定制设计的“更改生成规则”（该选项仅在筛选设计中吗？）

[#1]

当我使用筛选设计时，我可以通过选中菜单中的复选框然后单击“应用”来设置主效应生成器。但我在“自定义设计”菜单中找不到如何执行此操作。该部分不存在。我们无法在自定义设计中指定部分因子的生成规则，这有什么原因吗？

尝试设置 WP/SP 场景。否则我只会使用筛选设计菜单。

[#2 · Accepted solution]

你好@awelsh ，

最优筛选设计的生成（通过定制设计平台）与经典的部分因子设计不同。

• 在经典部分因子设计的情况下，您可以指定生成器，该生成器将创建您无法区分的完整混杂项（通常，主效应具有高阶效应，如 3/4/5-... 因子相互作用，假设效应层次原则成立）。这会导致设计中的某些项完全别名/相关，但由于您可以灵活地指定生成器，因此您可以具有一些灵活性，并尝试根据设计的分辨率尽可能准确和无偏地估计感兴趣的项。它使设计构建变得简单，因此可以手动创建这种设计。此设计创建选项仅在平台筛选设计中可用。
• 对于最优筛选设计，设计的生成是通过坐标交换算法和要实现的目标（即最优标准）来完成的。根据实验目标，您可以选择最相关的最优标准：通过精确的项估计和过滤实现的可解释性（D 或 A 最优标准）或通过预测方差最小化实现的可预测性（I 或 G 最优标准）。由于设计是通过该算法和最优目标计算得出的，因此您无法直接指定生成器：算法将根据您假设的模型、最优标准、实验运行预算和任何可能的约束，尝试最小化模型中项之间的相关性。因此，尽可能地，生成的设计将具有部分相关性，而不是像经典的部分因子设计那样在项之间完全混杂。但是在某些情况下（例如，生成具有最少所需运行次数且没有约束的设计），生成的最优设计可以是经典的部分因子设计。最优设计是经典“教科书”设计的概括，例如部分因子设计，能够处理约束，并且由于假设的模型和实验运行次数，模型项估计具有更大的灵活性。

希望这个答案能帮助你，

[#3]

感谢您提供带有链接的详细解释。这非常有帮助，我现在明白了其中的区别。

（背景：我是一位经验丰富的精益六西格玛黑带大师和机械工程师。但是，过去 10 年来，我一直在使用 Minitab，并尝试学习 JMP 的高级功能。我最初使用 JMP 的基本功能进行培训）

我正在尝试使用难以更改的功能来制作分数整图/分割图设计，以了解其工作原理。我按照蒙哥马利在他的教科书中举的一个例子来做。该算法没有生成与教科书相同的设计，所以我只是试图设置生成器以便它能够生成相同的设计。我确信我可以让它生成完整的阶乘并删除不相关的行。

然而，在我发表这篇文章后，我意识到这个自定义设计功能可能无论如何都不起作用。这是一个非复制示例，没有误差自由度，完全饱和模型不会产生 NPP 或帕累托，因为它使用的是 REML。蒙哥马利示例仅使用图形输出进行分析。

我将继续以 10 年前使用 JMP 的方式分析 WP/SP，即分析两个单独的数据表。WP 将表格汇总到整个图并拟合 WP DoF。然后对于 SP，使用原始完整数据表，但仅在模型中拟合 SP DoF。然后使用蓝色 Lenth 的 PSE 线和帕累托对 NPP 进行实际/图形分析。

我正在从 Minitab 过渡到如何进行 WP/SP，我熟悉 Minitab，它将输出单独的 WP 和 SP 分析，其中包含 NPP 和 Pareto 以及 ANOVA 中的校正 SS。这非常好，但它限制了您可以选择的设计。实际上非常严格，通常只有几个选项。但据我所见，JMP 不会这样做。但是 JMP 可以制作更复杂和优化的设计。

从智力上来说，这些花哨的东西让我着迷，但在实践中，我倾向于只运行连续的经典部分和全阶乘。有时，由于运行顺序、材料或设置，这些方法会受到一系列限制。因此，我有动力在定制设计中尝试难以改变的东西。

[#4]

你好@awelsh ，

生成与教科书或特定案例研究完全相同的设计确实有点棘手。
根据您的需求（重现分析和/或创建设计），可能有几种解决方法可以帮助您提高设计生成和分析的可重复性：

• 对于教学，自定义设计平台可让您固定随机种子，以便所有学生都能获得相同的设计。请参阅是否有可能使 DOE 生成可重复？
• 我不知道您提到的具体例子，但仍然可以使用经典的部分因子设计来重现该设计，以用于分割图部分（以完全控制生成器和别名），并将此部分复制到几个整个图中。如果您有兴趣，您可以分享该设计，以便我可以尝试重现它？
• 另一种选择是将设计表从源（教科书、Excel 等）复制粘贴到 JMP 中，并为因子设置正确的列属性。这样，您就可以使用正确的自由度重现分析，例如，在整个图和分割图部分之间进行方差分析。您可以检查并测试此处提供的示例 分割图设计分析示例和分割图实验示例。一旦正确设置了因子，这种直接分析可能会对您有所帮助，并创建更直接的分析，而不是两个不同的表格和相关分析。

最后，如果您不局限于完全复制文献中的设计，您还可以使用坐标交换算法，并通过比较设计平台将得到的设计与教科书中的设计进行比较。您会发现两种设计之间的设计性能应该相似。

希望这个补充答案能对你有所帮助，

[#5]

谢谢。我确实是教书，所以随机种子修复可能很有用。

如果您好奇的话，我正在看《实验设计与分析》第 8 版第 639 页的 14.3。这真是一本很棒的教科书。这是一个 2^5-1 等离子蚀刻场景。我喜欢这个图形分析示例，因为我的许多学生只是在学习 DOE，并不完全理解 ANOVA 表。JMP 给出了 ABCDE 的折叠标识。教科书是 1，而 JMP 给出了全部 -1。

[#6]

你好@awelsh ，

确实，这本书很棒，案例研究也很棒。要创建相同的设计，您可能需要几个步骤（以及一些手动微调/规范）：

1. Create a replicated Full Factorial design for the Hard-to-change factors A, B and C, with Run order sorted "Right to Left" (16 experiments):
   

   DOE(
   	Screening Design,
   	{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 0 ),
   	Add Factor( Continuous, -1, 1, "B", 0 ), Add Factor( Continuous, -1, 1, "C", 0 ),
   	Set Random Seed( 1751432727 ), Replicates( 1 ), Make Design( 2 ),
   	Simulate Responses( 0 ), Save X Matrix( 0 )}
   );

   It should create the "Whole plot part" of the design, and since the runs are all replicated once with a specific run order, it will create a whole plot structure (2 runs per whole plot) that you can further specify, by adding a column "Random Block" in your table with the right column properties set for the analysis : Design Role = Random Block and Value Order (to sort the value from 1 to 8).
   You will also have to change the Factor Changes property of the factors A, B and C from "Easy" to "Hard" to be able to run the correct analysis once the complete design will be done.
2. Create the split plot part with a Full Factorial design for factors D and E, with Run Order sorted "Randomize". You might need some trials to have the same corresponding order than in the textbook :
   

   DOE(
   	Screening Design,
   	{Add Response( Maximize, "Y", ., ., . ),
   	Add Factor( Continuous, -1, 1, "D", 0 ),
   	Add Factor( Continuous, -1, 1, "E", 0 ), Set Random Seed( 1907388151 ),
   	Make Design( 1 ), Simulate Responses( 0 ), Save X Matrix( 0 )}
   );

   Once this 4-runs full factorial is done, you can replicate it with the same order using the platform 增强设计, specifying a "Replicate" augmentation choice with 4 as the number of times to perform each run. You should then obtain the complete "split-plot part" of the design :
   
3. Join datatables "Whole Plot part" and "Split plot part" by row number :
   

   // → Data Table( "Plasma Etching Tools Design" )
   Data Table( "1_Whole Plot part" ) << Join(
   	With( Data Table( "2_Split Plot part" ) ),
   	Select( :Pattern, :Whole Plots, :A, :B, :C ),
   	SelectWith( :D, :E, :Y ),
   	By Row Number,
   	Output Table( "Plasma Etching Tools Design" )
   );
   

   This last action should give you the same design as in the textbook. I have attached the different tables used and the last table with response values if you want to reproduce the design creation and/or analysis.

顺便提一下，从“实际”考虑，直接使用定制设计平台就可以创建具有相同性能的设计（在功率和预测方差方面）：

但具有不同的别名结构（避免完全混淆）：

以下是如何在 JMP 中生成它（还附有自定义设计的数据表）：

DOE(
	Custom Design,
	{Add Response( Maximize, "Y", ., ., . ), Add Factor( Continuous, -1, 1, "A", 1 ),
	Add Factor( Continuous, -1, 1, "B", 1 ), Add Factor( Continuous, -1, 1, "C", 1 ),
	Add Factor( Continuous, -1, 1, "D", 0 ), Add Factor( Continuous, -1, 1, "E", 0 ),
	Set Random Seed( 1361270547 ), Number of Starts( 29927 ), Add Term( {1, 0} ),
	Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
	Add Term( {5, 1} ), Add Alias Term( {1, 1}, {2, 1} ),
	Add Alias Term( {1, 1}, {3, 1} ), Add Alias Term( {1, 1}, {4, 1} ),
	Add Alias Term( {1, 1}, {5, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
	Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
	Add Alias Term( {3, 1}, {4, 1} ), Add Alias Term( {3, 1}, {5, 1} ),
	Add Alias Term( {4, 1}, {5, 1} ), Set N Whole Plots( 8 ), Set Sample Size( 16 ),
	Simulate Responses( 0 ), Save X Matrix( 0 ), Make Design}
);

希望这个回复能帮到你，