 這是一個分類變量，分為三個等級：類型 1、類型 2 和類型 3。共有六種可能的治療方法。答案是： 表面殘留污染物 .
在全因子設計或DOE因子設計中，您需要運行所有可能的因子水平組合（所有可能的處理）。對於實驗中的每次試驗或 實驗執行在實驗性治療中，你會進行某種治療並記錄其反應。當你將治療方案隨機化時，治療的執行順序是隨機的。隨機化可以最大限度地減少變數的影響。 不受控制或潛在變數。
為了說明這一點，假設你進行一項非隨機化的清潔試驗。完成所有六次試驗需要一天。你對所有處理都進行了測試。 洗澡時間 早上10分鐘，以及所有治療 洗澡時間 下午30分鐘。同時，環境溫度和濕度都在全天持續升高。
在後續分析中，您可以得出以下結論： 洗澡時間 這很重要。然而，由於你沒有對治療進行隨機分組，因此無法區分每種因素的影響。 洗澡時間 環境溫度和濕度的影響。因此，這些影響被認為是令人困惑的或 使困惑隨機分組治療可以避免這種混淆。
無需清潔處理，每次處理僅需進行一次。您可以重複處理，或者 複製在完全重複實驗中，可以重複一種處理方式，也可以重複所有處理方式。在完全重複實驗中，每種處理方式都會重複。
重複實驗使我們能夠估計實驗誤差，即反應中無法解釋的變化（即，反應中無法用因素變化解釋的變化）。
最後，在響應曲面中如果你的連續因子使用兩個以上的水平，就可以對因子與反應之間的關係曲線進行建模。
以下是我們範例中使用的主要術語的回顧：
關於答案的一切
理解實驗設計中的反應變因。
實驗反應的關鍵面向是什麼？
根據您的回答，實驗可以研究哪些目標？
實驗目標可以是最大化、最小化或使該反應的目標值相等。
如何在實驗中管理多個反應變數？
在同一實驗中收集多個反應變數的數據是很常見的。您可以分別對每個反應變數進行建模（忽略反應變數之間的相關性），也可以讓統計模型透過最佳化將所有反應變數的需求整合到一個模型中。
找出答案
在明確實驗目標之後，你需要確定感興趣的反應變數。此外，你還需要確保你的測量系統… 適用。
您的反應變數是感興趣的輸出變數。對於給定的實驗，您可能會有多個反應變數。反應變數應提供您所研究過程特徵的有用資訊。
盡可能使用連續反應變數。這是因為實驗通常規模較小且效率較高。目標是在有限的重複次數內獲得盡可能多的信息。
連續型資料比分類型資料包含的資訊量大得多。因此，如果資料量有限，通常情況下，從連續型資料中可以學到比從分類型資料中學到更多。
如果你的第一個反應是斬釘截鐵的，你應該諮詢專家，以獲得下一步行動的建議。
對於每個答案，你需要確定如何進行測量。例如，將使用什麼測量儀器或設備，測量單位是什麼，由誰進行測量，以及記錄小數點後幾位。
超越基礎：針對您的測量系統的特殊分析。
對於每個答案，您還需要確保計量表或測量系統… “有能力的”當一個測量系統具備測量能力時，意味著它能夠以足夠的準確度和精度測量目標特性，以滿足該過程的需求。如果一個測量系統不具備測量能力，則其測量數據不可信。
反應結果可能存在很大差異，這完全是由於測量系統本身造成的，或者測量結果可能存在偏差（或不準確）。可能需要進行… 測量系統研究 在進行實驗之前，如果測量系統不合適，可能需要改進它或尋找替代的測量系統。
有關測量系統研究的更多信息，請參閱品質方法模組。在 JMP 的免費線上統計課程中。
範例
以下是一些實驗的描述，特別關注它們的… 答案 .
- 片劑強度在研發藥片時，必須確保最終產品含有正確量的活性成分，且該含量在可接受的範圍內。
- 成本您生產用於關閉車門的密封系統。此密封系統由多個部件組成，您的目標是最大限度地降低車門密封的整體成本。
- 油墨黏度目標是找到一系列合適的參數設置，使油墨生產過程能夠產生穩定的黏度。換句話說，即使在這些範圍內改變參數設置，也必須保持黏度響應的一致性。
應對目標
不同的實驗對反應行為有不同的研究目標。一些常見的研究目標包括：
- 找出各因素的最佳設置，以達到預期結果。 以藥片效力為例，目標是… 達到特定範圍 藥物的活性成分（例如，「200 毫克咖啡因」片劑應含有 198 至 202 毫克咖啡因）。
- 找出各因素的最佳設置，以最大化或最小化響應。 在成本範例中，目標是 最小化 門密封系統的成本。
- 找到各個因素的最佳設置，使該過程能夠應對這些設置的微小變化。 以油墨黏度為例，目標是找到能產生良好黏度的設置，然後透過隨機改變設定並檢查設定範圍是否保持穩定來研究其穩定性。
多重反應實驗
在同一實驗中納入多個反應變數是可行的（而且通常是可取的）。也就是說，當對同一組實驗因素產生的多個結果感興趣時，可以在每次實驗運行中收集這些多個反應變數的數據。
以上述汽車車門密封實驗為例。答案是密封系統的成本。但是，為了有效密封，它還需要最大限度地減少雨水或風的滲入，並且關門所需的力道不能太大。在這個例子中，要同時滿足這三個目標（降低成本、減少滲透以及將關門所需的力道控制在一定範圍內），可能需要做出一些妥協。
這些權衡取捨可能意味著您無法同時完美優化所有回應，因此您可能需要考慮某個回應是否比其他回應更重要。統計軟體通常要求您以比率或重要性權重的形式指定這一點。例如，您可能認為門密封條的漏水目標比成本和強度目標重要五倍。在這種情況下，您可以將成本和強度的重要性設為 1，漏水的重要性設為 5。軟體現在會將漏水目標的權重設定為其他目標的五倍。
關於因子的一切
計劃實驗中的因素
我如何確定計劃實驗中需要包含的重要因素？
選擇實驗因素時，應考慮所研究過程或系統的所有變數。最好列出所有潛在的變異來源，包括那些無法控制的因素。 因果圖 或 流程圖 它們可用於產生想法和組織潛在變數。
在實驗設計中，您可以指定哪些變異來源可以控制，並將無法控制的變異來源隨機化。
我可以使用哪些類型的變數作為因子？
因子可以是連續的、離散的數值型的或分類的。它們可以用作實驗處理、區組、協變量，甚至是實驗中的混合成分。
我該如何選擇實驗中的因子水準？
在選擇因素時，要大膽，但不要魯莽。選擇在感興趣的範圍內、分散程度足以產生變化的數值，但又不能過於分散，以免錯過合理範圍內的關聯。
如何處理其他變異來源和乾擾變數？
您可以盡可能地保持無關變數不變，或收集可測量但無法控制的變數資料並將其納入分析，從而最大限度地減少額外變異。您應該使用區組設計來控制外部變異來源，並隨機化實驗運行，以防止未知變異來源的影響。
辨識變異來源
進行實驗時，你需要有系統地操控實驗因素，力求盡量減少或控制其他變異來源。反應變數可能受到多種因素的影響。
首先，您的團隊可能需要列出所有潛在因素。您可以使用因果圖或流程圖來輔助完成此步驟。
圖表 因果關係 在腦力激盪會議中，可以使用因果圖來幫助識別流程中潛在的變異來源。實驗人員首先確定他們想要研究的流程特性，然後反向推導，創建一個結構化的流程輸入列表，這些輸入可能會導致所研究的流程輸出特性發生變化。在一次規劃好的實驗中研究多個流程輸出特性的情況並不少見。在這種情況下，多個因果圖可以幫助識別與多個輸出特性相關的流程輸入。
以下是一些確定實驗重要因素的指導原則：
實驗因素、控制變因和非控制變因。
在列出所有潛在影響因素後，您應該將它們分為三類：感興趣的變數（實驗因素）、需要保持不變的控制變數以及不可控變數（雜訊或乾擾）。實驗中將操縱實驗因素。您需要為這些因素的各個水平選擇特定的值，實驗的目標是觀察改變這些實驗因素的值如何影響實驗結果或反應。
控制變因可能會對反應值產生影響，但這些變因並非您本次實驗的研究重點。您應該在整個實驗過程中保持這些變數的值不變。但請記住：這意味著只有當這些變數的值固定不變時，您的實驗結果解釋才有效。例如，如果您提供的實驗底物來源實驗室可能會對反應值產生影響，但您沒有興趣或資源在本次實驗中研究該因素，那麼您應該在整個實驗過程中選擇同一家供應商實驗室。因此，實驗結果僅對所選的供應商實驗室有效。
如果您有資源從多個實驗室獲取數據，您可以透過以下方式將此變數納入實驗中… 積木對於這個實驗室變量，您可以在《實驗設計的關鍵原則》中閱讀更多關於區組的內容。
噪音變數或乾擾因素無法控製或保持恆定。然而，這些變數可能很重要，其中一些是可以測量的。您應該記錄每次實驗中這些變數的值，並將其作為非控制變數納入分析。
因素類型
因子可以是連續的、離散的數值型的或分類的。它們可以用作實驗處理、區組、協變量，甚至是實驗中的混合成分。
有關資料類型的更多資訊：
- 分類： 假設你想做一個實驗，比較用不同鑽頭鑽出的痕跡的硬度測量結果。你做這個實驗的主要目的是探究改變鑽頭形狀會產生什麼影響。 鑽頭類型 這 硬度 因此，其實驗因素為 鑽頭的類型 你的修車店有四種不同類型的鑽頭，你將測試所有四種。這四種類型（我們稱它們為紫色、綠色、橙色和藍色）代表了本次實驗中的因子水準。 鑽頭的類型 這是一個分類因素，分為四個等級。
- 連續的： 在你的測試中 硬度您還應該將不同的鑽頭直徑作為研究因素。具體來說，您感興趣的是直徑範圍在 1/16 英吋到 1/8 英吋之間的鑽頭。 直徑 這是一個持續存在的因素。
- 離散數值因子： 或許您只對機械加工車間常用的標準直徑感興趣，範圍在 1/16 英吋到 1/8 英吋之間。此範圍內共有五種直徑：1/16 英吋、5/64 英吋、3/32 英吋、7/64 英吋和 1/8 英吋。這是一個離散數值因子。分析會將該因子視為連續變量，但參數會將因子水準限制在可用值範圍內。
選擇各因素的水平
在確定實驗因素後，需要確定每個因素的操作範圍，並定義實驗中要使用的每個因素的水平。實驗設計（DOE）的先驅喬治·博克斯曾說過：“如果你真的想知道一個變數的影響，你就必須改變它！”
如果某個因素的高低值非常接近，您可能會觀察不到改變該因素對反應變數的影響。因此，您可能會錯過一些重要的影響。
另一方面，如果各水平之間的距離過大，則很難對因子在寬廣範圍內變化時的反應行為進行建模。或者，如果因子水準設定的範圍比生產中使用的範圍更廣，甚至可能導致製程或設備故障。因此，提前考慮因子變化時響應可能如何變化至關重要。
理想情況下，您應該在實驗的因子範圍內定義最佳因子設定。這可能意味著需要比您想像的更廣泛地擴大範圍，但不要過度擴大！
如果您擔心某些因子設定組合可能無法正常運作，可以進行測試以確定這些設定是否可行。例如，在對生產設備進行實驗之前，您可能需要在測試設備上進行小規模測試，以確保所有因子設定組合都能實際有效。
為了說明選擇因子水準的重要性，我們來看一個簡單的例子。在這個例子中，請注意因子的值範圍是 0 到 3。
圖中綠色曲線顯示了因子與響應之間真實但未知的關係。由於你對該因子了解甚少，因此設計了一個實驗方案。你決定只使用兩個水平，或者說兩個規劃點。問題是：如何設定這些規劃點？如果按照下圖所示的方式設置，你就會得出結論：該因子具有顯著的正向影響。
但是，如果您按照下圖所示的方式排列它們，您就會得出結論：該因素具有微弱的正向影響。
在另一組數值中[見下圖]，您可以得出結論，存在強烈的負面影響。
但是，如果您使用以下兩張圖中所示的數值，您就會得出結論：沒有效果。
顯然，這是一個極端例子，綠色曲線代表你試圖用數據估算的結果。實際的關係尚不清楚。關鍵在於，定義因子水準可能會導致對因子與反應之間關係得出截然不同的結論。
這個例子也提醒我們，在兩層次實驗中，只能擬合一階模型。如果認為關係中存在曲率，則至少需要三個水平的因子來模擬這種曲率，如下所示。
練習範例：辨識影響因素、處理幹擾因素、選擇影響因素水準。
在這個實驗中，你需要比較測量結果。 硬度 不同鑽頭留下的痕跡。首先，列出所有可能的變異來源。本實驗的主要目的是探究改變鑽頭對結果的影響。 類型 和 直徑 鑽頭約 硬度 因此，其實驗因素為 類型 e 直徑 鑽頭。
除了我們感興趣的因素（鑽頭的類型和尺寸）之外，本實驗中由外部因素引起的一些變數可能包括：
- 金屬板材之間的差異： 作為實驗者，你決定使用同一批的金屬片，並假設這樣可以得到均質或相似的實驗單元。
- 將鑽頭壓向金屬板時所施加的壓力差異： 在這種情況下，你有一台機器，它將鑽頭壓向金屬板。你確信這台機器施加的壓力是恆定的。
- 由於測量鑽頭留下的痕跡深度時出現誤差所造成的差異： 您確信您的測量儀器足夠精確，因此這並非主要問題。為了確保安全，您決定在整個實驗過程中只使用一台儀器。
針對這三個幹擾因素，您都找到了控制其潛在變異性的解決方案，同時保持它們各自（批次、機器和儀器）的恆定性。透過解決這些變異來源，您實際上消除了乾擾因素。
你的實驗現在非常簡單：你只需要一批金屬片、一台機器和一台儀器來完成整個實驗。你只需要確定各個因素的等級。 鑽頭類型 和 直徑 你的修車店有四種鑽頭可供選擇，你需要測試這四種鑽頭。這四種顏色（紫色、綠色、橙色和藍色）代表了該因素的不同程度。 鑽頭類型 在這個實驗中。 鑽頭類型 這是一個具有四個層次的分類因子。您還想研究鑽頭直徑對其硬度的影響。您感興趣的直徑範圍為 1/16 英寸到 1/8 英寸，但僅限於使用供應商生產的尺寸。您感興趣的直徑範圍內有五種：1/16 英吋、5/64 英吋、3/32 英吋、7/64 英吋和 1/8 英吋。這些是您實驗的潛在因子水準。然而，由於您感興趣的是建模，因此需要考慮其他因素。 直徑 由於這是一個連續因子，您無需選擇全部五個可用尺寸。您只需選擇一個最小值和一個最大值，即可調整它們之間的線性關係。 直徑 和 硬度 或者，為了擬合曲線多項式關係，您可以新增一個中點。 直徑 選擇 1/16”、3/32” 和 1/8”，您可以模擬該因子的線性效應和二次效應。 直徑。
實驗設計的關鍵原則
實驗設計的三大基本原則是什麼？
- 隨機化 隨機化，或者說實驗運行的隨機化，可以防止系統性偏差的引入。隨機化不僅指以隨機順序進行實驗，還包括每次實驗後重置實驗條件。
- 積木的使用 它是一種用於減少或控制由不良因素引起的變異性的技術。
- 複製 它允許實驗者對實驗誤差進行估計。
這三項基本原則或技術是實驗設計的基礎。隨機化用於減少偏差，而其他兩項原則則有助於提高實驗的精確度。
隨機化
在實驗的每次試驗或實驗運行中，您都會施加一種處理並記錄其反應。透過隨機化實驗，您可以以隨機順序進行各種處理。隨機化可以最大限度地減少未控制（或潛在）變數的影響。
我們來看一個例子。假設你正在研究鈦零件的清洗工藝，該工藝包含兩個因素： 洗澡時間 e 解決方案類型 你進行實驗時未採用隨機分組。完成全部六次試驗需要一天時間。你對所有處理都進行了測試。 洗澡時間 早上10分鐘，以及所有治療 洗澡時間 下午30分鐘。同時，環境溫度和濕度在一天中逐漸升高。
在後續分析中，您可以得出以下結論： 洗澡時間 這很重要。然而，由於你沒有對治療進行隨機分組，因此無法區分每種因素的影響。 洗澡時間 環境溫度和濕度的影響常常相互混淆或相互關聯。隨機分組處理可以避免這種混淆。
積木
使用模組進行幹擾變數
你可以使用一種叫做 積木 為了最大限度地減少由非預期變數引起的變異的影響。例如，如果您對不同的批次進行實驗，則各個批次之間可能存在差異。
你可以將實驗分成若干組，以平衡實驗過程中不同批次之間可能存在的差異。
此外，如果你的實驗持續超過一天，不受控制的每日波動會為你的結果帶來大量無法解釋的變異。如果你包括 那天 透過將其用作實驗中的區組變量，您可以在分析中考慮每日變化，以便更好地檢測重要影響。
對難以改變的因素進行限制性隨機化。
我們了解到隨機化對於消除未控製或潛在變數的影響至關重要。然而，有時您可能無法完全隨機化所有處理。您可能遇到難以改變的因素，或只能以特定順序改變的因素。
例如，假設實驗因素是烤箱溫度。
由於烤箱需要時間才能達到所需的溫度，因此每次使用之間更改烤箱溫度是不切實際的。
當有難以改變的因素（例如上述情況）時，應採用裂區設計或條帶設計進行實驗，而非完全隨機設計。有關如何使用裂區設計和條帶設計來確定實驗隨機化的更多信息，請參閱[相關課程]的第3課。 JMP提供的免費線上課程：自訂實驗設計。
複製
重複實驗是指重複相同的實驗條件一次或多次，並針對這些重複的條件進行新的測量。可以重複（或複現）單一處理、部分處理或所有處理。 實驗完全復現每項處理至少重複一次。重複實驗使我們能夠估計實驗誤差，即實驗中無法解釋的變異（也就是無法用因素變化解釋的反應變異）。估計實驗誤差對於檢定統計顯著性至關重要。
例如，在上述清潔過程中，六種處理方法中的每一種至少需要執行一次。假設我們使用以下設定來複製該處理方法： 洗澡時間 = 10 和 解決方案類型 1. 透過隨機化實驗順序，這種處理組合既可以作為第二次實驗，也可以作為第七次實驗。對一個或多個實驗點進行重複實驗，可以讓我們估計因子設定相同時反應的變化－換句話說，就是實驗誤差。重複多個實驗點將提高誤差估計的準確度。
假設我們做一個實驗，想要透過測量四種不同鑽頭在金屬板上留下的痕跡深度來比較它們的硬度。這個實驗的初始步驟可能包括以下幾個面向：
- 從同一批次中選擇所有實驗單元（金屬片）。
- 將處理方法（鑽頭）隨機分配給實驗單元。
- 將鑽頭壓入金屬板。
- 測量並記錄壓痕深度。
重複是指對多個實驗單元採取相同的處理方法。重複的一個常見誤解是將其等同於重複測量。
假設本次實驗你只能使用四個實驗單元，允許…因此，對於四種鑽頭類型（即每種處理），每種類型只需一個樣本，樣本量為 1。如果您認為這還不夠，可以考慮對每張金屬板進行兩種處理，並測量留下的痕跡。您認為這樣每種處理就擁有了兩個觀測值（或一個重複）。
這種方法有什麼問題？
真正的重複實驗是指對多個實驗單元應用相同的處理方法。不可能對同一塊金屬板應用不同的處理方法（鑽孔），因為金屬板被定義為獨立的實驗單元。透過對每塊金屬板進行兩次重複實驗，可以實現… 偽複製……而且這並非真正的重複實驗。由於對同一金屬板的觀察結果是相互關聯的，因此將這兩個樣本視為獨立樣本是不恰當的。
Tipos de 規劃experimentais
實驗設計課程通常會教授哪些模型？
全因子設計、部分因子設計、中心複合設計以及Box-Behnken設計都是大學課程和工業界實驗設計短期培訓課程的教學內容。這些都是經典的或教科書中的例子。
演算法式教學計畫與傳統教學計畫或教科書中的教學計畫有何不同？
Os 規劃algorítmicos, também chamados de 規劃現代的他們使用演算法和最佳化標準來確定滿足您的預算、因素類型以及您想要擬合的統計模型的最佳運行組合。
在規模相對較小的實驗中，什麼樣的實驗裝置可以幫助辨識重要因素？
因子選擇實驗 因子選擇實驗主要用於發現重要因子（主效果），在某些情況下，也用於檢驗因子間的交互作用（交互效應）。因子選擇實驗的結果指導後續實驗中因子和效應的選擇。
哪些規劃步驟可以幫助您找到最佳化一個或多個回應的最佳設定？
響應面規劃 這些設計用於了解重要因素之間潛在的相互作用，以及連續因素與反應變數之間關係的任何曲率（二次效應）。這些設計用於確定實現響應目標的最佳因素配置。
實驗設計有很多種類型，具體採用哪一種設計很大程度取決於你的實驗目標。此外，它還取決於其他因素，例如實驗成本、資源限制以及實驗執行過程中可能遇到的實際限制。
本文將介紹一些常用的實驗設計類型以及它們的適用場景。
經典設計
全因子設計
在全因子設計中，所有可能的因子水準組合都會被測試。
最常見的全因子設計是 2 因子全因子設計。k 在全因子設計 2k它們存在 k 每個連續因子有兩個水準。這導致 2 個因子。k 因子水準或處理的組合。如果因子眾多，全因子設計可能會變得非常龐大，因此通常只在研究數量非常有限的因子及其交互作用時才使用。實際上，通常不會一開始就採用全因子設計。在實驗初期，可能存在一長串潛在的重要因子。
經典的螢幕設計
因子選擇設計有助於將眾多潛在的重要因子及其交互作用簡化為少數幾個相關的效果。因子選擇設計通常規模小、效率高，涉及的因子也很多。它們常用於探索性目的（例如，在進行後續旨在改進或優化流程的實驗之前，識別幾個重要的效應）。
部分因子設計
因子選擇實驗中廣泛使用的一種方法是部分因子設計。部分因子設計是透過將 2 因子設計分割而得到的。k 除以“r”次。假設你有一個2因子設計。k 包含七個因素。完全析因設計 27 即使每個因子只有兩個水平，它也包含了 128 個處理！在大多數情況下，進行 128 次實驗既不實際，也不必要，甚至是不可能的。部分因子設計²克爾 它使用了全因子設計中的一個實驗子集。
想像一個完整的 2⁵ 因子設計其中每個因素都可以在兩個層面上執行，分別為 -1 和 +1。此方案包含 32 個處理。在一個 2⁵ 方案中 -1完整的規劃2⁵ 計劃被分成兩半，一次分成兩半，得到 16 次執行而不是 32 次。如果再次將計劃分成兩半，則得到計劃 2⁵。 -2 需要執行八次。
此規劃 2 5-2 它允許你僅用八次運行來研究五個因素和兩種可能的雙向交互作用。
還有一種稱為部分因子設計的半因子設計。 普拉克特-伯曼 部分因子設計的運行次數為 2。 克爾因子數是 2 的冪，因此，隨著因子數的增加，這些設計的運行次數也會迅速增加。 Plackett-Burman 設計的運行次數是 4 的倍數，因此它是一個不錯的選擇。然而，在任何類型的部分因子設計中，某些（甚至很多）效應的估計值都會重疊或相互混淆。了解更多關於部分因子設計和效應重疊的資訊（JMP 經典實驗設計課程第 2 課）。
經典響應曲面設計
當您已經確定了重要因素及其交互作用，並且實驗目標是進行最佳化時，可以使用響應曲面設計。例如，您可能希望找到能夠最小化或最大化某個回應值，或能夠實現某個目標的因素組合。
在尋找最優響應時，也必須考慮響應曲線可能存在的曲率。這些設計用於連續因子，以模擬因子與響應之間關係的潛在曲率。為了估計曲率，該設計至少需要三個因子水平。因此，除非限制因子數量，否則響應曲面設計可能會變得非常龐大。
最常見的經典響應曲面設計類型是中心複合設計和 Box-Behnken 設計。
演算法設計
全因子設計、部分因子設計、中心複合設計以及Box-Behnken因子設計由於其悠久的歷史和廣泛的應用，通常被稱為“經典”或“傳統”設計。然而，實驗設計領域，特別是演算法設計的發展方面，已經取得了許多進展，這些演算法設計通常被稱為「現代」或「電腦生成」設計。兩種重要的演算法設計類型是客製化（或最優）設計和確定性因子選擇設計。
客製化設計
定製或最佳化設計採用演算法方法，根據您的實驗目標（例如，因子選擇或最佳化）、預算（可進行的實驗次數）和特定問題（您希望包含的因子類型或您希望估計的特定效應）產生設計。例如，假設您正在研究四個因子，實驗目標是最佳化。其中三個因子是連續變量，第四個因子是二分類變數。您只能進行 20 次實驗。
應該使用哪一種實驗設計？經典的實驗設計都不適用於這種情況。首先，經典設計不允許包含分類因子。您需要進行兩次實驗（分別針對分類因子的每個等級），每次實驗至少重複 15 次。其次，即使所有因子都是連續的，最小的四因子經典響應曲面設計也需要 26 次重複。
相反，您可以產生滿足您特定實驗需求的自訂設計。在本例中，一個能夠估計主效應、互動效應和二次效應的自訂設計只需 14 次運行即可完成，遠低於您的預算！自訂設計比傳統設計更靈活，效率也更高。
我們已經討論過經典設計和自訂設計。作為專業人士，您可能會更頻繁地使用自訂設計，因為它們支援從因子選擇到最佳化等各種實驗，並且提供了更大的靈活性。事實上，經典設計本身就是自訂設計的子集。
確定性篩選設計
2011年，布拉德利·瓊斯和克里斯托弗·納赫特海姆提出了一個新的實驗設計－確定性因子選擇實驗。這種實驗效率極高，其中每個連續因子有三個水平，每個分類因子有兩個水平。確定性因子選擇實驗能夠同時研究多個因子，有助於辨識最重要的因子。與傳統的因子選擇實驗相比，它具有許多優勢。
儘管確定性因子選擇實驗通常被認為是專門的因子選擇實驗，但它們可以估計主效應和二次效應（針對連續因子），並且，當只有部分因子重要時，還可以估計一些交互效應。這意味著確定性因子選擇實驗也可用於最佳化。
概括
本文將探討工業領域中常用的一些實驗設計及其適用情境。然而，還有許多其他設計並未在此一一介紹。此外，值得注意的是，實驗設計並非僅限於工業領域。它廣泛應用於行銷、農業、健康與生命科學等其他領域。
