即处理因素的效果，应注意：
（1）正确选用观察指标来反映实验效应。所选指标要灵敏、精确、客观，最好选用定量指标。
（2）指标观察时应避免偏性，可采用盲法。
三、实验设计的基本原则
1.对照原则：即实（试）验要设立对照，使得除实验因素外，对照组与实验组其余因素保持一致，常用的对照有：空白对照、安
慰剂对照、标准对照、实验对照、自身对照和历史对照等。
2.重复原则：即研究对象要有一定的数量，或者说样本含量应足够。根据每个具体研究，可有不同的方法来进行样本含量估计。
3.随机化原则：即应保证每个实验对象都有同等机会进入实验或接受某种处理。常用方法有查随机数字表和随机排列表等。随机化是保证均衡性的重要手段。
4.均衡原则：即各处理组非实验因素的条件基本一致，以消除其影响。
四、常用的实验设计方法
1.完全随机设计
将实验对象随机分配至两个或多个处理组去进行实验观察，又称单因素设计、成组设计。
优点：操作简单、应用广泛。
缺点：效率低，只能分析单因素的效应。
资料处理方法：t，u检验，方差分析、秩和检验、卡方检验等。
2.配对（伍）设计
将受试对象配成对子或配伍组，以消除非实验因素的影响。配伍设计又称随机区组设计。配对有自身配对和不同个体配对，配
伍实际上是配对的推广。
优点：所需样本数和效率均高于成组设计，而且很好地控制了混杂因素的作用。
缺点：配对条件不宜满足。
资料处理方法：配对t, u检验，秩和检验、配伍组方差分析、配对四格表卡方检验等。
3.其它实验设计方法：
（1）交叉设计：在配对设计基础上再加入时间因素，可分析不同阶段的效应。
（2）析因设计、拉丁方设计和正交设计等。
实验设计的意义、原则与基本内容<转>
0
实验设计的意义、原则与基本内容 一、实验设计的意义
实验设计是科学研究计划内关于研究方法与步骤的一项内容。在医学科研工作中，无论实验室研究、临床疗效观察或现场调查，在制订研究计划时，都应根据实验的目的和条例，结合统计学的要求，针对实验的全过程，认真考虑实验设计问题。一个周密而完善的实验设计，能合理地安排各种实验因素，严格地控制实验误差，从而用较少的人力、物力和时间，最大限度地获得丰富而可靠的资料。反之，如果实验设计存在着缺点，就可能造成不应有的浪费，且足以减损研究结果的价值。总之，实验设计是实验过程的依据，是实验数据处理的前提，也是提高科研成果质量的一个重要保证。
二、实验设计的原则
实验设计有属于专业方面的，有属于统计方面的。从统计方面说，主要应当考虑对照、重复、随机化等问题，这就是所谓实验设计的三原则。其具体内容我们将在第二、三、四节介绍。
三、实验设计的基本内容
（一）拟定相互比较的处理 所谓处理，指的是在实验研究中欲施加给受试对象的某些因素。如营养实验的各种饲料，治疗某病的几种疗法或药物，药理研究中某药的各种剂量等。在实验的全过程中，处理因素要始终如一保持不变，按一个标准进行实验。如果实验的处理因素是药物，那么药物的成份、含量、出厂批号等必须保持不变。如果实验的处理因素是手术，那么就不能开始时不熟练，而应该在实验之前使熟练程度稳定一致。
（二）确定实验对象及数量 这里指的是实验所用的动物或活体组织标本等。在实验设计中，要根据实验观察的目的与内容，明确规定采用什么样的实验对象，实验对象中的每个实验单位必须具备的条件与要求，以保证受试对象的一致性。实验对象需要有一定的数量，例数不能太少，也不宜过多。如何估计例数，详见第四节。
（三）确定将各实验单位分配到各种处理中去的原则 这主要是随机分配或随机化问题。第三节将介绍几种常用的随机分组方法。
（四）拟定观察项目和登记表 要根据研究目的和任务，选择对说明实验结论最有意义，并具有一定特异性、灵敏性、客观性的观察项目。必要的项目不可遗漏，数据资料应当完整无
缺；而无关紧要的项目就不必设立，以免耗费人力物力，拖延整个实验的时间，尔后，要按照观察项目之间的逻辑关系与顺序，编制成便于填写和统计的登记表，以便随时记录实验过程中获得的数据资料。同一项目的度量衡单位必须统一符号（如+、++、+++等），应有明确的定义。
（五）拟定对资料整理分析的预案 这就是对将获得的数据资料准备如何进行整理？要计算哪些统计指标？用什么统计分析方法？事先必须有个初步的设想。例如对计数资料，是计算率还是百分比？若计算率，分子是什么？分母是什么？各组同一项目的某个率或百分比如何进行比较？又如对计量资料，是计算算术均数、几何均数还是中位数？同一项目各均数间应采用什么方法作比较？切忌实验设计时不认真考虑，实验过后拿数字去找统计方法。
Blocking 是什么？
0
Blocking is a technique used to remove the expected variation caused by some change during the course of the experiment. For example, you may need to use two different raw material batches to complete the experiment, or the experiment may take place over the course of several shifts or days. Design-Expert provides various options for blocking, depending on how many runs you choose to perform. The default of 1 block really means \blocking.\
For example, in experiments with 16 runs, you may choose to carry out the experiment in 2 or 4 blocks. Two blocks might be helpful if, for some reason, you must do half the runs on one day and the other half the next day. In this case, day to day variation may be removed from the analysis by blocking.
When you choose to block your design, one or more effects will no longer be estimable. You can look at the alias structure to see which effects have been \to blocks.\This is especially important when you have 4 or more blocks. In certain cases, a two-factor interaction may be lost and so then you will want to make sure that the interaction is not one that you are interested in.
Another note about blocking - it is assumed that the block variable does not interact with the factors. The effect must only be a linear shift, and not be dependent on the level of one or more of the factors under study.
Important: If you try to block on a factor, that factor will be aliased with the block and you will not get any statistical details on the effect of that factor. Only block on things that you are NOT interested in studying.
Example: You are trying to determine the effects of factors in a coating process such as speed, temperature, and pressure on your product’s tensile and elongation properties. Due to the number of runs involved, you will need to use two different batches of raw material. You expect that variations in the raw material may have an effect on the response, but you are not interested in studying that effect at this tim
e. Therefore, raw material is NOT a factor and you should block on it instead. This will remove the effect of raw material on tensile and elongation from the ANOVA and allow you to better identify the other factor effects.
On the other hand, if you want to study the effect of raw material batch variation, then it should be included as a factor and you should NOT set up blocks on this factor. You may need to restrict the randomization by modifying the run order. Be aware that unidentified time-based effects could influence the results of your experiment when you restrict randomization.
[原创 来自发酵人]区块化设计有利于提高分析质量。在培养基优化过程中由于因素之间的交互性和生物反应的复杂性，任何其它因素都有可能对实验产生巨大的干扰现象。为了尽可能减少其它因素的作用，而突出主因素效应，选择blocking是很有意义的。比较在实验过程中一次BB设计需要60多个RUNS。那么因为消毒锅不能同时灭菌，接种时间长，放瓶时间长等，这样我们就可以设计2个blocking。将实验分成两次，这样将消除灭菌时间不同的影响和减少接种和放瓶时间长度。这是一个例子，也不一定合理，因为分两次做的时候会带来种子的差异，这种差异通过对照实验不一定能很好的消除。所以它只是用来解释一下blocking 设计可以将几个不想分析的干扰去除，合理性大家可以讨论。
另外区块化实验可以使实验的风险大大降低，一次在的试验如果失败，损失也会很大，同时特别打击人的积极性。而区块化之后可以将一次大的实验分成几次完成，这就是sequential experimentation的一项重要措施。
Blocking in Central Composite Designs( from design expert help)
Blocking in Central Composite Designs（中心组合中的区块化）
Central composite designs may be carried out in blocks. Blocking is advantageous when all of the experiments cannot be carried out in one day or with one batch of material. The factorial points can be divided in such a way that the blocked effect is eliminated before computation of the model. The first one or more blocks consists of the factorial design with some center points. The remaining block consists of the star points（也叫轴向点） with additional center points.（两个区块中都包括中心点，这是进行误差分析必须的）
Blocking schemes vary depending on the design and the number of factors. A sample blocking selection for a central composite design with 4 factors is shown below. （4因素实验需要的run）
1 Block : 30 experiments
2 Blocks : 20 experiments, 10 experiments
3 Blocks : 10 exp., 10 exp., 10 exp.
1 block is really no blocking. 2 blocks split the design into the factorial portion and the star points. For 3 blocks the factorial design portion is split into two blocks w
hile the star points make up the third block.
Various blocking patterns are offered as options for the central composite designs. In addition, the block assignments can be changed after the design is created. (Right click on the block column header in the design layout screen.)
When the experiment is blocked, there will be an additional choice of the alpha level to use. The choice is between the alpha value for perfect rotatability and the alpha value for perfect orthogonality of the blocks. Often, these values are close enough to make the difference unimportant.(有两种alpha值，一个是为了旋转分析需要，一种是正交分析需要，这些值经常比较接近，这样可能减少差异) The default is the value for rotatability.
[求助]数据分析
0
大家帮忙看看我做的响应曲面数据如何?谢谢! Response 1
ANOVA for Response Surface Quadratic Model
Analysis of variance table [Partial sum of squares - Type III] Sum of Mean F p-value
Source Squares df Square Value Prob > F Model 12.14 9 1.35 27.25 0.0001 significant A-时间 2.42 1 2.42 48.90 0.0002 B-功率 2.92 1 2.92 58.92 0.0001 C-料液比 0.14 1 0.14 2.89 0.1328 AB 0.58 1 0.58 11.67 0.0112 AC 0.25 1 0.25 5.05 0.0594 BC 0.33 1 0.33 6.68 0.0362 A^2 3.69 1 3.69 74.49 < 0.0001 B^2 1.20 1 1.20 24.19 0.0017 C^2 0.20 1 0.20 4.05 0.0840 Residual 0.35 7 0.049
Lack of Fit 0.29 3 0.095 6.22 0.0548 not significant Pure Error 0.061 4 0.015 Cor Total 12.48 16
Std. Dev. 0.22 R-Squared 0.9722 Mean 7.95 Adj R-Squared 0.9366 C.V. % 2.80 Pred R-Squared 0.6267 PRESS 4.66 Adeq Precision 19.201