《全因子试验设计》课件

7-2全因子试验设计7-2全因子试验设计1MAICD主要内容全因子试验设计基本思想全因子试验设计的步骤全因子试验设计概述全因子试验设计分析的步骤MAICD主要内容全因子试验设计基本思想全因子试验设计的步骤2MAICD全因子试验设计：所有因子的所有水平的所有组合都至少进行一次试验的设计。一、全因子试验设计概述全因子试验设计所需试验总次数较多，但它的优点是可以估计出所有的主效应和所有的各阶交互效应。所以在因子数不太多，而且确实需要考察较多的交互作用时，常选用全因子设计。1、全因子试验设计的特点MAICD全因子试验设计：所有因子的所有水平的所有组合都至少3MAICD1、全因子试验设计的特点当因子水平超过2时，由于试验次数随因子个数的增长呈指数速度增长，因而通常只做2水平的全因子试验。将k个因子的2水平的全因子试验记为：试验。是整个全因子试验的记号，而不仅仅是试验次数。当然，也恰好是k个因子的2水平的全因子试验所需要的最少试验次数。当因子数不超过5个时，全因子试验比较合适。一、全因子试验设计概述MAICD1、全因子试验设计的特点当因子水平超过2时，由于试42、试验目的全因子试验设计可兼有筛选因子和建立回归方程两方面目的。一、全因子试验设计概述2、试验目的全因子试验设计可兼有筛选因子和建立回归方程两方面53、正交试验的概念30年代，由于农业试验的需要，Fisher在试验设计和统计分析方面做出了一系列先驱工作，从此试验设计成为统计科学的一个分支。60年代，日本统计学家田口玄一将试验设计中应用最广的正交设计表格化。一、全因子试验设计概述3、正交试验的概念30年代，由于农业试验的需要，Fisher63、正交试验的概念例在提高合成氨纯度（%）的工艺研究中，发现因子A（温度）、因子B（压力）、因子C（反应时间）三个因子对Y有重要影响。每个因子设定高低两水平，考察这三个因子哪些因子的主效应和交互效应显著。取值如下：因子A（温度），低水平：460度，高水平：500度因子B（压力），低水平：250大气压，高水平：270大气压因子C（时间），低水平：20分钟，高水平：30分钟按全因子试验设计安排试验计划，得到下图正交表：一、全因子试验设计概述3、正交试验的概念例在提高合成氨纯度（%）的工艺研究中，7ABC1-1-1-121-1-13-11-1411-15-1-1161-117-1118111一、全因子试验设计概述（1）每一列中正负号出现次数各占一半，即在试验中，每个因子取低水平、高水平的次数相同。（2）任意两列中，++、+-、-+、--四种搭配出现的次数相等。即两列的乘积和为0，也就是代数上所说的“正交”。3、正交表的特点可概括为：均衡分散、整齐可比。ABC1-1-1-121-1-13-11-1411-15-183、正交试验：主效应和交互效应的计算得到简化。例在合成氨生产中，考虑两个因子，每个因子取2水平。A：温度，低水平：7000C；高水平：7200C。B：压力，低水平：1200帕；高水平：1250帕。以产量y为响应变量（单位：kg），列表如下：编号A温度B压力AB产量1+1（720）+1（1250）+12702-1（700）+1（1250）-12303+1（720）-1（1200）-12204-1（700）-1（1200）+1200M+490500470M-430420450m+245250235m-215210225效应304010一、全因子试验设计概述3、正交试验：主效应和交互效应的计算得到简化。例在合成氨生94、试验的安排及中心点的选取试验设计中考虑到三个基本原则：重复试验：将一个试验条件都重复2次或更多次，可以对试验误差估计得更准确，但却大大增加试验次数。常用的方法是在“中心点”处重复3次或4次试验，进行完全相同条件下的重复，因而可以估计出试验误差即随机误差，增加了对于响应变量可能存在弯曲趋势估计的能力。安排因子2水平加中心点，可构成较好的全因子试验设计。一、全因子试验设计计划4、试验的安排及中心点的选取试验设计中考虑到三个基本原则：一105、代码化及其计算代码化，就是将因子所取的低水平设定的代码取值为-1，高水平设定的代码取值为+1，中心水平定为0。将自变量代码化后的好处：（1）代码化后的回归方程中，自变量及交互作用项的各系数可以直接比较，系数绝对值大者之效应比系数绝对值小者之效应更重要、更显著。（2）代码化后的回归方程内各项系数的估计量间是不相关的。（3）在自变量代码化后，回归方程中的常数项（或称截距）有了具体的物理意义。将全部自变量以“0”代入回归方程得到的响应变量预测值就是截距值。截距值就是全部试验结果的平均值，也是全部试验范围中心点上的预测值。一、全因子试验设计概述5、代码化及其计算代码化，就是将因子所取的低水平设定的代码取115、代码化及其计算例：假定温度低水平为820度，高水平为860度，则：中心值M=（低+高）/2半间距D=（高-低）/2=20代码值=（真实值-中心值M）/半间距D真实值=中心值M+代码值×半间距D低水平中心值高水平真实值820840860代码值-101一、全因子试验设计概述在本例中，代码值＝（真实值－840）/20，真实值＝840＋20×代码值5、代码化及其计算例：假定温度低水平为820度，高水平为8612回顾：试验设计的步骤1、计划阶段（1）阐述目标（2）选择响应变量（3）选择因子及水平（4）选择试验计划2、实施阶段严格按计划矩阵的安排进行试验。记录响应变量和试验过程中的所有状况，包括环境（气温、室温、湿度、电压等）、材料、操作员等。3、分析阶段按照所应用设计类型相适应的分析方法进行分析。4、验证阶段进行验证试验。回顾：试验设计的步骤1、计划阶段13二、全因子试验计划拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达到？模型要改进吗？进行验证试验进行下批试验YNNY阐述目标选择响应变量选择因子及水平选择试验计划实施试验计划分析试验结果二、全因子试验计划拟合选定模型进行残差诊断对选定模型进行分析14例：在压力成型塑胶板生产中，经过因子的初步筛选后，最后得知，影响成型塑胶板强度的因子有三个：成型压力（pressure）、压膜间距（distance）及压力角（angle）。我们要判断哪些因子的主效应及哪些交互效应是显著的，哪种生产条件下可以获得最大的成型塑胶板强度（strength）。A：成型压力，低水平：300Pa；高水平：400PaB：压膜间距，低水平：60mm；高水平：70mmC：压力角，低水平：20度；高水平：24度准备做全因子试验并安排4个中心点（即23+4）的试验，如何安排试验计划？(DOE_塑胶板.mtw)二、全因子试验计划例：在压力成型塑胶板生产中，经过因子的初步筛选后，最后得知，15二、全因子试验计划二、全因子试验计划16得到标准顺序的试验设计表格。如果选中“随机化运行顺序”，则可以得到随机化试验设计表格。二、全因子试验计划得到标准顺序的试验设计表格。如果选中“随机化运行顺序”，则可17拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达到？模型要改进吗？进行验证试验进行下批试验YNNY三、全因子试验设计的分析拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达18选定拟合模型的主要任务是根据整个试验的目的，选定一个数学模型。通常可以选定“全模型”，即包含全部因子的主效应及全部因子的二阶交互效应。如果某些主效应和二阶交互效应不显著，则应改进模型，删除不显著的项。三、全因子试验设计的分析1、选定拟合模型选定拟合模型的主要任务是根据整个试验的目的，选定一个数学模型191、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：A、总效果H0：模型无效H1：模型有效主效应和2因子交互作用中至少有一项P<0.05，可判定模型总体有效。如果上述两项的P值都大于0.05，说明模型总体无效。（1）试验误差太大。如果试验误差是由于测量系统造成的，则应对测量系统进行改进。（2）试验中漏掉了重要因子。（3）模型本身有问题。如模型存在失拟现象，或数据本身有较强的弯曲性。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验201、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：B、失拟现象H0：无失拟H1：有失拟如果失拟项的P值大于0.05，则无法拒绝原假设。即可判定模型无失拟现象。如P小于0.05，说明模型漏掉了重要项。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验211、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：C、弯曲项H0：无弯曲H1：有弯曲如果弯曲项的P值大于0.05，则无法拒绝原假设。即可判定模型无弯曲现象。如P小于0.05，说明模型应该补充二次项。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验221、选定拟合模型第二要点是分析评估回归的总效果A、两个确定系数R2及拟合的总效果可以用确定系数R2及（调整的确定系数）来确定。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回归的总效果三、全因子试验231、选定拟合模型第二要点是分析评估回归的总效果A、两个确定系数R2及三、全因子试验设计的分析因为通常p>1;所以通常R2adj比R2稍小。在实际应用中，要判断两个模型的优劣可以从二者的接近程度来判断，二者之差越小说明模型越好。当自变量个数增加时，不管增加的这个自变量是否显著，

R2都会增加一些，因而在评价这个自变量是否该加入回归方程时，

R2就没有价值了；R2adj是扣除了回归方程中所受到的包含项数的影响的相关系数，因而可以更准确地反映模型的好坏。1、选定拟合模型第二要点是分析评估回归的总效果三、全因子试验241、选定拟合模型第二要点是分析评估回顾的总效果B、对于s的分析所有观测值与理论值之间都存在误差，总假定这个误差服从以0为均值、方差为σ2的正态分布，可以认为s值是σ的无偏估计。比较两个模型的优劣最关键的指标就可以选择s。哪个模型的s值小，哪个模型好。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验251、选定拟合模型第二要点是分析评估回顾的总效果C、对于预测结果的整体预测主要有两个统计量：PRESS和R-Sq（预测）。PRESS是预测的误差平方和，与SSE很相似，但对于第i个观测值的预测值所使用的回归方程不是用全部观测值来获得的，而是将第i个观测值删除后拟合的回归方程，求其残差。即对所有观测值轮番删除一个，计算残差平方和。PRESS通常比SSE要大一些，但如果大得不多，说明数据点中有特殊地位的点不多，或影响不大。用此作为回归方程的预测结果比较可信。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验261、选定拟合模型第二要点是分析评估回顾的总效果C、对于预测结果的整体预测另一个统计量是R-Sq（预测）。将SSE换成PRESS，可以得到预测的R2简记为R-Sq（预测）。R-Sq（预测）通常比R2（R-Sq）小一些，小得不多说明数据中有特殊地位的点不多。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验271、选定拟合模型第三要点是分析评估各项效应的显著性在结果输出的最开始部分就是各回归系数（代码化后）的统计检验。这里列出了各项的效应、回归系数及P值。一般情况下，如果P值大于0.05，说明对应项不显著，在修改模型时应该删除。需要注意的是，如果一个高阶项是显著的，则此高阶项所包含的低阶项也必须被包含在模型中。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子281、选定拟合模型第三要点是分析评估各项效应的显著性对于各项效应的显著性，计算机还输出一些辅助图形帮助我们判断有关结论。最重要的就是Pareto效应图、正态效应图。Pareto图是将各效应t检验的t值作为纵坐标，按照绝对值大小排列起来，给出t的临界值，绝对值超过临界值的效应将被选中。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子291、选定拟合模型第三要点是分析评估各项效应的显著性将各因子的效应按从小到大（正负号考虑在内）排成序列，将这些效应点标在正态概率图上，就是正态效应图。假定少数因子效应显著（效应稀疏原则），挑选位于中间的一些点拟合一条直线，则远离直线的点效应显著，正效应在直线的右（上）方，负效应在直线的左（下）方。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子302、残差诊断残差诊断应包含四个步骤：（1）在“四合一”图的右下角图中，观察残差对于以观测值顺序为横轴的散点图。重点考察在此散点图中，各点是否随机地在水平轴上下无规则地波动着。（2）在“四合一”图的右上角图中，观察残差对于以响应变量拟合预测值为横轴的散点图，重点考察此散点图中，残差是否保持等方差性，即是否有“漏斗型”或“喇叭型”。（3）在“四合一”图的左上角正态概率图（或左下角直方图）中，观察残差的正态性检验图，看残差是否服从正态分布。（4）观察残差对于以各自变量为横轴的散点图，重点考察此散点图中是否有弯曲趋势。三、全因子试验设计的分析2、残差诊断残差诊断应包含四个步骤：三、全因子试验设计的分析312、残差诊断残差不正常表现两种情况：1、残差出现漏斗型、喇叭型说明对响应变量需要做某种变换。一般采用BOX-COX转换。2、残差出现U型或反U型说明需要增加x的平方项或立方项。三、全因子试验设计的分析2、残差诊断残差不正常表现两种情况：三、全因子试验设计的分析323、判断模型是否需要改进1、残差对拟合预测值的诊断图中，是否有不齐性或弯曲的情形？如果此图有问题，则提示我们要对响应变量y作某种变换后才行，将y作变换后一切重新开始。2、残差对于自变量的诊断图中，是否有弯曲的情形？如果确实有弯曲，应考虑增加因子的平方项甚至立方项才会使模型拟合得更好。3、基于各项效应及回归系数计算的显著性分析中是否有不显著项。如果发现有些主效应项或交互效应项不显著，在修改模型时应将这些项从模型中删除，模型的拟合也要重新进行。三、全因子试验设计的分析3、判断模型是否需要改进1、残差对拟合预测值的诊断图中，是334、对选定模型进行分析解释（1）输出各因子的主效应图和交互效应图从图形中进一步确认所选中的主因子和交互效应作用项是否真的显著，而未选中的主因子和交互作用项是否真的不显著。交互作用显著时，主效应图的参考价值不大。三、全因子试验设计的分析4、对选定模型进行分析解释（1）输出各因子的主效应图和交互344、对选定模型进行分析解释（2）输出等值线/响应曲面从等值线、响应曲面图上进一步确认响应变量是如何受主因子和交互作用项影响的，它的变化规律如何？从等值线、响应曲面图上可以直观地看到整个试验范围内的最佳值的位置。等值线、响应曲面图都只能对两个自变量作图，所以当自变量个数超过2个时，要两两作图。Minitab可以一次给出所有两两组合的图形。三、全因子试验设计的分析4、对选定模型进行分析解释（2）输出等值线/响应曲面三、全354、对选定模型进行分析解释（2）输出等值线/响应曲面等实际应用中，如果两个自变量无交互作用时，等值线图是一组平行线，响应曲面是平面，几乎不增加新的信息。为了集中精力研究变化规律，最重要的是绘制有交互作用的那些自变量就可以了。三、全因子试验设计的分析4、对选定模型进行分析解释（2）输出等值线/响应曲面等三、364、对选定模型进行分析解释（3）实现最优化优化目标有望大、望小、望目三种类型望大型：“设置”中只填“下限”和“望目”两项，下限一般填试验结果中出现过的最小值，以此为起点；“望目”一般远高于试验中出现的最大值(计算机达到此值后停止搜索）望小型：“设置”中只填“上限”和“望目”两项望目型：三个值都要填。“望目”填目标值，“下限”“上限”填允许的范围。三、全因子试验设计的分析4、对选定模型进行分析解释（3）实现最优化三、全因子试验设374、对选定模型进行分析解释（3）实现最优化按照具体问题的望大、望小和望目特性在数值上求出在整个试验范围内的最佳值。响应优化器可以进行人机交互，通过拖动红线或在红色数值区双击直接输入数值进行调整，用人工方法选优。三、全因子试验设计的分析4、对选定模型进行分析解释（3）实现最优化三、全因子试验设385、判断目标是否已经达到通常的做法是先算出在最佳点的观测值的预测值及其变动范围，然后在最佳点做若干次验证试验（通常3次以上）。如果验证试验的结果的平均值落入事先计算好的范围内，说明一切正常；否则就要进一步分析发生错误的原因，改进模型，再重新验证。三、全因子试验设计的分析5、判断目标是否已经达到通常的做法是先算出在最佳点的观测值395、判断目标是否已经达到求预测区间有两种预测方法：1、统计>回归>回归，先要将所有交互作用的乘积计算后形成新列，进行回归分析；按选定模型中自变量的顺序填写上最优设置的数值，包括交互项的具体数值。2、统计>DOE>因子>分析因子设计，不需要在工作表中填写交互作用对应列；在因子设置窗口中只按顺序填写模型中保留的主因子的值，不需要交互项的具体数值。三、全因子试验设计的分析5、判断目标是否已经达到求预测区间有两种预测方法：三、全因405、判断目标是否已经达到将预计的最佳值与原试验目标相比较。如果离目标尚远，则应考虑安排新一轮试验，通常在本次获得的或预计的最佳点附近，重新选定试验的各因子及其水平，继续做因子设计（DOE）或回归设计（RSM），以获得更好的效果。如果已基本达到目标，则要做验证试验以确保将来按最佳条件生产能获得预期效果。三、全因子试验设计的分析5、判断目标是否已经达到将预计的最佳值与原试验目标相比较。41四、全因子试验设计实例续前例(DOE_塑胶板.mtw)按照试验计划实施全因子试验，结果如下：标准序运行序中心点区组压力距离角度强度1111300602061.82211400602055.33311300702089.14411400702063.55511300602455.26611400602449.67711300702494.88811400702461.39901350652273.3101001350652260.2111101350652269.5121201350652259.1四、全因子试验设计实例续前例(DOE_塑胶板.mtw)421、选定拟合模型选择全部主效应项和二阶交互作用项：四、全因子试验设计实例1、选定拟合模型四、全因子试验设计实例431、选定拟合模型主效应项P=0.005，总模型显著。弯曲P=0.844，说明模型无弯曲；失拟P=0.686，说明无失拟。R-Sq=92.35%，R-Sq（调整）=83.17%，二者差别较大，模型还有改进余地，S=5.60846。因子A、B、和A*B作用显著。其他效应不显著。四、全因子试验设计实例1、选定拟合模型四、全因子试验设计实例442、进行残差诊断四、全因子试验设计实例2、进行残差诊断四、全因子试验设计实例453、判断模型是否需要改进保留主效应A、B和交互作用A*B。全模型与删减模型效果比较表全模型删减模型变化R-Sq92.35%90.06%↓R-Sq（调整）83.17%86.34%↑S5.608465.05327↓PRESS543.932370.127↓R-Sq（预测）73.45%82.00%↑四、全因子试验设计实例3、判断模型是否需要改进全模型与删减模型效果比较表全模型删462、进行残差诊断四、全因子试验设计实例2、进行残差诊断四、全因子试验设计实例474、对选定模型进行分析解释经过前三步的多次反复，已获得一个我们认为最满意的方程，将它选定为模型。最后确定的回归方程为：四、全因子试验设计实例4、对选定模型进行分析解释经过前三步的多次反复，已获得一个484、对选定模型进行分析解释（1）输出各因子的主效应图、交互效应图四、全因子试验设计实例4、对选定模型进行分析解释（1）输出各因子的主效应图、交互494、对选定模型进行分析解释（2）输出等值线图、响应曲面图四、全因子试验设计实例4、对选定模型进行分析解释（2）输出等值线图、响应曲面图四504、对选定模型进行分析解释（3）实现最优化：望大类型问题当因子A（压力）取300Pa，因子B（距离）取70mm，强度达到最大91.6833。四、全因子试验设计实例4、对选定模型进行分析解释（3）实现最优化：望大类型问题当514、对选定模型进行分析解释在试验过程中，7号的试验结果为94.8，超过响应优化器求出的最大值。原因是试验总是有误差，同样的试验条件，3号试验结果为89.1。最后预测值是综合了全部试验结果，仔细估计了误差状况，又考虑了显著因子的效应计算出的。四、全因子试验设计实例4、对选定模型进行分析解释在试验过程中，7号的试验结果为9525、判断目标是否已经达到将预计最佳值91.6833与试验目标相比较，如果认为离目标尚远，则需考虑在最佳点附近重新选定试验的各因子水平，进行新一轮试验。如果认为达到目标，则可以停止试验。需要进行验证试验，以确保将来按最佳条件生产能获得预期效果。在最佳点（压力=300Pa，距离=70mm）处做若干次验证试验（通常要3次以上），计算出将来的每一次试验结果应该落在什么范围内，进一步计算出m次验证试验结果的平均值应落入什么范围内。如果m次验证试验结果的平均值落入事先计算好的范围内，说明情况正常，模型正确，预测结果可信。方法一：使用DOE中的预测功能方法二：使用回归中的预测功能四、全因子试验设计实例5、判断目标是否已经达到将预计最佳值91.6833与试验目标535、判断目标是否已经达到新观测值的预测值新观拟合值测值拟合值标准误95%置信区间95%预测区间191.683.42(83.79,99.57)(77.61,105.76)四、全因子试验设计实例5、判断目标是否已经达到新观测值的预测值四、全因子试验设545、判断目标是否已经达到置信区间结果为(83.79,99.57)，其含义是：按此自变量的设置，无限多次重复将获得理论均值的95%置信区间；后一个是预测区间（95%PI）为(77.61,105.76)，是单个观测值的置信区间。四、全因子试验设计实例5、判断目标是否已经达到置信区间结果为(83.79,99.55改进热处理工艺提高钢板断裂强度问题。合金钢板经热处理后将提高其断裂性能，但工艺参数的选择是个复杂的问题。我们希望考虑可能影响断裂强度的4个因子，确定哪些因子是显著的，进而确定最佳的工艺条件。五、全因子试验设计练习这4个因子的水平设置如下：A加热温度，低水平：820，高水平：860（摄氏度）B加热时间,低水平：2，高水平：3（分钟）C转换时间，低水平：1.4，高水平：1.6（分钟）D保温时间，低水平：50，高水平：60（分钟）中心点处3次试验。(DOE_热处理.mtw)改进热处理工艺提高钢板断裂强度问题。合金钢板经热处理后将提高56由于要细致考虑各因子及其2阶交互作用，我们决定采用全因子加3次中心点试验，19次试验的结果如下表。请对试验结果进行分析。五、全因子试验设计练习由于要细致考虑各因子及其2阶交互作用，我们决定采用全因子加357五、全因子试验设计练习删除不显著项后的计算结果五、全因子试验设计练习删除不显著项后的计算结果58五、全因子试验设计练习最后选定的模型：Y=213.1+0.5A-61.35B-2.445D+1.4425BD五、全因子试验设计练习最后选定的模型：Y=213.1+059五、全因子试验设计练习分析选定模型：C不显著。BD交互显著。五、全因子试验设计练习分析选定模型：C不显著。BD交互显60五、全因子试验设计练习分析选定模型：B=3，D=60，A固定在860度时，断裂强度达到最大。（右上角）五、全因子试验设计练习分析选定模型：B=3，D=60，A61五、全因子试验设计练习分析选定模型：A=860，B=3，D=60时，断裂强度达到最大:569.2五、全因子试验设计练习分析选定模型：A=860，B=362五、全因子试验设计练习目标是否达到？1、预测拟合值点拟合值标准误95%置信区间95%预测区间1569.2072.926(562.931,575.483)(556.186,582.227)五、全因子试验设计练习目标是否达到？1、预测63五、全因子试验设计练习目标是否达到？2、进行试验验证如果验证结果落入计算的预测区间，说明模型是正确的，可以据此设定工艺参数；否则，分析发生错误的原因，改进模型，再重新验证。五、全因子试验设计练习目标是否达到？2、进行试验验证如果64五、全因子试验设计练习设定工艺窗口五、全因子试验设计练习设定工艺窗口65五、全因子试验设计练习设定工艺窗口五、全因子试验设计练习设定工艺窗口66全因子试验设计小结全因子试验设计：所有因子的所有水平的所有组合都至少进行一次试验的设计。

全因子试验设计可兼有筛选因子和建立回归方程两方面目的，可以分析出所有因子的主效应和各因子间的各阶交互作用的效应，回归方程中将包含一次项以及各因子的乘积项，试验次数适中，适用于因子不超过5个的情况。全因子试验设计小结全因子试验设计：所有因子的所有水平的所有组67全因子试验设计小结拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达到？模型要改进吗？进行验证试验进行下批试验YNNY阐述目标选择响应变量选择因子及水平选择试验计划实施试验计划分析试验结果全因子试验设计小结拟合选定模型进行残差诊断对选定模型进行分析687-2全因子试验设计7-2全因子试验设计69MAICD主要内容全因子试验设计基本思想全因子试验设计的步骤全因子试验设计概述全因子试验设计分析的步骤MAICD主要内容全因子试验设计基本思想全因子试验设计的步骤70MAICD全因子试验设计：所有因子的所有水平的所有组合都至少进行一次试验的设计。一、全因子试验设计概述全因子试验设计所需试验总次数较多，但它的优点是可以估计出所有的主效应和所有的各阶交互效应。所以在因子数不太多，而且确实需要考察较多的交互作用时，常选用全因子设计。1、全因子试验设计的特点MAICD全因子试验设计：所有因子的所有水平的所有组合都至少71MAICD1、全因子试验设计的特点当因子水平超过2时，由于试验次数随因子个数的增长呈指数速度增长，因而通常只做2水平的全因子试验。将k个因子的2水平的全因子试验记为：试验。是整个全因子试验的记号，而不仅仅是试验次数。当然，也恰好是k个因子的2水平的全因子试验所需要的最少试验次数。当因子数不超过5个时，全因子试验比较合适。一、全因子试验设计概述MAICD1、全因子试验设计的特点当因子水平超过2时，由于试722、试验目的全因子试验设计可兼有筛选因子和建立回归方程两方面目的。一、全因子试验设计概述2、试验目的全因子试验设计可兼有筛选因子和建立回归方程两方面733、正交试验的概念30年代，由于农业试验的需要，Fisher在试验设计和统计分析方面做出了一系列先驱工作，从此试验设计成为统计科学的一个分支。60年代，日本统计学家田口玄一将试验设计中应用最广的正交设计表格化。一、全因子试验设计概述3、正交试验的概念30年代，由于农业试验的需要，Fisher743、正交试验的概念例在提高合成氨纯度（%）的工艺研究中，发现因子A（温度）、因子B（压力）、因子C（反应时间）三个因子对Y有重要影响。每个因子设定高低两水平，考察这三个因子哪些因子的主效应和交互效应显著。取值如下：因子A（温度），低水平：460度，高水平：500度因子B（压力），低水平：250大气压，高水平：270大气压因子C（时间），低水平：20分钟，高水平：30分钟按全因子试验设计安排试验计划，得到下图正交表：一、全因子试验设计概述3、正交试验的概念例在提高合成氨纯度（%）的工艺研究中，75ABC1-1-1-121-1-13-11-1411-15-1-1161-117-1118111一、全因子试验设计概述（1）每一列中正负号出现次数各占一半，即在试验中，每个因子取低水平、高水平的次数相同。（2）任意两列中，++、+-、-+、--四种搭配出现的次数相等。即两列的乘积和为0，也就是代数上所说的“正交”。3、正交表的特点可概括为：均衡分散、整齐可比。ABC1-1-1-121-1-13-11-1411-15-1763、正交试验：主效应和交互效应的计算得到简化。例在合成氨生产中，考虑两个因子，每个因子取2水平。A：温度，低水平：7000C；高水平：7200C。B：压力，低水平：1200帕；高水平：1250帕。以产量y为响应变量（单位：kg），列表如下：编号A温度B压力AB产量1+1（720）+1（1250）+12702-1（700）+1（1250）-12303+1（720）-1（1200）-12204-1（700）-1（1200）+1200M+490500470M-430420450m+245250235m-215210225效应304010一、全因子试验设计概述3、正交试验：主效应和交互效应的计算得到简化。例在合成氨生774、试验的安排及中心点的选取试验设计中考虑到三个基本原则：重复试验：将一个试验条件都重复2次或更多次，可以对试验误差估计得更准确，但却大大增加试验次数。常用的方法是在“中心点”处重复3次或4次试验，进行完全相同条件下的重复，因而可以估计出试验误差即随机误差，增加了对于响应变量可能存在弯曲趋势估计的能力。安排因子2水平加中心点，可构成较好的全因子试验设计。一、全因子试验设计计划4、试验的安排及中心点的选取试验设计中考虑到三个基本原则：一785、代码化及其计算代码化，就是将因子所取的低水平设定的代码取值为-1，高水平设定的代码取值为+1，中心水平定为0。将自变量代码化后的好处：（1）代码化后的回归方程中，自变量及交互作用项的各系数可以直接比较，系数绝对值大者之效应比系数绝对值小者之效应更重要、更显著。（2）代码化后的回归方程内各项系数的估计量间是不相关的。（3）在自变量代码化后，回归方程中的常数项（或称截距）有了具体的物理意义。将全部自变量以“0”代入回归方程得到的响应变量预测值就是截距值。截距值就是全部试验结果的平均值，也是全部试验范围中心点上的预测值。一、全因子试验设计概述5、代码化及其计算代码化，就是将因子所取的低水平设定的代码取795、代码化及其计算例：假定温度低水平为820度，高水平为860度，则：中心值M=（低+高）/2半间距D=（高-低）/2=20代码值=（真实值-中心值M）/半间距D真实值=中心值M+代码值×半间距D低水平中心值高水平真实值820840860代码值-101一、全因子试验设计概述在本例中，代码值＝（真实值－840）/20，真实值＝840＋20×代码值5、代码化及其计算例：假定温度低水平为820度，高水平为8680回顾：试验设计的步骤1、计划阶段（1）阐述目标（2）选择响应变量（3）选择因子及水平（4）选择试验计划2、实施阶段严格按计划矩阵的安排进行试验。记录响应变量和试验过程中的所有状况，包括环境（气温、室温、湿度、电压等）、材料、操作员等。3、分析阶段按照所应用设计类型相适应的分析方法进行分析。4、验证阶段进行验证试验。回顾：试验设计的步骤1、计划阶段81二、全因子试验计划拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达到？模型要改进吗？进行验证试验进行下批试验YNNY阐述目标选择响应变量选择因子及水平选择试验计划实施试验计划分析试验结果二、全因子试验计划拟合选定模型进行残差诊断对选定模型进行分析82例：在压力成型塑胶板生产中，经过因子的初步筛选后，最后得知，影响成型塑胶板强度的因子有三个：成型压力（pressure）、压膜间距（distance）及压力角（angle）。我们要判断哪些因子的主效应及哪些交互效应是显著的，哪种生产条件下可以获得最大的成型塑胶板强度（strength）。A：成型压力，低水平：300Pa；高水平：400PaB：压膜间距，低水平：60mm；高水平：70mmC：压力角，低水平：20度；高水平：24度准备做全因子试验并安排4个中心点（即23+4）的试验，如何安排试验计划？(DOE_塑胶板.mtw)二、全因子试验计划例：在压力成型塑胶板生产中，经过因子的初步筛选后，最后得知，83二、全因子试验计划二、全因子试验计划84得到标准顺序的试验设计表格。如果选中“随机化运行顺序”，则可以得到随机化试验设计表格。二、全因子试验计划得到标准顺序的试验设计表格。如果选中“随机化运行顺序”，则可85拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达到？模型要改进吗？进行验证试验进行下批试验YNNY三、全因子试验设计的分析拟合选定模型进行残差诊断对选定模型进行分析解释目标是否已经达86选定拟合模型的主要任务是根据整个试验的目的，选定一个数学模型。通常可以选定“全模型”，即包含全部因子的主效应及全部因子的二阶交互效应。如果某些主效应和二阶交互效应不显著，则应改进模型，删除不显著的项。三、全因子试验设计的分析1、选定拟合模型选定拟合模型的主要任务是根据整个试验的目的，选定一个数学模型871、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：A、总效果H0：模型无效H1：模型有效主效应和2因子交互作用中至少有一项P<0.05，可判定模型总体有效。如果上述两项的P值都大于0.05，说明模型总体无效。（1）试验误差太大。如果试验误差是由于测量系统造成的，则应对测量系统进行改进。（2）试验中漏掉了重要因子。（3）模型本身有问题。如模型存在失拟现象，或数据本身有较强的弯曲性。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验881、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：B、失拟现象H0：无失拟H1：有失拟如果失拟项的P值大于0.05，则无法拒绝原假设。即可判定模型无失拟现象。如P小于0.05，说明模型漏掉了重要项。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验891、选定拟合模型第一要点是分析评估回归的显著性对于方差分析表的分析：C、弯曲项H0：无弯曲H1：有弯曲如果弯曲项的P值大于0.05，则无法拒绝原假设。即可判定模型无弯曲现象。如P小于0.05，说明模型应该补充二次项。三、全因子试验设计的分析1、选定拟合模型第一要点是分析评估回归的显著性三、全因子试验901、选定拟合模型第二要点是分析评估回归的总效果A、两个确定系数R2及拟合的总效果可以用确定系数R2及（调整的确定系数）来确定。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回归的总效果三、全因子试验911、选定拟合模型第二要点是分析评估回归的总效果A、两个确定系数R2及三、全因子试验设计的分析因为通常p>1;所以通常R2adj比R2稍小。在实际应用中，要判断两个模型的优劣可以从二者的接近程度来判断，二者之差越小说明模型越好。当自变量个数增加时，不管增加的这个自变量是否显著，

R2都会增加一些，因而在评价这个自变量是否该加入回归方程时，

R2就没有价值了；R2adj是扣除了回归方程中所受到的包含项数的影响的相关系数，因而可以更准确地反映模型的好坏。1、选定拟合模型第二要点是分析评估回归的总效果三、全因子试验921、选定拟合模型第二要点是分析评估回顾的总效果B、对于s的分析所有观测值与理论值之间都存在误差，总假定这个误差服从以0为均值、方差为σ2的正态分布，可以认为s值是σ的无偏估计。比较两个模型的优劣最关键的指标就可以选择s。哪个模型的s值小，哪个模型好。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验931、选定拟合模型第二要点是分析评估回顾的总效果C、对于预测结果的整体预测主要有两个统计量：PRESS和R-Sq（预测）。PRESS是预测的误差平方和，与SSE很相似，但对于第i个观测值的预测值所使用的回归方程不是用全部观测值来获得的，而是将第i个观测值删除后拟合的回归方程，求其残差。即对所有观测值轮番删除一个，计算残差平方和。PRESS通常比SSE要大一些，但如果大得不多，说明数据点中有特殊地位的点不多，或影响不大。用此作为回归方程的预测结果比较可信。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验941、选定拟合模型第二要点是分析评估回顾的总效果C、对于预测结果的整体预测另一个统计量是R-Sq（预测）。将SSE换成PRESS，可以得到预测的R2简记为R-Sq（预测）。R-Sq（预测）通常比R2（R-Sq）小一些，小得不多说明数据中有特殊地位的点不多。三、全因子试验设计的分析1、选定拟合模型第二要点是分析评估回顾的总效果三、全因子试验951、选定拟合模型第三要点是分析评估各项效应的显著性在结果输出的最开始部分就是各回归系数（代码化后）的统计检验。这里列出了各项的效应、回归系数及P值。一般情况下，如果P值大于0.05，说明对应项不显著，在修改模型时应该删除。需要注意的是，如果一个高阶项是显著的，则此高阶项所包含的低阶项也必须被包含在模型中。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子961、选定拟合模型第三要点是分析评估各项效应的显著性对于各项效应的显著性，计算机还输出一些辅助图形帮助我们判断有关结论。最重要的就是Pareto效应图、正态效应图。Pareto图是将各效应t检验的t值作为纵坐标，按照绝对值大小排列起来，给出t的临界值，绝对值超过临界值的效应将被选中。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子971、选定拟合模型第三要点是分析评估各项效应的显著性将各因子的效应按从小到大（正负号考虑在内）排成序列，将这些效应点标在正态概率图上，就是正态效应图。假定少数因子效应显著（效应稀疏原则），挑选位于中间的一些点拟合一条直线，则远离直线的点效应显著，正效应在直线的右（上）方，负效应在直线的左（下）方。三、全因子试验设计的分析1、选定拟合模型第三要点是分析评估各项效应的显著性三、全因子982、残差诊断残差诊断应包含四个步骤：（1）在“四合一”图的右下角图中，观察残差对于以观测值顺序为横轴的散点图。重点考察在此散点图中，各点是否随机地在水平轴上下无规则地波动着。（2）在“四合一”图的右上角图中，观察残差对于以响应变量拟合预测值为横轴的散点图，重点考察此散点图中，残差是否保持等方差性，即是否有“漏斗型”或“喇叭型”。（3）在“四合一”图的左上角正态概率图（或左下角直方图）中，观察残差的正态性检验图，看残差是否服从正态分布。（4）观察残差对于以各自变量为横轴的散点图，重点考察此散点图中是否有弯曲趋势。三、全因子试验设计的分析2、残差诊断残差诊断应包含四个步骤：三、全因子试验设计的分析992、残差诊断残差不正常表现两种情况：1、残差出现漏斗型、喇叭型说明对响应变量需要做某种变换。一般采用BOX-COX转换。2、残差出现U型或反U型说明需要增加x的平方项或立方项。三、全因子试验设计的分析2、残差诊断残差不正常表现两种情况：三、全因子试验设计的分析1003、判断模型是否需要改进1、残差对拟合预测值的诊断图中，是否有不齐性或弯曲的情形？如果此图有问题，则提示我们要对响应变量y作某种变换后才行，将y作变换后一切重新开始。2、残差对于自变量的诊断图中，是否有弯曲的情形？如果确实有弯曲，应考虑增加因子的平方项甚至立方项才会使模型拟合得更好。3、基于各项效应及回归系数计算的显著性分析中是否有不显著项。如果发现有些主效应项或交互效应项不显著，在修改模型时应将这些项从模型中删除，模型的拟合也要重新进行。三、全因子试验设计的分析3、判断模型是否需要改进1、残差对拟合预测值的诊断图中，是1014、对选定模型进行分析解释（1）输出各因子的主效应图和交互效应图从图形中进一步确认所选中的主因子和交互效应作用项是否真的显著，而未选中的主因子和交互作用项是否真的不显著。交互作用显著时，主效应图的参考价值不大。三、全因子试验设计的分析4、对选定模型进行分析解释（1）输出各因子的主效应图和交互1024、对选定模型进行分析解释（2）输出等值线/响应曲面从等值线、响应曲面图上进一步确认响应变量是如何受主因子和交互作用项影响的，它的变化规律如何？从等值线、响应曲面图上可以直观地看到整个试验范围内的最佳值的位置。等值线、响应曲面图都只能对两个自变量作图，所以当自变量个数超过2个时，要两两作图。Minitab可以一次给出所有两两组合的图形。三、全因子试验设计的分析4、对选定模型进行分析解释（2）输出等值线/响应曲面三、全1034、对选定模型进行分析解释（2）输出等值线/响应曲面等实际应用中，如果两个自变量无交互作用时，等值线图是一组平行线，响应曲面是平面，几乎不增加新的信息。为了集中精力研究变化规律，最重要的是绘制有交互作用的那些自变量就可以了。三、全因子试验设计的分析4、对选定模型进行分析解释（2）输出等值线/响应曲面等三、1044、对选定模型进行分析解释（3）实现最优化优化目标有望大、望小、望目三种类型望大型：“设置”中只填“下限”和“望目”两项，下限一般填试验结果中出现过的最小值，以此为起点；“望目”一般远高于试验中出现的最大值(计算机达到此值后停止搜索）望小型：“设置”中只填“上限”和“望目”两项望目型：三个值都要填。“望目”填目标值，“下限”“上限”填允许的范围。三、全因子试验设计的分析4、对选定模型进行分析解释（3）实现最优化三、全因子试验设1054、对选定模型进行分析解释（3）实现最优化按照具体问题的望大、望小和望目特性在数值上求出在整个试验范围内的最佳值。响应优化器可以进行人机交互，通过拖动红线或在红色数值区双击直接输入数值进行调整，用人工方法选优。三、全因子试验设计的分析4、对选定模型进行分析解释（3）实现最优化三、全因子试验设1065、判断目标是否已经达到通常的做法是先算出在最佳点的观测值的预测值及其变动范围，然后在最佳点做若干次验证试验（通常3次以上）。如果验证试验的结果的平均值落入事先计算好的范围内，说明一切正常；否则就要进一步分析发生错误的原因，改进模型，再重新验证。三、全因子试验设计的分析5、判断目标是否已经达到通常的做法是先算出在最佳点的观测值1075、判断目标是否已经达到求预测区间有两种预测方法：1、统计>回归>回归，先要将所有交互作用的乘积计算后形成新列，进行回归分析；按选定模型中自变量的顺序填写上最优设置的数值，包括交互项的具体数值。2、统计>DOE>因子>分析因子设计，不需要在工作表中填写交互作用对应列；在因子设置窗口中只按顺序填写模型中保留的主因子的值，不需要交互项的具体数值。三、全因子试验设计的分析5、判断目标是否已经达到求预测区间有两种预测方法：三、全因1085、判断目标是否已经达到将预计的最佳值与原试验目标相比较。如果离目标尚远，则应考虑安排新一轮试验，通常在本次获得的或预计的最佳点附近，重新选定试验的各因子及其水平，继续做因子设计（DOE）或回归设计（RSM），以获得更好的效果。如果已基本达到目标，则要做验证试验以确保将来按最佳条件生产能获得预期效果。三、全因子试验设计的分析5、判断目标是否已经达到将预计的最佳值与原试验目标相比较。109四、全因子试验设计实例续前例(DOE_塑胶板.mtw)按照试验计划实施全因子试验，结果如下：标准序运行序中心点区组压力距离角度强度1111300602061.82211400602055.33311300702089.14411400702063.55511300602455.26611400602449.67711300702494.88811400702461.39901350652273.3101001350652260.2111101350652269.5121201350652259.1四、全因子试验设计实例续前例(DOE_塑胶板.mtw)1101、选定拟合模型选择全部主效应项和二阶交互作用项：四、全因子试验设计实例1、选定拟合模型四、全因子试验设计实例1111、选定拟合模型主效应项P=0.005，总模型显著。弯曲P=0.844，说明模型无弯曲；失拟P=0.686，说明无失拟。R-Sq=92.35%，R-Sq（调整）=83.17%，二者差别较大，模型还有改进余地，S=5.60846。因子A、B、和A*B作用显著。其他效应不显著。四、全因子试验设计实例1、选定拟合模型四、全因子试验设计实例1122、进行残差诊断四、全因子试验设计实例2、进行残差诊断四、全因子试验设计实例1133、判断模型是否需要改进保留主效应A、B和交互作用A*B。全模型与删减模型效果比较表全模型删减模型变化R-Sq92.35%90.06%↓R-Sq（调整）83.17%86.34%↑S5.608465.05327↓PRESS543.932370.127↓R-Sq（预测）73.45%82.00%↑四、全因子试验设计实例3、判断模型是否需要改进全模型与删减模型效果比较表全模型删1142、进行残差诊断四、全因子试验设计实例2、进行残差诊断四、全因子试验设计实例1154、对选定模型进行分析解释经过前三步的多次反复，已获得一个我们认为最满意的方程，将它选定为模型。最后确定的回归方程为：四、全因子试验设计实例4、对选定模型进行分析解释经过前三步的多次反复，已获得一个1164、对选定模型进行分析解释（1）输出各因子的主效应图、交互效应图四、全因子试验设计实例4、对选定模型进行分析解释（1）输出各因子的主效应图、交互1174、对选定模型进行分析解释（2）输出等值线图、响应曲面图四、全因子试验设计实例4、对选定模型进行分析解释（2）输出等值线图、响应曲面图四1184、对选定模型进行分析解释（3）实现最优化：望大类型问题当因子A（压力）取300Pa，因子B（距离）取70mm，强度达到最大91.6833。四、全因子试验设计实例4、对选定模型进行分析解释（3）实现最优化：望大类型问题当1194、对选定模型进行分析解释在试验过程中，7号的试验结果为94.8，超过响应优化器求出的最大值。原因是试验总是有误差，