关于 DoE 中的重复实验

[#1]

大家好，

我希望这对团队来说是一个简单的问题。

我最近建立了一个包含三个因素的 DoE，每个因素都有 3 个级别的离散数值。我指定了与二阶效应的交叉交互，并在 3 个块中执行 18 次运行。我没有指定要设计的任何重复，但是，我注意到在设计矩阵中，有 4 个运行是重复的。换句话说：18 轮设计包含 14 个独特的组合和 4 个重复的组合。

第一：这是非典型的吗？我原以为这 18 场比赛应该都是独一无二的。JMP 是否试图通过此实现某种动力？

-或者-

第二：我在初始设置中是否遗漏了一些东西，而我们实际上并没有真正正确地探索设计空间？

不幸的是，前两个块已经启动并包含一个重复（即，到目前为止，我有 11 次独特的运行，其中有 1 次重复）。

如果我认为设计是合适的……那么我们就可以按照原来的计划和评估继续进行（正确吗？）。

然而，如果反馈表明这不是最好的方法：1）如果我们继续原来的设计，我们会错过什么？2）是否可以重新配置最后一个随机块以替换重复的替代条件？

预先感谢您对此的意见！

克里斯

[#2]

定制设计提供了许多功能来根据您的情况定制结果。 它们会对最终的设计产生深远的影响。 您正在考虑组合 (3x3x3x2)，但 JMP 没有这样做。 为什么不？ 因为该组合结果（“全因子设计”）可能不是最佳的。 您添加了大小为 6 的随机块，因此设计中无法实现平衡。 您使用离散数字因素在计划中为每个因素强制设置了三个级别。 该选择限制了设计。 它必须向模型添加二次项，以在设计中保留三个级别，但将其可估计性更改为“如果可能”。 这迫使使用贝叶斯 D 最优方法。 因此，您要求 JMP 优化设计来估计一组模型。 由于所有这些规范，您可以获得一些复制，因为它比没有复制的设计更优化。

您打算估计曲率项吗？ 您是否想测试曲率，然后在曲率显着时增强设计？

据我了解，我根据您的描述创建了两种设计。 第二个使用连续因子，但其他方面是相同的。 我附上了两个数据表供您探索。

[#3]

谢谢马克的意见。  

也许我的设计设置不正确。我并没有接受我的因素的离散水平......我们正在努力寻找最佳条件并可以适应连续因素。所以 - 是的 - 我们想估计曲率，然后根据需要通过额外的运行来确认结果。

考虑到这一点：您是否建议更改 6 次运行的最后一个块，以将重复运行替换为其他运行（我无法更改前 2 个块，它们仅包含 1 个重复）？此时我是否可以更改 JMP 中的设计以适应上述任何情况？

感谢您的两个设计 - 我会看看它们。

问候。

克里斯

[#4]

你好@CBroomell1 ,

如果您可以提供有关这些因素的背景信息，这将有助于为您提供关于哪种类型更适合您设计中的因素的建议。 如果您有数值因子，但无法固定某些区间之间的任何值（例如，工业炉温度可能被视为离散数值因子，您可以在 180、200 和 220°C 之间切换级别，但不能在这些之间切换）值，例如“步长”为 20）。 如果您没有任何限制并且可以在级别之间选择任何数值，那么您可能会拥有连续的数值因子。

您可以采用不同的方法，从曲率测试到二次项完全估计，来考虑二次项的搜索和估计。

1. 基本选项是添加中心点来评估您的响应中是否存在任何弯曲。 这种经济的方法可以对曲率进行失拟检验，如果检测到明显的失拟，您可以通过中心点在模型中拟合一个二次效应（并且仅一个二次效应）。 您可以通过逐步回归等分析来评估哪个二次项可能是最重要的添加到模型中。
2. 对于离散数值因子，JMP 默认情况下在模型中输入二次项并将其可估计性设置为“如果可能”，这意味着如果模型中有足够的自由度，则将估计二次项。 您还可以使用数值连续因子来执行此操作，将它们输入模型中并通过单击文本将其可估计性从“必要”切换到“如果可能”。 此方法提供了一种灵活的方法来估计非饱和设计的二次项（游程次数大于所需的最小值）。
3. 您还可以直接在模型中添加二次项并将其可估计性设置为“必要”。 这样，JMP 将在您的设计中设置实验，以便能够估计这些影响。 如果它们不重要，您可以将它们放在建模中（如果从领域专业知识的角度来看它们也没有意义）。

关于你的问题，我不会“在运行中”修改能源部，但会根据能源部第一次的调查结果来考虑可能的增强措施。

希望这个回答对你有帮助

[#5]

谢谢维克多！

我不会即时更改能源部。

关于参数：它们实际上是连续的，但有一个中心点。我不清楚如何设置初始矩阵并为每个级别设置三个离散值。但实际上，我们确实可以灵活地在某些限制之间徘徊（因素与试剂浓度和时间有关）。

因此，一旦我们完成了最终块（使用离散值设置的矩阵），我们是否能够获得模型中的任何曲率，或者我们基本上坚持原始值，直到我们进一步探索？

最好的，

克里斯

[#6]

你好@CBroomell1 ,

如果您没有更改原始设计中二次效应的可估计性（JMP 默认设置为“如果可能”），则将因子类型从离散数值更改为连续数值将使您采用我描述的第二种方法：如果您有足够的自由度，因为您的每个数值因子都有一个中间水平（由于初始因子类型离散数值，中间水平在设计中是“强制”的），JMP 或许能够估计模型中的二次项。

由于您有 14 次唯一运行（以及 4 次重复运行），因此您应该能够估计 14 项（截距 + 13 项），因此可以在您的设计中估计二次项。

如果您对分析/建模部分有任何问题，请随时再次询问 JMP 社区。

希望这能回答您的问题，

[#7]

首先，你不能打破它。 您将使用回归分析，它仍然有效。 该设计是尝试收集模型的最佳数据。

我会尝试以这种方式恢复。 删除尚未执行的运行。 然后选择 DOE > 增强设计。 考虑到您已有的跑步，该平台将创建要完成的最佳跑步集。 尝试一下。

[#8]

你好@马克贝利,

由于问题是关于估计二次项并将离散数值因子切换为连续数值因子，因此我看不出“即时”修改设计有什么好处，因为这些更改可以在不修改任何运行的情况下实现（并且无需在增强中丢弃随机块的风险）？ 从第一个设计开始就可以估计二次项，所以我看不出改变最后一个随机块的运行的意义？

我知道JMP能够在“增强设计”平台的实验过程中顺应变化，对此没有“技术”怀疑（而且它确实是一个很好的例子，可以“玩”“增强设计”平台并熟悉它），但在这里我没有看到不运行已经计划的最后一个随机实验块并通过新计算的实验更改这些运行有任何具体和显着的优势：两种方法的比较显示了两种非常相似的设计，所以看起来更好（或至少更容易）坚持使用“简单”和务实的选项来遵循原始设计？ 如果我没有抓住重点，你能解释一下吗？

提前致谢，

[#9]

对于造成的混乱，我深表歉意。 最初背景并不完全透明，随着更多信息的出现，回复变得不同步。 我并不是建议中途改变。 我试图解释定制设计如何得出意想不到的解决方案。 我从一开始就试图提出一种替代方法。 就这些。

[#10]

没问题@马克贝利，读你的回复时我很困惑，因为我担心我可能错过了一些东西。
我在这篇文章中遇到了与第一个回复同步的同样问题，因为我想在写作时给出第一个答案，但是当我的回复发布时，你已经提出了一个答案。