陷阱一：混淆相关性与因果性，认为所有因子都必须显著

做DOE最怕什么？怕你拿到结果，看着P值小于0.05的因子就往上冲。

我见过太多工程师，一看到某个因子显著，就认定它是问题的根因。然后花大价钱去调整，结果问题还在。为什么？因为显著不等于因果。

1.1 相关性 ≠ 因果性，这个坑最深

先讲个我自己的例子。几年前帮一家电子厂做焊接良率优化。初步筛选实验跑下来，发现“车间温度”这个因子P值0.003，极其显著。团队马上要改空调系统，预算几十万。

我说等等。回头一看数据：温度高的那几天，正好是另一条产线在同时生产。真正影响良率的，其实是那条产线的振动干扰。温度只是碰巧跟它同步变化而已。

这就是典型的混淆。两个变量在时间或空间上同步波动，DOE会告诉你它们“相关”，但不会告诉你谁是因谁是果。

1.2 显著因子 ≠ 重要因子，别被P值骗了

另一个常见误区：认为所有显著的因子都必须纳入模型。

你想想看，样本量一大，哪怕一个微乎其微的效应也能变得“统计显著”。但实际工程中，它可能根本不值得你花精力去控制。

看上面这个表。湿度和转速P值都小于0.05，但效应量只有0.3和0.1。说白了，你费半天劲去控制它们，良率可能只提升0.1%。值吗？不值。

1.3 伪相关：DOE也救不了的坑

还有一种情况更隐蔽——伪相关。两个变量完全不相关，只是因为样本选择偏差，DOE算出来显著。

举个例子。你研究“退火温度”对“材料硬度”的影响。实验做了12次，结果发现温度越高硬度越大，P值0.01。但仔细一看：高温组的材料批次跟低温组不一样。批次差异才是真凶，温度只是背锅侠。

为什么会这样？因为实验没有完全随机化。或者，你虽然随机化了，但样本量太小，随机化没起作用。

1.4 知识结构图：相关性与因果性的辨析路径

下面这张图，是我自己梳理的。每次做完DOE，我都会按这个流程走一遍，避免掉坑。

1.5 实战避坑清单

最后，我把自己踩过的坑和看别人踩过的坑，整理成了一份清单。每次做DOE之前扫一眼，能省不少冤枉钱。

• 别只看P值——效应量才是工程决策的依据。P值小于0.05但效应量小，直接忽略。
• 检查时间序列——如果实验是按时间顺序做的，看看有没有跟时间同步变化的因子。比如班次、设备老化、操作员疲劳。
• 做残差分析——残差里如果有模式，说明你的模型漏掉了重要因子或者存在混淆。
• 验证实验不能省——筛选出来的关键因子，至少做一次验证实验。把因子固定在最优水平，看看响应是不是真的变了。
• 别贪多——一次DOE解决一两个问题就够了。因子太多，交互作用太多，结果容易变成一锅粥。