发布日期: 09/18/2023

超饱合筛选设计

使用“定制设计”平台创建 8 次试验中 12 个因子的超饱和设计。一般来说,头脑风暴讨论后通常会发现几十个可能的活跃因子。与其精简列表而不利用数据优势,不如使用超饱和设计。

饱和设计中,试验次数等于模型项的个数。在超饱和设计中,模型项数超过了试验次数 (Lin, 1993)。超饱和设计可使用比因子数一半还少的试验次数来检查几十个因子。于是在因子数众多而试验成本高昂的情况下,超饱和设计便成了颇具吸引力的因子筛选选择。

或者,用组正交超饱和设计代替传统超饱和设计来更好地识别活跃效应。请参见“组正交超饱和设计”

超饱和设计的局限性

超饱和设计有一些缺点:

若实验中的活跃因子个数超过了试验次数的一半,则这些因子可能无法识别。一般规则是:试验次数应至少是活跃因子个数的四倍之多。换言之:若您预计活跃因子可能多达五个,那么应计划执行至少 20 次试验。

超饱和设计分析目前尚无法简化为自动过程。不过,使用前向逐步回归较为合理。此外,“筛选”平台(实验设计 > 经典 > 两水平筛选 > 拟合两水平筛选)提供集成分析。

生成超饱和设计

在本例中,您想要通过构造超饱和设计在 8 次试验中研究 12 个因子。要创建超饱和设计,需要将所有模型项(截距除外)的“可估计性”设置为“若可能”。

注意:本例仅用于演示目的。在任意超饱和设计中都应至少进行 14 次试验。若活跃因子多达四个,则很难解释 8 次试验设计的结果。请参见超饱和设计的局限性

1. 选择实验设计 > 定制设计

2. 添加因子数旁边键入 12。

3. 点击添加因子 > 连续

4. 点击继续

5. 在“模型”部分中,选择“截距”之外的所有项。

6. 点击任意效应旁边的必需,将其更改为若可能

将效应设置为若可能可确保 JMP 使用 Bayes D 最优性准则获取设计。

图 5.12 因子、模型和试验次数 

Factors, Model, and Number of Runs

7. 在“别名项”部分中,选择所有效应,然后点击删除项

这将确保只有主效应才会显示在“相关性色图”中。一旦创建设计即构造该图。

8. 点击“定制设计”红色小三角,然后选择模拟响应

该选项将生成显示在设计表中的随机响应。您需要使用这些响应来查看如何分析实验数据。

保持“试验次数”设置为默认值 8。

注意:设置第 9 步中的“随机种子”和第 10 步中的“开始数”将重现本例中显示的设计。不过,Y 模拟值不一定与图 5.13 中显示的值相同。

9. (可选)点击“定制设计”红色小三角,选择设置随机种子,键入 12345,然后点击确定

10. (可选)点击“定制设计”红色小三角,选择开始数,键入 5,然后点击确定

11. 点击制作设计

12. 点击制表

请不要关闭“定制设计”窗口。在本例中,您稍后会返回到该窗口。

图 5.13 包含模拟响应的设计表 

Design Table with Simulated Responses

响应列 YY 模拟的初始值具有相同的模拟值。这些值是来自 N(0, s) 分布的随机值。其中,s 是来自功效分析对话框的 RMSE,默认值为 1。Y 模拟值随着使用“模拟响应”窗口中的参数值定义的模型随机生成的值而更新。Y 列专用于运行实验后的真实响应。

图 5.14 “模拟响应”窗口 

Simulate Responses Window

“模拟响应”窗口显示所有项的默认系数均为 0,分布选择为“正态”,“误差 s”为 1。YY 模拟列中的值当前仅反映随机变异。

13. 更改“模拟响应”窗口中的系数的值,如图 5.15 所示。

图 5.15 模拟响应的参数值 

Parameter Values for Simulated Responses

14. 点击应用

Y 模拟列中的响应值随即更改。

在您的模拟中,您将 X1X11 指定为活跃因子;这两个因子的效应较大(相对于误差变异)。出于此原因,您在分析数据时应将这两个因子标识为活跃因子。

使用“拟合两水平筛选”平台分析超饱和设计

“拟合两水平筛选”平台提供分析方法来标识活跃因子。

注意:您的数据表中的 Y 模拟值可能与本例中的值稍有不同。报表中的精确值将不同于此处显示的结果。

1. 选择实验设计 > 经典 > 两水平筛选 > 拟合两水平筛选

2. 选择 Y 模拟并点击 Y

3. X1 一直选择到 X12,然后依次点击 X确定

图 5.16 超饱和设计的筛选报表 

Screening Report for Supersaturated Design

因子 X1X11 具有较大的对比以及 Lenth t 比值。此外,这两个因子的“联合 p 值”较小。在半正态图中,X1X11 均落在距离线条较远的位置。“对比”报表和“半正态图”报表指示 X1 X11 是活跃效应。尽管 X12 的“个体 p 值”小于 0.05,但其效应比 X1X11 的效应小得多。

由于设计超饱和,p 值可能比所有效应都可估计的模型中的 p 值要小。这是因为效应估计值因其他可能活跃的主效应产生偏倚。在图 5.16 中,有一条注释会提醒您这种可能性。

您可以检查显示为活跃的效应是否与其他效应高度相关。若高度相关,则一个效应可能会掩盖另一个效应的真正显著性。图 5.18 中的色图显示效应之间的绝对相关性。

4. 点击构建模型

构造的模型仅包含效应 X1X11X12

5. 在“模型规格”窗口中,点击运行

图 5.17 模型的参数估计值 

Parameter Estimates for Model

请注意,X11 X1 的参数估计值接近您用来模拟模型的值。请参见图 5.15,您在该窗口中指定了模型的 X1 = 10,X11 = 10。因子 X12 的显著性是假阳性的一个示例。

6. 在“定制设计”窗口中,打开设计评估 > 相关性色图部分。

图 5.18 相关性色图 

Color Map on Correlations

悬停在单元格上方可查看绝对相关性。请注意,主效应与其他主效应相关。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).