design expert12软件

design expert12软件是一款深受用户欢迎的实验设计软件，它的功能十分强大，可以帮助用户轻松一键以直观的图标形式将实验结果展现，使用起来十分便利，感兴趣的朋友快来下载体验吧。

软件简介

design expert12是非常专业、权威的响应面分析实验设计软件，集实验设计、数据分析和可视化结果于一体，所提供的可旋转3D图形，方便全角度查看响应曲面，让你可以使用鼠标在交互式2D图形上设置标志和探索等高线，而且广泛的图形选择，能够帮助你识别出色的效果和可视化结果，给人留下深刻的印象。不仅如此，该软件还带来了许多强大的统计工具，例如一般因子研究，响应面法（RSM）、混合设计技术，过程因素、分裂图的设计和分析等等，可对产品或流程进行突破性改进，大幅度提高科研效率，进而加快科研项目的进度，最大程度的减少了科研人员的实验时间。同时，与其它同类型软件而言，design expert12可以选择关键因素，找到最佳性能的理想工艺设置，并发现最佳产品配方，帮助用户快速统计实验数据，更进一步的加快实验的脚步，为各行各业的科研人员提供非常大的帮助。

新增功能

1、Logistic回归

使用二进制数据（每个单元格为0或1）的响应将在“变换”选项卡上具有“逻辑回归”选项。

Logistic回归模型术语显着性的卡方检验。

麦克法登调整 McFadden和Tjur伪R平方统计数据可用于逻辑回归。

可以使用基于成功或失败概率的标准来优化二元响应。

2、图表

模型图已移至笔记本界面。

您可以在并排视图中同时创建多个图形。

所有图形现在都有一个可停靠的图例，可以独立于图形移动。

图例也可以通过右键单击菜单停靠在图表的右侧或底部。

可以通过右键单击菜单单独切换图例中的元素。

通过将图例悬停在其上，保持控件和使用鼠标滚轮，可以增大或减小图例的字体大小。

可以在“图表列”节点中生成任何数据列的直方图。

您可以在“图形列”散点图上设置第三个轴，使其成为三维散点图。

效果图已移至笔记本界面，可以并排比较。

现在可以在观察值和预测值之间切换立方体图。

单击“交互”或“单因子”图中的点时的成对比较现在可在单独的工具箱中使用。

3、分类编码

分类变量现在可以使用治疗对比，将每个级别与用户选择的对照或参考级别进行比较。

Design Expert还可以使用Helmert对比，将每个级别与之前级别的平均值进行比较。

序数对比不再需要数字。 如果它们不是数字，则假定它们是均匀间隔的（例如“低”，“中”，“高”）。

ANOVA中显示了分类因子的对比类型的选择。

4、组合模型

Kowalski-Cornell-Vining（KCV）型号可作为型号订单选择。

在建造时，KCV模型为完整的交叉模型提供了更有效的替代方案。

在分析过程中也可以选择KCV模型。

使用说明

一、目标和设计选项

紧接在目标之下推荐的设计是建议的最低设计。对于更复杂的目标，也可以使用更有能力的设计。更大，更复杂的设计将产生更好的估计并得出更有力的结论。

当目标是优化过程并且有超过6个因素时，通常在筛选目标开始实验并采取小步骤，在每个步骤中更多地了解过程，并在此基础上进行构建更有效率。与一个大型设计相比，在学习过程中采取一些小步骤通常会导致更少的运行和更好的整体理解。

1、最小运行

如果您需要快速排除故障并快速获得结果。

测试产品，工艺或方法的坚固性。现实世界的目标是验证测试方法是否适用于所有操作员，或者当在预期的因子范围内使用时，过程是否稳定。

对于上述两种情况，任务是运行最少的运行次数，但是，设法同时测试所有变量。如果没有重要因素，那么对因子的更改不会显着影响产品，流程或方法。如果某些事情很重要，我们可以断定这个过程并不稳定。但要了解不稳定的原因，后续实验是必要的。

对于上述情况，请使用颜色编码为红色的两级析因设计（分辨率III）。

2、筛选

筛选实验用于将大量潜在因素缩小到较小的因素列表，这些因素对过程有重大影响。

对于上述使用，采用黄色（分辨率IV）或最小运行筛选设计的双级因子设计。另一种选择是响应面，过饱和的最终筛选设计。

后续实验对于表征交互并理解为什么某些因子组合起作用或失败是必要的。

3、表征

表征主效应，相互作用甚至曲率，以更好地理解正在研究的过程。

对于上述使用，采用颜色编码为白色（全因子）或绿色（分辨率V或更高）的两级因子设计。其他可接受的两级设计是Min-RunCharacterize和IrregularResV设计。将中心点添加到任何两级因子设计以估计曲率效应。

4、优化

通过找到最佳因子设置来优化流程，以实现目标，例如为每个响应单独最大化，最小化或达到目标值。

对于上述任何一种情况，请使用适合问题的响应面设计。标准设计，如中央复合材料或Box-Behnken，适用于二次模型。优化设计具有更大的灵活性，允许更高阶的模型。

5、混合设计

配方工作。如果该过程是混合物，例如药物配方，化学成分，甚至如何分配预算，那么使用混合物设计。这些设计产生运行以根据组分的相对比例对响应进行建模。因为正在使用比例，所以随着一个组件的增加，其他组件的总和必须减少。组分比例的总和始终为1.混合物最佳设计是最常用的，因为它们在组件范围内具有最大的灵活性。

6、分割图设计

使用裂区设计可以最好地处理难以改变的因素。查看有关随机化与分割图设计的主题以做出决定。分裂图设计可用于筛选和表征

二、识别回应

后澄清目标后，下一步是找出以测量其响应（质量特性），以及如何测量它们。确定关键的可量化响应是成功的DOE的重要一步。

数字（连续）：测量的响应是最佳响应类型。在设计实验期间，应该有一系列的响应值，从好到坏。

评级系统：对于主观测量，评级系统是连续响应的可行替代品。例如，产品质量可能被评为1-非常差到5-好到9-非常好。同样，味道评级可以是1-酸至中性至9-甜味。有几个人对产品进行评级会更好。响应应该是每种产品的平均评级。额定值的标准偏差或范围通常会产生有用的二次响应。

排名：可以使用的另一种类型的响应是排名。从所有运行中获取结果并将它们从最差到最佳排名。然后为从1开始的每个结果分配一个数字，并增加以反映排名。作为功能关系的结果获得平均（和相同）等级。

通过选择因子然后确定运行次数来跟踪响应的工作。

三、识别因素和级别

因素是过程的输入。控制实验中的因素并将其设定为设计规定的水平。实验者可以选择在哪个范围内变化的因素。

一旦知道了答案的目标，就可以通过以下步骤完成工作。

列出可能影响响应的所有因素。

将因素分组为以下类别：最可能，有可能且最不可能影响响应。

请注意，该因素是否易于控制或难以控制。

确定实验中包含哪些因素。

其余因素可以保持不变或允许变化。如果允许变化，请确定是否可以监视和记录其实际设置。

一旦选择了因子，就必须选择它们涵盖的范围。范围应该足够大以引起响应的变化，但不能太大以至于过程将“脱离悬崖”并产生不可用的数据。

在此之后，是时候确定达到实验目标所需的运行次数。

四、确定运行次数

需要多少次运行才能获得有用的结果？

这个问题的答案取决于以下内容：

实验的目标，确定设计的类型和设计尺寸的最佳方法。

析因设计使用功率;和

响应曲面设计使用精度。

模型拟合响应后，ANOVA标准偏差的估计值。估计可以来自以下任何一项：

正在研究的系统的历史数据;

来自类似过程的历史数据;

一项试点研究，其中没有任何故意变化;和

实验者最好的猜测。

对于阶乘设计，找到效果是目标。效果是当因子水平改变时响应变化多少。功效是检测显着效果的概率。

对于响应面设计，目标通常是优化。拥有精确的模型对于找到最佳因子组合的良好预测非常重要。设计空间分数（FDS）是设计的比例，其中估计的精度优于可接受的误差范围。

五、权力

权力是一种管理分析能够提供的期望的方式。通过比较重要影响的大小与分析完成后将出现在ANOVA上的标准差的估计值来计算。考虑到预期的标准偏差，可以发现重要影响是显着的。

尽可能多地使用以下建议，以使估计的功率达到80％。没有要求80％的功率，但我们在Stat-Ease，Inc。觉得它有一个好的设计。

是否可以容忍更高的alpha风险（I类错误率）？

在编辑-首选项，常规-分析节点下增加功率的显着性阈值。增加alpha会增加检测错误效果的可接受风险。如果你更愿意发现虚假效果，你更有可能找到真正的效果。

1、如果更多运行是负担得起的

如果全因子的功率小于60％，最好的方法是使用设计工具，增强设计，复制设计复制整个设计。对于功率大约为65％的大型全因子设计，但要完全复制的运行次数太多，请使用“设计工具”，“增强设计”，“增强”中的增强工具。阶乘最优是一个很好的选择，并且允许一次添加几个运行。如果设计是分数设计，包括Min-Run，Irregular和Optimal，增加运行的最佳方法是创建新设计。单击是以使用以前的设计信息，然后从列表中选择更大的设计。

2、如果没有更多的运行是负担得起的，看看设计

因子水平的变化是否会产生比所述增量更大的响应变化？如果是，则使用较大的delta估计值来估算功率。更大的效果更容易被发现。因子设置可以在更宽的时间间隔内运行吗？因子设置的更大变化通常意味着响应中的更大变化。只能找到更大的效果，你能满意吗？如果是这样，增加delta。

3、如果增加所述delta的大小不是一个选项

使用块来隔离已知但不受控制的变异源。例如，如果实验需要几天时间，请构建一个每天一个块的设计。

如果噪音来自您的测量系统......

获得更好的测量系统-这通常意味着更高的成本。重复您正在进行的测量并记录平均值作为您的响应。

注意

如果噪声确实来自该过程，并且上述增加功率的方法都不合适，请不要运行此实验。最有可能不会产生重大影响，很少有人会了解这一过程。