1 正交设计概述
1.1 基本定义与核心思想
正交设计（Orthogonal Design）是一类实验设计方法，旨在用较少的实验次数获取关于多个因素影响的信息。其核心做法是：通过安排实验中各因素取值，使得因素间的“贡献”在统计意义上尽量可分离，从而降低混杂（confounding），提升对效应的估计效率与可解释性。通常在多因素、每个因素有多个水平的场景中使用，用于筛选关键因素、建立近似响应关系，或为后续更精细的建模实验提供起点。
1.2 正交性的含义与目标
这里的“正交”并非几何上的垂直，而是指试验组合在设计矩阵层面满足特定的正交性条件：不同因素的取值安排在统计上相互独立或近似独立，使得估计某一因素主效应时，尽可能不受其他因素取值的影响。目标通常包括：
- 提高参数估计的效率（在相同实验预算下获得更稳定的结论）
- 减少系统性混杂，使效应解释更直接
- 在筛选阶段快速定位可能的关键因素与合适取值范围
1.3 与其他实验设计的对比（直观层面）
从直观上看，常见对比可概括为：正交设计偏向“均衡覆盖”和“结构化可分离”；全因子设计强调“穷举”，但实验量随因素与水平迅速膨胀；部分因子设计强调减少数量但不一定保证同等的可分离性；回归/响应面类设计（如基于连续变量的多项式拟合）更强调建模精度与几何取点分布。正交设计在“因素离散、希望先粗筛”的任务中尤为常见。
1.4 常见应用场景与价值
正交设计广泛用于需要同时考量多因素的流程优化与研发活动，例如：
- 工程参数筛选：如加工条件、材料成型工艺的参数选择
- 化学工艺条件：如反应温度、催化剂用量、溶剂条件的筛查
- 材料配方开发：如配比比例、固化条件、添加剂水平的比选
- 产品研发：如配方、工艺与环境因素对性能指标的影响评估
其价值主要体现在：用更少实验获得结构化的因子信息，便于形成下一步迭代计划，并减少试错的成本。
2 方法基础：因素、水平与试验结构
2.1 因素类型与取值形式
在正交设计中，“因素”是被操控或被视为可变的变量。因素的取值形式通常按任务需要组织为：
- 离散水平：例如“低/中/高”或若干离散取值点
- 编码后的水平：在计算中常把实际取值映射为符号水平（如1、2、3），再由编码矩阵参与估计
对于连续变量，常通过预先设定区间并离散化为若干水平来进入正交设计流程；后续若需要精细拟合，可在筛选后改用连续建模方案。
2.2 水平数量与实验规模
每个因素的“水平数量”直接决定试验规模上限与可构造空间。一般而言：
- 水平越多，单因素信息量潜在更大，但组合爆炸更快
- 选择合适的水平数能在“探索范围”和“实验预算”之间取得平衡
正交设计的优势在于：在不走向全因子穷举的情况下，仍能保持一定的正交性与可分离性。
2.3 试验点（组合）的构成方式
试验点是由多个因素在某一条试验中共同取值构成的“组合”。正交设计的关键在于：这些组合并非任意抽取，而是由正交结构（如正交表）生成，使得在多条试验之间，每个因素的水平出现次数保持均衡，并与其他因素的水平组合关系满足正交准则。 因此，试验点的构成方式可理解为一种“有约束的排布”。
2.4 随机化与重复：为何仍可能需要
尽管正交性强调结构层面的可分离，现实实验仍存在噪声、批次效应、仪器漂移等随机因素。为提高统计可靠性，实践中常见做法包括：
即使采用正交结构，误差建模与质量控制仍是必要环节；正交性并不等同于消除所有随机波动。
3 正交表（Orthogonal Array）与构造原则
3.1 正交表的概念与常见符号
正交表可视为一种“预先排好”的实验组合矩阵：行表示试验点，列表示因素。表中每个单元格给出该试验点中某因素取用的水平。常见记号会用到“行数/列数/强度”等概念（具体符号体系可因教材或软件不同而略有差异）。 在应用层面，正交表提供了两类信息：如何安排水平组合，以及由此带来的估计可分离性。
3.2 规格、强度与正交性条件
构造与选择正交表时，通常关注：
- 规格：涉及列数、水平数等结构参数
- 强度（strength）：反映正交性在“交叉层面”能覆盖到多高阶的因素组合
直观理解：强度越高，意味着在某种意义下，不同因素（或因素的组合）之间的混杂被更严格地控制。但强度提高往往伴随表规模或构造难度增加，需要在目标与预算之间权衡。
3.3 常见正交表类型与适用情形
在实践中，正交表的类型选择通常与因素水平数、所需列数以及允许的实验量相关。某些表适合等水平（所有因素同为相同水平数）的情形，另一些表面向混合水平（不同因素水平数不同）。 当任务中出现不完全匹配时，常见策略包括：采用“接近的正交表”并做列映射、或对水平进行编码后选择可保证正交性条件满足要求的结构。
3.4 选择/构造正交表的基本流程
一般流程可概括为：
- 明确因素清单与水平数：确定每个因素取几个水平
- 设定目标：是主要做主效应筛选，还是需要更高阶的正交覆盖
- 选择可用正交表：优先使用标准正交表以降低构造错误风险
- 映射因素到列：把因素按列的容量与水平兼容性进行分配
- 检查正交性与可估计性：确认在目标层面上混杂被控制到位
- 形成试验计划并执行：必要时加入随机化与重复
该流程强调“先匹配结构，再谈分析”，避免后期用统计补救设计缺陷。
4 实验实施：从方案到数据
4.1 响应变量与评价准则
响应变量（response）是实验要观测的指标，例如强度、收率、稳定性、成本或综合评分。评价准则需事先明确其度量方式与方向性：
- 是追求最大化还是最小化
- 是否需要对指标进行变换（如对数、标准化）以满足分析假设或提升拟合稳定性
在正交设计的筛选阶段，响应变量通常只需保证可重复、测量一致，并在后续建模时再进一步优化处理。
4.2 试验执行与记录要点
执行环节应注重可追溯性与一致性记录，例如：
- 每次试验的原始配方/设定参数
- 关键操作条件（如环境温湿度、批次信息）
- 测量仪器状态与校准信息
对于包含多个步骤的工艺，最好把“步骤间不可控差异”记录到位，以便在数据异常时定位原因。
4.3 数据整理与效应计算思路
正交设计的分析常从“效应”角度展开。效应计算的一般思路是：对同一因素在不同水平下的响应取样本均值（或加权均值），再比较这些均值的差异，以形成主效应估计与排序。 在结构上，正交性保证了这种比较更接近于“该因素变化带来的影响”，而不是被其他因素组合所强烈掩盖。
4.4 异常点与缺失值的处理建议
异常点与缺失值不可避免。较稳健的处理建议包括：
- 记录异常原因：如设备故障、操作偏差、原料批次异常
- 对缺失值：优先考虑补做或采用明确的统计规则（例如仅对完整记录计算效应，并在报告中说明损失）
- 避免“事后裁剪”：应在实验设计时就约定处理准则，减少人为偏差
当异常点与特定因素水平关联时，可能揭示系统性问题，应结合过程信息而不仅仅是纯统计规则。
4.5 结果可复现性与版本管理（实践）
正交设计对“输入方案—输出数据—分析脚本”的一致性要求较高。实践中常见做法是：
- 方案版本：明确正交表选型与列映射规则
- 数据版本：保留原始数据与清洗后的版本
- 分析脚本：记录计算口径，如效应计算方法、异常值处理规则
这样能使团队在复现实验或进行后续迭代时更高效，避免“看似同一方案却因映射/口径不同导致结论漂移”。
5 统计分析：从正交结果到结论
5.1 均值分析与主效应估计
主效应分析通常以“均值差异”为基础：对每个因素分别在不同水平下的响应进行汇总，计算均值并比较，从而判断哪些因素对响应有更明显的影响。 在筛选任务中，这种分析方式直观且与正交结构高度契合，适合快速形成“优先关注因素”的清单。
5.2 方差分析框架下的解释（思路）
在需要更形式化解释时，可把正交设计的结果置于方差分析（ANOVA）的框架中：将总变异分解为因素导致的变异与误差变异等部分，从而对因素是否具有显著影响给出解释性依据。 即便不进行复杂建模，ANOVA的思路也有助于区分“均值差异”与“差异是否可能由噪声造成”，从而提升结论可信度。
5.3 交互作用的处理与注意事项
正交设计在保证主效应可分离方面较强，但交互作用（因素两两或更高阶的耦合）是否能被有效识别取决于设计的结构强度与样本安排。实践中常见提醒包括：
- 交互作用估计可能不稳定：尤其当实验量较少或强度不足
- 主效应排序不等同于交互显著性：两个因素可能分别不强，但组合却显著
因此，在报告中最好明确分析范围：如果目标主要是筛选主效应，应避免把交互结果当作确定性结论，必要时安排后续验证或专门的交互设计。
5.4 方差贡献与敏感性解读
当结合方差分解或效应幅度指标时，可以从“贡献大小”角度解读敏感性：哪些因素对响应变化更敏感，哪些因素影响相对较小。 敏感性解读需注意两点：其一，贡献评估依赖于响应尺度与波动结构；其二，敏感并不自动意味着“选某一极端水平一定最优”，仍需结合后续验证与可能的非线性。
5.5 置信度与不确定性（简要）
无论采用均值差异还是ANOVA框架，结论都伴随不确定性。简要层面上，建议在可行时提供：
- 误差估计或重复带来的波动范围
- 因素效应排序的稳定性（例如重复实验中排序是否一致）
- 对关键推荐组合进行置信验证
在没有重复或误差估计不足时，应更谨慎地表述结论强度。
6 参数优化与后续建模
6.1 使用正交设计进行筛选（Screening）
正交设计常被用作筛选阶段：快速从众多候选因素中识别出影响较大的变量与大致可行水平范围。此时通常关注“谁更重要”和“粗略的推荐水平”，而非追求精确的最优点。 筛选完成后，剩余因素数量会显著减少，为后续建模或精细优化降低维度。
6.2 最优水平组合的确定方法
常用做法是基于主效应估计与响应方向确定候选最优组合：对每个重要因素选择在该响应指标上表现更好的水平，再组合成候选方案。 需要注意的是：主效应驱动的“最优组合”可能在存在交互或强非线性时偏离真实最优，因此它通常作为“候选建议”，而非最终保证。
6.3 与响应面方法（RSM）的衔接
在筛选后，如果需要对响应随连续变量变化的趋势进行更细致刻画，常将正交设计结果与响应面方法（RSM）衔接。思路是：用筛选阶段确定关键因素与大致水平区域，再在该区域开展更适合拟合的试验（例如二阶多项式或更复杂的局部近似）。 这种衔接能显著减少RSM阶段需要处理的维度，提高建模效率。
6.4 分阶段设计：先粗筛再细调
分阶段策略强调迭代：
- 第一阶段：正交设计完成粗筛与范围定位
- 第二阶段：在关键因素上进行更精密的实验设计，获得更高拟合精度与更可靠的最优解
这种流程在资源有限时尤其有价值：避免一开始就投入昂贵的高精度建模。
6.5 置信验证试验（确认实验）
对筛选阶段推荐的最优水平组合或候选方案，通常应进行确认实验（confirmation test）。确认实验的意义在于检验：
- 候选组合是否在实际条件下可重复实现
- 主效应驱动的建议是否因交互或过程非线性而偏差
若确认结果不理想，应回到模型或设计阶段重新评估因素选择、水平范围与误差来源。
7 典型案例与模板化流程
7.1 工程参数筛选示例（通用叙述）
假设需要优化加工或装配过程中的多项设定，如速度、温度、压力和时间等。可将每个因素离散为若干水平，采用正交表生成试验组合，并在每次试验中测量关键质量指标（如尺寸误差、强度或良品率）。分析阶段先估计主效应并排序，再提出少量候选“推荐组合”，最后通过确认实验验证关键改进是否成立。 在工程场景中，建议把设备状态与批次信息纳入记录，以便对异常来源进行定位。
7.2 化学工艺条件优化示例（通用叙述）
在化学工艺中，因素可能包括反应温度、催化剂用量、溶剂选择或搅拌强度等。正交设计用于筛选显著影响收率或纯度的关键条件。执行时需确保计量与加料顺序一致，并记录可能影响反应动力学的操作细节。 筛选完成后，将关键因素缩小到更合适的范围，再进行精细化实验或响应面建模，以得到更可靠的工艺窗口。
7.3 材料配方因素筛选示例（通用叙述）
材料配方常涉及多种原料比例与固化/成型条件。正交设计能够在有限配方试验预算下，比较各因素对性能（如强度、韧性、耐久性或外观质量）的影响。分析时可将响应按测量口径统一处理，采用主效应差异与方差分解思路判断因素的重要性。 最终通常需要对推荐配方进行确认，并结合材料制备过程中的不可控波动进行复测。
7.4 结果汇报的“可读性结构”（模板）
为提高团队协作与复盘效率，汇报可采用结构化模板：
- 目标与响应变量：说明优化方向、指标定义与测量方式
- 因素与水平：列出因素清单、水平取值与编码映射
- 设计方案：给出正交表选型与列映射、试验次数与执行方式
- 数据与质量控制：异常处理口径、是否随机化与重复情况
- 分析结果：主效应排序、关键因素推荐水平（含不确定性口径）
- 结论与建议：推荐组合及理由
- 确认实验与后续计划：验证结果、需要迭代的点
该结构能保证结论可追溯、建议可执行。
8 常见误区与限制
8.1 忽略交互导致的偏差
当因素之间存在明显的交互作用时，仅依据主效应形成的推荐组合可能出现偏差。应在筛选后通过确认实验或补充设计验证推荐方案，并在报告中避免过度外推。
8.2 因素水平设置不合理
若水平范围与真实可行区间不匹配，例如过窄导致差异看不出来，或过宽引入非线性与失败风险，正交设计得到的结论会失真。水平设置需结合经验与过程约束，必要时先做小规模试探确定可行区。
8.3 过度依赖正交表而忽视验证
正交表提供的是“结构化的比较框架”，并不保证真实系统满足模型假设。若缺少确认实验或误差评估，结论可能只反映实验噪声或过程偶然性。建议把确认实验视为设计的一部分。
8.4 响应非线性强时的风险
当响应对因素变化呈强非线性，主效应均值差异可能不足以描述真实趋势。此时应考虑后续的响应面建模或局部更密集的实验设计，而不是仅凭筛选结果直接宣称全局最优。
8.5 数据质量与实验偏差的影响
正交设计能降低混杂，但无法替代实验质量控制。若测量不一致、执行偏离方案、批次漂移未记录或未纳入误差评估，分析结果仍可能偏离真实规律。数据治理与过程一致性同样重要。
9 实务工具与资源
9.1 计算与求解工具（概念性）
正交设计分析通常涉及：效应计算、均值汇总、（可选的）方差分析、以及基于结果的组合推荐。实现这些步骤可依靠统计软件或自编脚本完成。选择工具时应关注：是否支持正交表映射、输出格式是否便于复现，以及对异常值处理是否可追踪。
9.2 正交表查询与生成思路
实务中常从标准正交表库获取可用方案，避免自行生成导致的错误。若需自定义结构，可使用生成算法或优化策略构造近似满足正交准则的表，并在生成后进行正交性与可估计性校验。
9.3 表格软件/脚本工作流（概念性）
常见工作流包括：在表格软件中维护因素水平与试验计划，在脚本中自动生成设计矩阵并导出执行清单，最后把测得响应自动回填并计算效应。这样的流水线有助于减少手工录入错误并提升复现性。
9.4 读表与核对正交性的检查清单
执行前可按检查清单核对：
- 列数是否匹配因素数
- 各因素水平映射是否正确
- 每个水平出现次数是否均衡（在设计要求范围内）
- 强度目标是否能覆盖当前关心的效应层级
此外，在报告中应保留“表的来源与版本”，避免后续团队因使用不同正交表版本而难以对齐结论。
10 相关概念与延伸主题
10.1 因子设计、D-optimal 与相关方法概览（不深入）
除了正交设计，还存在多种因子设计与实验优化方法，例如围绕信息量最大化的设计思想、以及针对特定模型拟合的点选策略。它们与正交设计的差异主要体现在目标函数与适用场景：正交设计更强调结构化可分离与效率；其他方法可能更偏向于在给定模型下最大化估计精度或信息量。此处仅作概览，不深入比较细节。
10.2 盲试与稳健设计的衔接
在一些应用场景中，除了实验设计本身，还会考虑如何降低人为偏差与噪声影响。盲试（使操作者或评估者不知分组）与稳健设计（强调对噪声变化的敏感性较低）可与正交设计流程在不同环节衔接，例如在确认实验阶段提高评估可信度。
10.3 多目标问题的处理思路
当响应变量不止一个，往往需要建立多目标处理策略。常见做法包括：将指标归一化后构建综合评分，或根据业务优先级进行加权；也可以分别筛选并在后续通过验证试验寻找兼顾方案。关键在于先明确权衡规则，再把正交设计的输出转化为决策依据。
10.4 “实验即玩梗”：正确的幽默使用方式（轻度）
在团队协作里，可以用轻松的方式提醒大家按流程来，例如把“正交性”当作“让每个因素都排队上台，不抢戏”的规则——既能缓解紧张气氛，也能帮助新人理解：不要随意改列映射、不要把确认实验省略成“差不多就行”。幽默可以让过程更友好，但核心原则仍是数据与可复现。