DOE检验功效计算器

计算因子实验设计的统计检验功效. 判断您的2^(k-p)因子设计在给定显著性水平下是否具有足够的重复次数来检测有意义的效应量。. 统计功效是指当某一指定大小的真实效应确实存在时，实验能够检出该效应的概率。功效 = 1 - β，其中 β 是第二类错误（未能检出真实效应）的概率。对于设计实验，80%…

判断您的2^(k-p)因子设计在给定显著性水平下是否具有足够的重复次数来检测有意义的效应量。

什么是DOE功效分析？

统计功效是指当某一指定大小的真实效应确实存在时，实验能够检出该效应的概率。功效 = 1 - β，其中 β 是第二类错误（未能检出真实效应）的概率。对于设计实验，80% 及以上的功效是通行的最低标准。

对于 2^(k-p) 析因设计，功效取决于因子数（k）、生成元个数（p，用于部分析因设计）、重复次数（n）、待检出的效应量（δ）、过程标准差（σ）以及显著性水平（α）。增加重复次数是提高功效的主要手段。功效由非中心 t 分布计算，使用拟合模型剩余的误差自由度 N − 1 − (模型项数)：无重复的全模型没有剩余自由度，因此需要增加重复或拟合更小的模型（仅主效应，或主效应加二因子交互作用）。

信噪比 δ/σ 是关键驱动因素：相对于噪声越大的效应越容易被检出。若功效不足，可选的办法包括增加重复次数、提高 α（接受更多假阳性）、减少因子数，或选用分割程度更低的设计。

Formula: Power = P(|T| > t(α/2, df_E)), T ~ noncentral t(df_E, λ) λ = δ·√N / (2σ) N = n × 2^(k−p) df_E = N − 1 − model terms

计算示例

一个 2³ 全析因设计（8 次试验）做 2 次重复（共 16 次试验），效应量 δ = 2.0，σ = 1.5，α = 0.05，拟合全模型（7 项）。信噪比 = 2.0/1.5 = 1.33，误差自由度为 16 − 1 − 7 = 8。功效 ≈ 65%，低于通常 80% 的目标。增加到 3 次重复（24 次试验）后功效 ≈ 87%，足以检出大小为 2.0 的效应。

何时使用此计算器

在进行昂贵实验前确保有足够重复次数以高置信度检测实际重要的效应
在全因子和分数因子之间选择时 — 检验功效分析揭示减少实验次数会损失多少检测能力
在实验预算编制中向管理层展示达到目标功效所需的最少重复次数以论证实验次数
当初始实验未显示显著效应时 — 在得出不存在效应的结论前检查功效是否足够
调整显著性水平α时 — 理解I类错误（假阳性）和统计检验功效（检测能力）之间的权衡

常见错误

不做功效分析就运行实验 — 事后发现功效只有30%意味着实验可能浪费了；始终在数据收集前计算功效
使用不切实际的效应量δ — 选择非常大的效应量给出高功效但意味着只能检测大效应；使用实际有意义的最小效应
低估σ — 如果工艺噪声估计过低，计算的功效会过于乐观；使用历史工艺数据或先导研究获取现实的σ估计
忽略分数设计中的分数 — 2^(6-3)设计从64种可能中只有8次实验；许多效应被混叠，检测单个效应的功效降低

如何解读结果

功效低于50%意味着错过真实效应的可能性大于检测到的可能性 — 实验功效不足，不应按现有设计运行
功效50-80%为边际 — 考虑增加重复次数或通过分块和实验控制减少噪声
功效超过80%满足标准最低要求 — 如果指定效应量存在则有良好的检测机会
功效超过90%提供强大的检测能力 — 推荐用于错过效应会有严重后果的关键实验
尽管实验次数很多但功效仍低，信噪比（δ/σ）太小 — 重点减少实验噪声而非增加更多实验次数

常见问题

我的实验应把功效定在什么水平？

80% 的功效是被广泛接受的下限。对于关键决策（产品上市、涉及安全的因子），应以 90% 或更高为目标。低于 80% 时，你就要承受相当大的风险：做完一次昂贵的实验后得出“无效应”的结论，而实际上确实存在有意义的效应。

不增加试验次数，怎样提高功效？

通过更严格的实验控制降低噪声（σ）：使用同一操作者、同一物料批次和同一台设备。对已知的干扰因子进行区组化。如果假阳性的代价不高，可把 α 从 0.05 提高到 0.10。选用分割程度更低的设计（减小 p）。用中心点来检验曲率，而不必增加完整的重复。