有个关于Plackett-Burman的小问题

maxwell

新人初来乍到不太懂规矩，希望各位前辈能够多多指教。
是这样的。我固态发酵的培养基优化实验，之前由于没有考虑清楚做的是单因素优化，虽然效果不错，但是文章不好发…现在想改成响应面，那我接下来应该怎么办？是在单因素优化得到的基础上做Plackett-Burman再做响应面，还是重新开始做单因素试验再pb？如果我直接做Plackett-Burman，那类Plackett-Burman参数该怎么设置？我想优化的有5个培养基组成3个培养条件共8个因素。

细履平沙

如果不是为了发文章，在单因素结束后，基本可以确定各个因素的最适水平，然后直接可以使用响应面完成最优点的寻找。但是楼主要发文章，所以要搞的复杂一些，可以调节一下顺序：先进行PB试验设计，找到关键影响因素，然后再根据提示进行爬坡试验（单因素试验可以用的话，可以省去爬坡试验），根据爬坡试验的结果，可以确定每个因素最优的范围（顶点所在的大致区域）。然后再完成响应面设计。
在单因素基础上进行PB设计有点画蛇添足了，因为PB设计就是为了提高效率，而效果没有单因素好，所以先完成单因素设计，再搞PB设计就好象，我先费了很大功夫达到目的，之后再用一个简单的方法达成相同的目的，甚至效果更差。

细履平沙

如何用单因素结论进行响应面设计
单因素结论基本上找到了需要进行响应面的各个因素的中心点。但是一般没有考虑交互作用，也就是说将这几个最优点组合起来未必是最优点。而响应面可以解决这一问题。
设计时以各个因素的最优点为中心，上下设定2个步长，然后开展多因素3水平或5水平的试验设计，这一设计一般需要软件作为辅助工具，如designexpert。一般3个重复，安置中心点，中心点最好不低于3个重复.试验结果也用软件统计，根据方程计算的最优水平组合。然后进行验证。

细履平沙

PB设计采取2水平设计，主要目的是快速在多因素中找到显著影响因素，和显著因素应该变化的方向。下一步需要使用爬坡试验沿着这个方向，对最优点进行搜索，直到找到最优点存在的区域。
这样看来，单因素试验包括了这两个过程，只是效率没有PB设计高。
单因素如果一个完成后，在这个基础上再进行下一个因素的探索。这便是续贯设计。但是时间会很慢。如果单因素同时做，就会出现每个单因素的试验都是独立完成，没有包含交互作用。所以还需要进行响应面，或正交设计在这些最优点的基础上找一个组合最优。

maxwell

看了两遍后发现，王叔这三段话完美解决了我之前存在疑惑
我的理解是这样的：属于序贯设计的单因素优化（传统优化方法）实际上起到了

PB和最都爬坡实验的效果，相当于完成了发文章必备优化路径即独立单因素→

PB→最陡爬坡实验→响应面的前三步。

但是工作量大，也不能像

PB那样

发现显著性影响因素。

但是还有个小问题，就是存不存在这样的手段，能够从单因素优化的结果中找到

显著性影响因素从而进行

响应面设计？因为如果把我所有的8个因素都放入响应设计中的话那工作量就很吓人了啊…

细履平沙

根据经验确定出这8个因素中哪些与其它无交互作用，然后将这些因素从响应面中剔除。因为无交互作用的单因素的最优解就是组合在一起的最优解。

细履平沙

或者根据单因素试验中影响结果的大小进行判断，影响较小的剔除，影响大的进行响应面。总之需要有取舍

liushoujiade

想问一下
如果PB试验和爬坡试验都做了，不为发文章，只需要提高产量，那响应面还需要做吗

细履平沙

我认为是要做的，因为做实验的目的不只是要在目前几个实验数据中选择最优，而是要通过数据找到规律，然后根据模型方程进行预测，从而得到更优的方案后配方。pb和爬坡实验得出的预测模型基本上是线性的，完全不能外推，甚至内推都有问题。因此这俩个实验结束后收获是1，从实验中找到最优组合，2是提供一个局域最优点的范围。

细履平沙

响应面设计外推可能也有问题，但是内推的结论相对准确的多。因为交互作用被考虑了。不知道解释的如何？@liushoujiade