DOE效应分析器

分析因子实验的主效应和交互作用. 估计2水平因子设计中的因子效应，执行ANOVA，并通过帕累托图识别显著因子。. 效应分析用于量化析因试验中各因子及交互作用对响应变量的影响。主效应是指某因子从低水平（-1）变到高水平（+1）时平均响应的变化量。当一个因子的效应随另一个因子的水平而改变时，就出现了交互效应。

估计2水平因子设计中的因子效应，执行ANOVA，并通过帕累托图识别显著因子。

什么是DOE效应分析？

效应分析用于量化析因试验中各因子及交互作用对响应变量的影响。主效应是指某因子从低水平（-1）变到高水平（+1）时平均响应的变化量。当一个因子的效应随另一个因子的水平而改变时，就出现了交互效应。

每一项的效应估计值等于高水平下的平均响应与低水平下的平均响应之差。ANOVA（方差分析）把总变异分解为各因子与交互作用的贡献，并通过 F 检验判定统计显著性。

效应帕累托图按效应绝对值的大小对所有项排序，便于识别出“关键少数”的显著因子。R² 表示模型所能解释的总变异比例。各项的贡献百分比则显示其相对重要程度。

Formula: Effect = Ȳ(+1) - Ȳ(-1) SS = (Effect² x N) / 4 % Contribution = SS_factor / SS_total x 100 R² = SS_model / SS_total R²_adj = 1 - (1-R²)(N-1)/(N-p-1)

计算示例

含因子 A 与 B 的 2² 析因试验。响应值：(−,−)=10，(+,−)=14，(−,+)=12，(+,+)=20。效应 A = ((14+20)/2) - ((10+12)/2) = 17 - 11 = 6。效应 B = ((12+20)/2) - ((10+14)/2) = 16 - 12 = 4。交互作用 AB = ((10+20)/2) - ((14+12)/2) = 15 - 13 = 2。因子 A 的效应最大。

何时使用此计算器

运行因子实验后确定哪些因子和交互作用对响应有统计显著效应时
在Six Sigma DMAIC项目分析阶段从设计实验中识别关键少数因子时
构建工艺优化预测模型时 — 效应估计和ANOVA提供模型的系数和显著性水平
决定将哪些因子带入响应面研究时 — 只应包含筛选实验中的显著因子
在实验报告中使用帕累托图和贡献百分比表呈现因子贡献的清晰量化摘要时

常见错误

忽略交互作用效应仅分析主效应 — 交互作用可以与主效应一样大甚至更大；始终检查至少2因子交互作用
不理解混叠就从未重复实验得出结论 — 在未重复分数因子中效应是混叠的；了解设计的混叠结构
在无统计显著性的情况下过度解读贡献百分比 — 因子可能偶然显示15%贡献；始终检查F检验p值或使用正态概率图
不管显著性如何将所有可能的交互作用包含在模型中 — 过度拟合模型并消耗误差自由度；使用层次建模（仅在相应主效应显著时包含交互作用）

如何解读结果

先看效应帕累托图 — 柱条远高于其余项的就是关键少数；前2–3项之后急剧下降是典型的'效应稀疏性'模式
效应估计值的符号指示方向：正值表示该因子从−1移到+1时平均响应增加该数值；负值则表示减少
贡献率(%)显示各项占总变异的份额 — 贡献只有几个百分点以下的项即使出现在图中通常也是噪声
ANOVA表中p值低于0.05表示该项统计显著 — 但在饱和设计（无重复的全模型）中没有残差自由度，无法计算F和p；此时应依据帕累托图和贡献率判断
比较R²与调整R² — 差距大说明模型包含不显著项；降低交互作用阶数重新拟合，观察调整R²是否改善

常见问题

如何判断一个效应是否具有统计显著性？

有重复试验时使用 ANOVA：若 F 统计量的 p 值 < α（通常取 0.05），该效应显著。没有重复试验时，可采用 Lenth 方法或效应的正态概率图——偏离直线的效应即为显著。帕累托图同样有帮助，它能直观显示哪些效应远大于其余效应。

主效应与交互效应有什么区别？

主效应是指只改变某一个因子时响应的平均变化量，与其他因子所处的水平无关。交互效应则意味着一个因子的影响取决于另一个因子的水平。例如，若升高温度在低压下使收率提高 10%，而在高压下只提高 2%，那么就存在温度×压力的交互作用。忽视交互作用可能导致错误的结论。