11.4 用于拟合响应面的试验设计
适当选择试验设计能够大大方便响应面的拟合与分析。本节讨论为拟合响应面选择合适设计时需要考虑的一些问题。
理想的响应面设计应具有以下特点:
在整个关注区域内合理分布数据点,从而合理分布信息。
能够考察模型的充分性,包括失拟情况。
允许分区组实施试验。
允许按序贯方式逐步构造更高阶的设计。
能够由试验本身估计误差。
能够精确估计模型系数。
在整个试验区域内具有良好的预测方差分布。
对异常值或缺失值具有合理的稳健性。
所需试验次数较少。
自变量所需水平数不宜过多。
模型参数的计算应简便。
这些特点有时彼此冲突,因此选择设计时往往需要作出权衡。关于响应面设计的选择,可参阅 Khuri 和 Cornell(1996)、Myers、Montgomery 和 Anderson-Cook(2016),以及 Box 和 Draper(2007)。
11.4.1 用于拟合一阶模型的设计¶
假设要拟合含 个变量的一阶模型
有一类特殊设计能使回归系数 的方差达到最小,即正交一阶设计。如果矩阵 的非对角线元素均为零,则一阶设计是正交的。这意味着 矩阵不同列之间的交叉乘积之和为零。
正交一阶设计包括 析因设计,以及主效应之间互不混杂的 系列部分析因设计。采用这些设计时,假定 个因子的低、高水平按通常方式编码为 -1 和 +1。
如果没有重复试验, 设计不能估计试验误差。常用的重复方法是在设计中增加若干中心点观测,即 ()处的观测。增加中心点不影响 时的 ,但 的估计变为全部观测值的总平均。同时,增加中心点不改变设计的正交性。例 11.1 展示了在 22 设计中增加五个中心点以拟合一阶模型的做法。
另一种正交一阶设计是单纯形设计。单纯形是在 维空间中具有 个顶点的正则几何体。因此, 时为等边三角形, 时为正四面体。二维和三维单纯形设计见图 11.19。
11.4.2 用于拟合二阶模型的设计¶
例 11.2(以及更早的例 6.6)已初步介绍了用于拟合二阶模型的中心复合设计(CCD)。这是拟合此类模型最常用的设计。一般而言,CCD 由一个含 次析因试验的 析因设计(或分辨度 V 的部分析因设计)、 次轴点(星点)试验和 次中心点试验构成。图 11.20 给出了 和 时的 CCD。


图 11.19 单纯形设计:(a);(b)


图 11.20 两因子与三因子的中心复合设计
实践中,CCD 经常通过序贯试验形成,如例 11.1 和例 11.2:先用 设计拟合一阶模型,发现失拟后,再增补轴点,以便在模型中加入二次项。CCD 对拟合二阶模型非常有效。需要指定的两个设计参数是轴点到设计中心的距离 和中心点数 。下面讨论这两个参数的选择。
可旋转性。 二阶模型应在整个关注区域内提供良好的预测。一种衡量“良好”的方式是要求关注点 处预测响应的方差具有合理的一致性和稳定性。由式(10.40),点 处的预测响应方差为
Box 和 Hunter(1957)建议二阶响应面设计应具有可旋转性,即所有与设计中心距离相同的点 都具有相同的 。换言之,预测响应方差在同一球面上保持不变。
图 11.21 给出了例 11.2 中用 CCD 拟合二阶模型时 的等值线。预测响应标准差的等值线是同心圆。当设计绕中心 旋转时,具有此性质的设计不会改变 的方差,因此称为可旋转设计。

(a) 的等值线

(b)响应面图
图 11.21 例 11.2 中可旋转 CCD 的预测响应标准差等值线
可旋转性是选择响应面设计的合理依据。响应面方法的目的是优化,而试验前并不知道最优点的位置,因此使用在各个方向上提供相同估计精度的设计是合理的。(可以证明,任何正交一阶设计都具有可旋转性。)
通过选择 ,可以使中心复合设计具有可旋转性。所需 取决于设计中析因部分的点数;具体而言,取 即可得到可旋转 CCD,其中 为析因部分所用的点数。
球形 CCD。 可旋转性是一种球面性质,因此关注区域为球形时,这一设计准则最有意义。不过,良好设计并不一定要严格满足可旋转性。对于球形关注区域,从预测方差角度看,CCD 最好的选择是 。这种设计称为球形 CCD,所有析因点和轴点都位于半径为 的球面上。进一步讨论见 Myers、Montgomery 和 Anderson-Cook(2016)。
CCD 中的中心点试验。 CCD 中 的选择主要取决于关注区域。当区域为球形时,必须包含中心点试验,以使预测响应方差较为稳定。通常建议安排三至五次中心点试验。
Box–Behnken 设计。 Box 和 Behnken(1960)提出了一些拟合响应面的三水平设计。它们由 析因设计与不完全区组设计组合而成,通常在试验次数方面非常有效,并且具有可旋转性或近似可旋转性。
表 11.8 给出了三变量 Box–Behnken 设计,其几何形式见图 11.22。该设计属于球形设计,除中心点外,各点均位于半径为 的球面上。此外,它不包含由各变量上下限确定的立方体区域的顶点。当这些角点对应的因子组合成本过高,或因实际过程约束而无法试验时,这可能是一个优点。
表 11.8 三变量 Box–Behnken 设计
| 试验 | $x_{1}$ | $x_{2}$ | $x_{3}$ |
| 1 | -1 | -1 | 0 |
| 2 | -1 | 1 | 0 |
| 3 | 1 | -1 | 0 |
| 4 | 1 | 1 | 0 |
| 5 | -1 | 0 | -1 |
| 6 | -1 | 0 | 1 |
| 7 | 1 | 0 | -1 |
| 8 | 1 | 0 | 1 |
| 9 | 0 | -1 | -1 |
| 10 | 0 | -1 | 1 |
| 11 | 0 | 1 | -1 |
| 12 | 0 | 1 | 1 |
| 13 | 0 | 0 | 0 |
| 14 | 0 | 0 | 0 |
| 15 | 0 | 0 | 0 |
立方体关注区域。 在许多场合,关注区域是立方体而不是球体。此时,一种有用的 CCD 变形是面心中心复合设计,也称面心立方体设计,其中 。轴点位于立方体各面的中心, 的情形见图 11.23。由于每个因子只需三个水平,而实际中改变因子水平往往比较困难,因此也常采用这种设计。不过,面心 CCD 不具有可旋转性。
面心立方体设计所需中心点少于球形 CCD。在实践中, 或 3 即可在整个试验区域内提供良好的预测方差。有时也会增加中心点次数,以便合理估计试验误差。图 11.24 给出了 、 时面心立方体设计的预测标准差 。可以看到,它在相当大的设计空间内较为均匀。

图 11.22 三因子 Box–Behnken 设计

图 11.23 三因子面心中心复合设计
(a)响应面


(b)等高线图
图 11.24 、、 时面心立方体设计的预测响应标准差
其他设计。 还有许多响应面设计在实践中偶尔有用。对两个变量,可以采用在圆周上等间距布点、构成正多边形的设计。由于各设计点与原点等距,这类安排常称为等半径设计。
当 时,将圆周上等间距分布的 个点与圆心处的 个点组合,即可得到可旋转等半径设计。尤其有用的是图 11.25 中的正五边形和正六边形设计。另一种选择是小型复合设计,它由立方体内分辨度为 III* 的部分析因设计(主效应与二因子交互作用混杂,但二因子交互作用彼此不混杂)、通常的轴点和中心点构成。需要减少试验次数时,这种设计可能有吸引力,但其预测方差性质不如 CCD。
表 11.9 给出了三因子小型复合设计。立方体部分采用标准 23 二分之一实施,因为它满足分辨度 III* 的要求。设计包含四个立方体点、六个轴点,并至少需要一个中心点。因此最少需要 次试验,而三变量二阶模型有 个待估参数,从试验次数角度看相当有效。
图 11.25 两变量等半径设计:(a)正六边形;(b)正五边形

(a)

(b)
表 11.9 三因子小型复合设计
| 标准顺序 | $x_{1}$ | $x_{2}$ | $x_{3}$ |
| 1 | 1.00 | 1.00 | -1.00 |
| 2 | 1.00 | -1.00 | 1.00 |
| 3 | -1.00 | 1.00 | 1.00 |
| 4 | -1.00 | -1.00 | -1.00 |
| 5 | -1.73 | 0.00 | 0.00 |
| 6 | 1.73 | 0.00 | 0.00 |
| 7 | 0.00 | -1.73 | 0.00 |
| 8 | 0.00 | 1.73 | 0.00 |
| 9 | 0.00 | 0.00 | -1.73 |
| 10 | 0.00 | 0.00 | 1.73 |
| 11 | 0.00 | 0.00 | 0.00 |
| 12 | 0.00 | 0.00 | 0.00 |
| 13 | 0.00 | 0.00 | 0.00 |
| 14 | 0.00 | 0.00 | 0.00 |
表 11.9 的设计安排了 次中心点试验。由于小型复合设计无法做成可旋转设计,取 ,使其成为球形设计。 当减少试验次数很重要时,混合设计是另一种选择。表 11.10 给出了三因子混合设计。部分设计采用不规则水平,可能限制实际应用。不过,这些设计规模很小,并具有优良的预测方差性质。关于小型复合设计和混合设计的更多内容,见 Myers、Montgomery 和 Anderson-Cook(2016)。
响应面设计的图形评价。 响应面设计最常用于建立预测模型,因此式(11.15)定义的预测方差在设计评价和比较中十分重要。图 11.21 和图 11.24 这样的预测方差(或其平方根,即预测标准差)的二维等高线图、三维响应面图有一定价值。但对于 因子设计,图中只能显示两个因子,其余 个因子必须固定,因此无法完整显示预测方差在设计空间内的分布。第 6.7 节介绍的设计空间比例图(FDS),以及 Giovannitti-Jensen 和 Myers(1989)提出的方差分散图(VDG),能够解决这一问题。
表 11.10 三因子混合设计
| 标准顺序 | $x_{1}$ | $x_{2}$ | $x_{3}$ |
| 1 | 0.00 | 0.00 | 1.41 |
| 2 | 0.00 | 0.00 | -1.41 |
| 3 | -1.00 | -1.00 | 0.71 |
| 4 | 1.00 | -1.00 | 0.71 |
| 5 | -1.00 | 1.00 | 0.71 |
| 6 | 1.00 | 1.00 | 0.71 |
| 7 | 1.41 | 0.00 | -0.71 |
| 8 | -1.41 | 0.00 | -0.71 |
| 9 | 0.00 | 1.41 | -0.71 |
| 10 | 0.00 | -1.41 | -0.71 |
| 11 | 0.00 | 0.00 | 0.00 |
VDG 显示特定设计和响应模型的最小、最大及平均预测方差随设计点到区域中心距离的变化。距离(半径)通常从零(设计中心)变化到 ,后者是球形设计中最远设计点到中心的距离。通常绘制的是尺度化预测方差(SPV):
即在 VDG 上绘制上述量。SPV 等于式(11.15)的预测方差乘以设计的试验次数 ,再除以误差方差 。除以 可以消去未知参数,而乘以 通常便于比较不同规模的设计。
图 11.26a 是三变量、四次中心点试验的可旋转 CCD 的 VDG。由于设计可旋转,所有距设计中心相同距离的点,其最小、最大和平均 SPV 都相同。
图 11.26 方差分散图:(a)、 的 CCD(四次中心点试验);(b)、 的 CCD(四次中心点试验)

(a)

(b)

图 11.27 、 时 CCD 的方差分散图
因此 VDG 只有一条曲线。图中清楚显示了 SPV 在设计空间内的变化:半径约为 1.2 以内,方差基本保持恒定;此后直到设计边界,方差不断增大。图 11.26b 是三变量、四次中心点试验的球形 CCD 的 VDG。其最小、最大和平均 SPV 三条曲线差别很小,说明可旋转形式与球形形式在实际中几乎没有差别。
图 11.27 是四因子可旋转 CCD 的 VDG,中心点数由 变到 。图中清楚表明,中心点过少时,预测方差分布很不稳定;增加中心点后,预测方差会迅速稳定。四至五次中心点试验可在整个设计区域内提供较稳定的预测方差。VDG 已用于研究响应面设计中中心点次数的影响,本章前面的建议部分基于这些研究。
11.4.3 响应面设计中的区组安排¶
使用响应面设计时,经常需要通过区组安排消除干扰变量的影响。例如,由一阶设计序贯扩充为二阶设计时就可能出现这一问题,如例 11.1 和例 11.2。实施一阶设计与实施二阶模型所需增补试验之间可能相隔较长时间,试验条件也可能发生变化,因此需要分区组。
如果响应面设计划分为若干区组后,区组效应不影响响应面模型的参数估计,则称设计能够正交分区组。如果采用 或 设计作为一阶响应面设计,可用第 7 章的方法将试验安排在 个区组内,中心点应均匀分配给各区组。
二阶设计要正交分区组,必须满足两个条件。若第 个区组有 次观测,则条件为:
每个区组都必须是一阶正交设计,即
其中 和 为第 次试验中第 和第 个变量的水平,且对所有 都有 。
每个区组对各变量总平方和的贡献比例,必须等于该区组观测数占总观测数的比例,即
其中 为设计的总试验次数。
以两个变量、 次试验的可旋转 CCD 为例,说明这些条件的应用。设计矩阵中 和 的水平为
上述矩阵前六行为区组 1,后六行为区组 2。设计被安排在两个区组中:第一个区组为析因部分加两个中心点,第二个区组为轴点加另外两个中心点。显然,两个区组都是一阶正交设计,满足条件 1。检查条件 2 时,先考虑第一个区组,注意到
因此
即
所以第一个区组满足条件 2。对第二个区组,有
因此
即
第二个区组也满足条件 2,所以该设计能够正交分区组。
一般而言,CCD 总能构造成两个正交区组:第一个区组含 个析因点和 个中心点,第二个区组含 个轴点和 个中心点。无论 取何值,条件 1 总成立。要使条件 2 成立,必须有
式(11.17)左边为 。代入后,可求出实现正交分区组所需的 :
这一 一般不能同时保证设计可旋转或为球形。如果还要求设计可旋转,则 ,并有
并非总能找到严格满足式(11.19)的设计。例如,当 、、 时,式(11.19)化为
不可能找到严格满足此式的 和 。不过,若取 、,则右边为
因而设计近似正交分区组。在实际中,可以适当放宽可旋转性或正交分区组的要求,而不会造成明显的信息损失。
CCD 的区组安排十分灵活。如果 足够大,析因部分可划分为两个或更多区组。(析因区组数必须为 2 的幂,轴点部分单独构成一个区组。)表 11.11 给出了若干有用的 CCD 区组安排。
表 11.11 若干能够正交分区组的可旋转或近似可旋转中心复合设计
| k | 2 | 3 | 4 | 5 | $5\frac{1}{2}$ Rep. | 6 | $6\frac{1}{2}$ Rep. | 7 | $7\frac{1}{2}$ Rep. |
| 析因区组 | |||||||||
| $n_F$ | 4 | 8 | 16 | 32 | 16 | 64 | 32 | 128 | 64 |
| 区组数 | 1 | 2 | 2 | 4 | 1 | 8 | 2 | 16 | 8 |
| 各区组点数 | 4 | 4 | 8 | 8 | 16 | 8 | 16 | 8 | 8 |
| 各区组中心点数 | 3 | 2 | 2 | 2 | 6 | 1 | 4 | 1 | 1 |
| 各区组总点数 | 7 | 6 | 10 | 10 | 22 | 9 | 20 | 9 | 9 |
| 轴点区组 | |||||||||
| $n_A$ | 4 | 6 | 8 | 10 | 10 | 12 | 12 | 14 | 14 |
| $n_{CA}$ | 3 | 2 | 2 | 4 | 1 | 6 | 2 | 11 | 4 |
| 轴点区组总点数 | 7 | 8 | 10 | 14 | 11 | 18 | 14 | 25 | 18 |
| 设计总点数 N | 14 | 20 | 30 | 54 | 33 | 90 | 54 | 169 | 80 |
| α 值 | |||||||||
| 正交分区组 | 1.4142 | 1.6330 | 2.0000 | 2.3664 | 2.0000 | 2.8284 | 2.3664 | 3.3333 | 2.8284 |
| 可旋转性 | 1.4142 | 1.6818 | 2.0000 | 2.3784 | 2.0000 | 2.8284 | 2.3784 | 3.3636 | 2.8284 |
分区组实施响应面设计时,方差分析有两点需要注意。第一,利用中心点估计纯误差时,只有同一区组中的中心点才可视为重复观测,因此只能在区组内部计算纯误差项。如果各区组的变异程度一致,可以合并这些纯误差估计。第二,关于区组效应:如果设计正交分为 个区组,则区组平方和为
其中 为第 个区组 次观测的总和, 为全部 个区组中 次观测的总和。区组并非严格正交时,可以采用第 10 章介绍的一般回归显著性检验,即附加平方和方法。
11.4.4 响应面的最优设计¶
前面讨论的标准响应面设计,如 CCD、Box–Behnken 设计及其变形(例如面心立方体设计),因通用性和灵活性较好而得到广泛应用。如果试验区域是立方体或球体,通常可采用标准响应面设计。但有时标准设计并非显然适合,此时可以考虑最优设计。
如前所述,以下几种情形适合考虑计算机生成的设计。
不规则试验区域。 如果关注区域不是立方体或球体,标准设计可能不是最佳选择。不规则区域经常出现。例如,研究某种胶黏剂的性质时,先将胶黏剂涂在两个零件上,再在高温下固化。关注的两个因子为胶黏剂用量与固化温度。若其范围按通常方式编码为 -1 至 +1,试验者知道用量过少且温度过低时,零件不能充分黏合。这导致设计变量的约束,例如
其中 表示胶黏剂用量, 表示温度。如果温度过高且用量过大,零件可能因热应力受损,或黏合效果不佳。因此还存在另一个因子水平约束:
图 11.28 给出了这些约束形成的试验区域。约束实际上截去了正方形的两个角,形成不规则区域(这类区域有时称为“凹陷罐形”区域)。没有一种标准响应面设计恰好适应该区域。
非标准模型。 试验者通常选择一阶或二阶响应面模型,并认识到这种经验模型只是对真实机制的近似。不过,对过程的特殊知识或认识有时可能提示采用非标准模型。例如,可能关注下列模型:
此时希望找到能够有效拟合这一简化四阶模型的设计。另一个例子是某些设计因子为分类变量的响应面问题;这类情形没有现成的标准响应面设计〔分类变量的讨论见 Myers、Montgomery 和 Anderson-Cook(2009)〕。

图 11.28 两变量的受约束设计区域
特殊的试验次数要求。 有时需要减少标准响应面设计的试验次数。例如,为四个变量拟合二阶模型时,CCD 根据中心点数需要 28~30 次试验,但模型只有 15 个项。如果每次试验非常昂贵或耗时,就希望采用更少的试验。计算机生成设计可以用于这一目的,但也有其他方法。例如,含四次中心点试验的四因子小型复合设计只需 20 次试验,还有仅需 16 次的混合设计。这些选择可能比专门用计算机生成设计减少次数更合适。
常用的设计最优性准则有若干种,其中最广泛使用的可能是 D 最优准则。如果设计使
达到最小,则称其为 D 最优设计。D 最优设计使回归系数向量的联合置信区域体积最小。按 D 准则,设计 1 相对于设计 2 的效率为
其中 和 为两个设计的模型矩阵, 为模型参数数目。JMP、Design-Expert 和 Minitab 等常用软件均可构造 D 最优设计。
A 最优准则只考虑回归系数的方差。如果设计使 的主对角线元素之和最小,则为 A 最优设计。这个和称为矩阵的迹,通常记为 。因此,A 最优设计使回归系数方差之和最小。
由于很多响应面试验关注响应预测,预测方差准则具有很大的实际意义。其中常用的是 G 最优准则:若设计使整个设计区域内的最大尺度化预测方差最小,则称为 G 最优设计。即使下式在设计区域内的最大值达到最小:
其中 为设计点数。预测方差公式中的向量应为包含截距及全部模型项的回归向量 ;原书沿用 作为简写。如果模型有 个参数,则设计的 G 效率为
V 准则考虑设计区域内一组关注点 处的预测方差。这组点可以是选择设计时的候选点集,也可以是对试验者有特定意义的其他点集。使这 个点的平均预测方差最小的设计称为 V 最优设计。
如第 6.7 节所述,除了计算设计空间中有限点集的预测方差,还可计算整个设计空间上的平均方差或积分方差:
其中 为设计区域, 为区域体积。这是第 6 章 I 准则的更一般形式。I 准则有时也称 IV 准则或 Q 准则。JMP 可以构造 I 最优设计。
一般认为,D 准则最适合一阶设计,因为它关注参数估计,而参数估计在通常采用一阶模型的筛选问题中十分重要。G 和 I 准则侧重预测,因此更适合用于二阶模型;二阶模型常用于优化,良好的预测性质对优化至关重要。I 准则比 G 准则更容易实现,已有多种软件支持。
一种设计构造方法基于点交换算法。最简单的形式是:试验者先指定候选点网格,再从中选择一个初始设计(可能随机选择);随后,用网格中未被选入设计的点替换现有设计点,以改进选定的最优性准则。由于并未明确评价所有可能设计,不能保证找到真正的最优设计,但通常可得到接近最优的设计。结果也受候选点网格的影响。有些实现会从不同初始设计出发,重复构造多次,以提高最终设计接近最优的可能性。
另一种方法是坐标交换算法。它反复搜索初始设计中每个点的各个坐标,直到最优性准则不再改善。通常重复运行多次,每次从随机生成的初始设计开始。坐标交换通常比点交换有效得多,是许多软件采用的标准方法。
以形成图 11.28 不规则试验区域的胶黏剂试验说明这些思想。假设响应为拉脱力,希望拟合二阶模型。图 11.29a 给出了内接于该区域的 CCD,含四个中心点,共 12 次试验。它不具有可旋转性,但已是该空间内能容纳的最大 CCD。其 ,矩阵的迹为 6.375。图中还给出了假定 时预测响应标准差的等值线,图 11.29b 为相应的响应面图。
图 11.30a 和表 11.12 给出了用 Design-Expert 生成的 12 次试验 D 最优设计,其 。按 D 准则,它明显优于内接 CCD。内接 CCD 相对于 D 最优设计的效率为

(a)设计及 的等值线

(b)响应面图
图 11.29 图 11.28 受约束区域中的内接中心复合设计

(a)设计及 的等值线

(b)响应面图
图 11.30 图 11.28 受约束区域的 D 最优设计
即内接 CCD 的效率仅为 D 最优设计的 47.6%。这意味着 CCD 需要重复 次(约两次),才能达到 D 最优设计相同的回归系数估计精度。D 最优设计的矩阵迹为 2.516,表明回归系数方差之和明显小于 CCD。图 11.30a、b 还给出了假定 时的预测响应标准差等值线及相应响应面。总体而言,D 最优设计的预测标准差低于内接 CCD,特别是在内接 CCD 没有设计点的关注区域边界附近。
图 11.31a 给出了第三种设计:将 D 最优设计区域角点上的两次重复移到设计中心。图 11.30b 显示 D 最优设计在区域中心附近的预测标准差略有增加,因此这种调整可能有用。图 11.31a 给出了修改后设计的预测标准差等值线,图 11.31b 为响应面图。该设计的 D 准则值为 ,相对效率为
因此,它几乎与 D 最优设计同样有效。其矩阵迹为 2.448,略小于 D 最优设计。目测预测标准差等值线,其表现至少不逊于 D 最优设计,尤其是在区域中心。这说明评价设计十分必要:决定采用计算机生成的设计之前,应仔细检查其性质。
表 11.12 图 11.28 受约束区域的 D 最优设计
| 标准顺序 | $x_{1}$ | $x_{2}$ |
| 1 | -0.50 | -1.00 |
| 2 | 1.00 | 0.00 |
| 3 | -0.08 | -0.08 |
| 4 | -1.00 | 1.00 |
| 5 | 1.00 | -1.00 |
| 6 | 0.00 | 1.00 |
| 7 | -1.00 | 0.25 |
| 8 | 0.25 | -1.00 |
| 9 | -1.00 | -0.50 |
| 10 | 1.00 | 0.00 |
| 11 | 0.00 | 1.00 |
| 12 | -0.08 | -0.08 |

(a)设计及 的等值线

(b)响应面图
图 11.31 图 11.28 受约束区域的修改 D 最优设计
例 11.3¶
为说明 D 与 I 最优准则能够构造怎样不同的设计,假设希望在立方体区域中拟合四因子二阶模型。标准选择是面心立方体设计,包含 24 次析因与轴点试验,再加两至三个中心点,共 26 或 27 次。四因子二阶模型有 15 个参数,因此最小设计需要 15 次试验。假定希望采用 16 次试验的设计;由于没有相应的标准设计,因此考虑最优设计。
表 11.13 是 JMP 定制设计工具生成 D 最优设计的输出,采用坐标交换算法。设计矩阵下方是预测方差剖面图,显示四个方向上的预测响应方差。图中的十字定位线设在使预测方差最大的坐标处。之后依次给出 FDS 图和模型系数的相对方差表,即系数方差除以 。
表 11.13 D 最优设计
| 设计矩阵 | ||||
| 试验 | X1 | X2 | X3 | X4 |
| 1 | 1 | 1 | 1 | 1 |
| 2 | 1 | -1 | -1 | 1 |
| 3 | 1 | 1 | -1 | -1 |
| 4 | -1 | -1 | 1 | -1 |
| 5 | 1 | -1 | 1 | -1 |
| 6 | 0 | 0 | 0 | -1 |
| 7 | 0 | 0 | 1 | 0 |
| 8 | 0 | 1 | -1 | 1 |
| 9 | -1 | 1 | -1 | -1 |
| 10 | -1 | -1 | -1 | 1 |
| 11 | 0 | 1 | 1 | -1 |
| 12 | 0 | -1 | 1 | 1 |
| 13 | 0 | -1 | -1 | -1 |
| 14 | 1 | 1 | 0 | 0 |
| 15 | 1 | 0 | -1 | 1 |
| 16 | -1 | 1 | 1 | 1 |
预测方差剖面图

设计空间比例图

表 11.13(续)
| 系数相对方差 | |
| 效应 | 方差 |
| 截距 | 0.909 |
| X1 | 0.115 |
| X2 | 0.092 |
| X3 | 0.088 |
| X4 | 0.088 |
| X1*X1 | 0.319 |
| X1*X2 | 0.124 |
| X2*X2 | 0.591 |
| X1*X3 | 0.120 |
| X2*X3 | 0.093 |
| X3*X3 | 0.839 |
| X1*X4 | 0.120 |
| X2*X4 | 0.093 |
| X3*X4 | 0.090 |
| X4*X4 | 0.839 |
表 11.14 是 JMP 生成的 16 次试验 I 最优设计输出,也包含最大预测方差对应的剖面图、FDS 图和系数相对方差表。两种设计有几个重要差别:D 最优设计的最大预测方差较小(1.806 对 2.818),但 FDS 图表明 I 最优设计在区域中心附近的方差较小。换言之,相比 D 最优设计,I 最优设计在大部分设计空间内具有较小的预测方差,因而积分方差或平均方差较小,但在区域极端位置的预测方差较大。I 最优设计的系数相对方差几乎都小于 D 最优设计。这并不矛盾:D 准则最小化的是系数联合置信区域的体积,I 准则则最小化平均预测方差。比较还说明,对于二阶模型或需要预测、优化的情形,I 准则通常更合适,因为它在大部分设计空间内的预测方差较小,仅在极端位置表现较差。
表 11.14 I 最优设计
| 设计矩阵 | ||||
| 试验 | X1 | X2 | X3 | X4 |
| 1 | 0 | 1 | 1 | 1 |
| 2 | 0 | 1 | -1 | -1 |
| 3 | -1 | -1 | 0 | -1 |
| 4 | 1 | -1 | -1 | 0 |
| 5 | -1 | -1 | -1 | 1 |
| 6 | -1 | 1 | 0 | 1 |
| 7 | -1 | 1 | 1 | -1 |
| 8 | -1 | 0 | 1 | 1 |
| 9 | 1 | 1 | -1 | 1 |
| 10 | 1 | -1 | 1 | 1 |
| 11 | 1 | 1 | 0 | 0 |
| 12 | -1 | 0 | -1 | 0 |
| 13 | 0 | 0 | 0 | 0 |
| 14 | 0 | -1 | 1 | 0 |
| 15 | 0 | 0 | 0 | 1 |
| 16 | 1 | 0 | 1 | -1 |
预测方差剖面图

设计空间比例图

| 系数相对方差 | |
| 效应 | 方差 |
| 截距 | 0.508 |
| X1 | 0.118 |
| X2 | 0.118 |
| X3 | 0.118 |
| X4 | 0.121 |
| X1*X1 | 0.379 |
| X1*X2 | 0.174 |
| X2*X2 | 0.379 |
| X1*X3 | 0.174 |
| X2*X3 | 0.174 |
| X3*X3 | 0.379 |
| X1*X4 | 0.186 |
| X2*X4 | 0.186 |
| X3*X4 | 0.186 |
| X4*X4 | 0.399 |
确定性筛选设计¶
Jones 和 Nachtsheim(2011)提出了一类适用于定量因子、可用最优设计算法构造的响应面设计,称为确定性筛选设计(DSD)。它们规模较小,能够有效筛选较多因子,也能在不增加试验的情况下估计二阶效应,因此可视为“一步响应面设计”。表 11.15 给出其一般结构。
对于 个因子,设计由 对折叠试验和一个总体中心点组成,共 次。除中心点外,每次试验恰有一个因子取中心水平,其余取极端水平。这些设计具有以下性质:
试验次数仅比因子数的两倍多一次,因此规模很小。
主效应与二因子交互作用完全独立;无论交互作用是否纳入模型,活跃二因子交互作用都不使主效应估计产生偏倚。
二因子交互作用之间不完全混杂,但可能相关。
在仅由线性和纯二次主效应项组成的模型中,可以估计所有纯二次效应。
纯二次效应与主效应正交,与交互作用可能相关,但不完全混杂。
当因子数为六个或更多时,能够以很高统计效率估计涉及任意三个或更少因子的完整二次模型。
表 11.15 因子确定性筛选设计的一般结构
| 折叠对 | 试验(i) | 因子水平 | ||||
| $x_{i,1}$ | $x_{i,2}$ | $x_{i,3}$ | ... | $x_{i,m}$ | ||
| 1 | 1 | 0 | ±1 | ±1 | ... | ±1 |
| 2 | 0 | ∓1 | ∓1 | ... | ∓1 | |
| 2 | 3 | ±1 | 0 | ±1 | ... | ±1 |
| 4 | ∓1 | 0 | ∓1 | ... | ∓1 | |
| 3 | 5 | ±1 | ±1 | 0 | ... | ±1 |
| 6 | ∓1 | ∓1 | 0 | ... | ∓1 | |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | .. | ⋮ |
| m | 2m - 1 | ±1 | ±1 | ±1 | ... | 0 |
| 2m | ∓1 | ∓1 | ∓1 | ... | 0 | |
| 中心点 | 2m + 1 | 0 | 0 | 0 | ... | 0 |
这些设计在用于筛选的分辨度 III 部分实施与小型响应面设计之间提供了很好的折中,也可能利用一次试验的结果直接从筛选转向优化。Jones 和 Nachtsheim 采用此前开发的最小混杂设计优化技术找到这些设计〔见 Jones 和 Nachtsheim(2011a)〕。该算法在约束 D 效率的条件下,使混杂矩阵各元素的平方和最小。图 11.32 给出了 4~12 因子的设计。
确定性筛选设计(DSD)也可以由会议矩阵构造〔见 Xiao、Lin 和 Bai(2012)〕。会议矩阵 是一个 矩阵,对角线元素为零,非对角线元素均为 ,并满足 ,即其交叉乘积矩阵为单位矩阵的倍数。会议矩阵最初源于电话通信问题,用于通过理想变压器构造理想的电话会议网络,并以矩阵表示这些网络;它也有其他应用。
六阶会议矩阵为
将此会议矩阵各行折叠,再在末尾增加一行零,即可得到 13 次试验的六因子 DSD。一般而言,若 为 阶会议矩阵,则 因子的确定性筛选设计矩阵为
其中 为 零行向量,总试验次数为 。
DSD 原本用于连续因子,但可以修改以包含两水平分类变量。过程很简单:先按连续因子构造通常的 DSD,但增加两行零而不是一行。然后将分类因子列中的零改为 +1 或 -1。对增加的两行零,第一行所有分类因子均设为 -1。

图 11.32 4~12 因子的确定性筛选设计。
第二行均设为 +1。对于会议矩阵及其折叠部分中的零,相应因子在第一行设为 -1,折叠行设为 +1。
例如,考虑四个连续因子与两个分类因子的 DSD。六因子 DSD 加上两行零后如下:
| A | B | C | D | E | F |
| 0 | +1 | +1 | +1 | +1 | +1 |
| +1 | 0 | +1 | -1 | -1 | +1 |
| +1 | +1 | 0 | +1 | -1 | -1 |
| +1 | -1 | +1 | 0 | +1 | -1 |
| +1 | -1 | -1 | +1 | 0 | +1 |
| +1 | +1 | -1 | -1 | +1 | 0 |
| 0 | -1 | -1 | -1 | -1 | -1 |
| -1 | 0 | -1 | +1 | +1 | -1 |
| -1 | -1 | 0 | -1 | +1 | +1 |
| -1 | +1 | -1 | 0 | -1 | +1 |
| -1 | +1 | +1 | -1 | 0 | -1 |
| -1 | -1 | +1 | +1 | -1 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
将最后两列的零改为 ,即可得到分类变量 和 。设计为
| A | B | C | D | E | F |
| 0 | +1 | +1 | +1 | +1 | +1 |
| +1 | 0 | +1 | -1 | -1 | +1 |
| +1 | +1 | 0 | +1 | -1 | -1 |
| +1 | -1 | +1 | 0 | +1 | -1 |
| +1 | -1 | -1 | +1 | -1 | +1 |
| +1 | +1 | -1 | -1 | +1 | -1 |
| 0 | -1 | -1 | -1 | -1 | -1 |
| -1 | 0 | -1 | +1 | +1 | -1 |
| -1 | -1 | 0 | -1 | +1 | +1 |
| -1 | +1 | -1 | 0 | -1 | +1 |
| -1 | +1 | +1 | -1 | +1 | -1 |
| -1 | -1 | +1 | +1 | -1 | +1 |
| 0 | 0 | 0 | 0 | -1 | -1 |
| 0 | 0 | 0 | 0 | +1 | +1 |
按上述方式加入两水平分类变量后,这些变量的主效应与其他因子存在一定相关,但相关程度很小。
DSD 也可以构造为正交区组。步骤如下:
按仅含连续因子的构造步骤进行,但增加的零行数等于区组数。将设计按标准顺序排列。
将第一对折叠试验分配到第一个区组,第二对分配到第二个区组,依次类推;到最后一个区组后,从第一个区组重新开始循环分配。
将各次中心点试验分别分配到不同区组。
例如,考虑六因子、两个区组的 DSD。按标准顺序排列并增加两行零的设计如下:
| A | B | C | D | E | F |
| 0 | +1 | +1 | +1 | +1 | +1 |
| 0 | -1 | -1 | -1 | -1 | -1 |
| +1 | 0 | -1 | +1 | +1 | -1 |
| -1 | 0 | +1 | -1 | -1 | +1 |
| +1 | -1 | 0 | -1 | +1 | +1 |
| -1 | +1 | 0 | +1 | -1 | -1 |
| +1 | +1 | -1 | 0 | -1 | +1 |
| -1 | -1 | +1 | 0 | +1 | -1 |
| +1 | +1 | +1 | -1 | 0 | -1 |
| -1 | -1 | -1 | +1 | 0 | +1 |
| +1 | -1 | +1 | +1 | -1 | 0 |
| -1 | +1 | -1 | -1 | +1 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 |
然后按上述方法分区组:第一对折叠试验组成第一个区组,第二对组成第二个区组,依次交替,最后将两个零行分别分配到两个区组。最终设计如下:
| 区组 | A | B | C | D | E | F |
| 1 | 0 | +1 | +1 | +1 | +1 | +1 |
| 1 | 0 | -1 | -1 | -1 | -1 | -1 |
| 2 | +1 | 0 | -1 | +1 | +1 | -1 |
| 2 | -1 | 0 | +1 | -1 | -1 | +1 |
| 1 | +1 | -1 | 0 | -1 | +1 | +1 |
| 1 | -1 | +1 | 0 | +1 | -1 | -1 |
| 2 | +1 | +1 | -1 | 0 | -1 | +1 |
| 2 | -1 | -1 | +1 | 0 | +1 | -1 |
| 1 | +1 | +1 | +1 | -1 | 0 | -1 |
| 1 | -1 | -1 | -1 | +1 | 0 | +1 |
| 2 | +1 | -1 | +1 | +1 | -1 | 0 |
| 2 | -1 | +1 | -1 | -1 | +1 | 0 |
| 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2 | 0 | 0 | 0 | 0 | 0 | 0 |