比较试验规模不同的设计的示例
使用“比较设计”平台比较试验规模分别为 16、20 和 24 的三个设计。这些设计是为主效应模型构造的。探索使用较大试验规模可能带来的益处是否值得花费额外的资源成本。
1. 选择帮助 > 样本索引，点击“样本索引”红色小三角，然后选择打开样本 > 脚本。打开 Compare Three Run Sizes.jsl。
2. 在脚本窗口中右击并选择运行脚本。
三个设计表是使用“定制设计”构造的，“模型”部分中只输入了主效应：
‒ 16-Run Design
‒ 20-Run Design
‒ 24-Run Design
您想要比较这三种设计。请注意 16-Run Design 表是活跃的。
3. 在 16-Run Design 表中，选择实验设计 > 设计诊断 > 比较设计。
4. 从将“16-Run Design”对比列表中，选择 20-Run Design 和 24-Run Design。
以上每个设计的面板都添加至启动窗口。JMP 按照各列出现在三个设计表中的顺序自动匹配各列。
5. 点击确定。
6. 在“绝对相关性”报表中，打开“相关性色图”报表和其下的三个色图报表。
“比较设计”报表中的各个部分在下文中显示并讨论。
图 17.21 功效分析比较
若系数与预期的 RMSE 具有相近的量级，则全部三种设计检测主效应的功效都很高。
图 17.22 显示三个设计的最大方差的预测方差刻画
最大相对预测方差随着试验规模的增大而减小。该图还显示给出最差情况的相对方差时的因子值。但是，请记住很多设置都可以得到这个最大相对方差。
图 17.23 设计空间比例的比较
24 次试验设计 (24-run design) 在整个设计空间的预测方差方面优于另外两种设计；24 次试验设计的相对预测方差均小于另外两个设计的相对预测方差。20 次试验设计的预测方差均小于 16 次试验设计的预测方差。使用红点构成的十字准线指示：在大约 50% 的设计空间上，20 次试验设计的相对预测方差比 0.23（近似值）小。
图 17.24 绝对相关性比较
“绝对相关性”表汇总了“相关性色图”中显示的信息。回想一下，全部三种设计的模型都仅包含主效应，并且别名矩阵包含双因子交互作用。
对于 16 次试验设计，该表的“模型 x 别名”部分指示主效应与双因子交互作用有 21 个混杂。“模型 x 别名”部分指示双因子交互作用有 21 个混杂。
图 17.25 设计诊断比较
“设计诊断”报表依据若干效率测度将 16 次试验设计与 20 次试验设计和 24 次试验设计都进行了效率比较。超过 1 的相对效率值指示参考设计对于给定测度而言更可取。小于 1 的值指示与参考设计比较的设计更可取。16 次试验设计的效率在所有量度上都比其他两种设计低，这表示较大规模的设计更可取。
图 17.26 相关性色图比较
对于 16 次试验设计，主对角线之外的黑色单元格指示某些主效应与某些双因子交互作用混杂，而且双因子交互作用之间也有混杂。模型项（主效应）与别名项（双因子交互作用）混杂有 21 次，别名项相互之间混杂有 21 次。上述情况显示在“配对混杂”下的报表中。
20 次试验设计和 24 次试验设计的色图没有落在对角线之外的黑色实心单元格。由此判定：这些设计表明所有成对的主效应或双因子交互作用之间都不混杂。对于 20 次试验设计，“相关性色图”指示某些主效应与某些双因子交互作用之间以及某些双因子交互作用之间都存在较大的相关性。24 次试验设计显示主效应与双因子交互作用以及双因子交互作用之间仅有中等程度的相关性。
不过，值得注意的是：与 16 次试验设计相比，20 次试验设计和 24 次试验设计的“模型 x 别名项”相关性平均值均较高。尽管 16 次试验设计显示出混杂，但其相关性平均值小于 20 次试验设计和 24 次试验设计。