2. 因子选择陷阱：盲目纳入过多因子，忽略潜在交互作用

做DOE最怕什么？我个人觉得，最怕一开始就把实验搞得太复杂。

很多工程师拿到项目，第一反应就是：“这个可能影响，那个也可能影响，干脆全放进去吧！”结果一个实验跑下来，资源花了一大堆，数据乱成一锅粥，关键因子反而没找出来。

说白了，这就是典型的“因子选择陷阱”。你想想看，因子越多，实验次数呈指数级增长，成本根本扛不住。更麻烦的是，因子一多，交互作用就变得极其复杂，你根本分不清哪个是主效应，哪个是干扰项。

2.1 为什么我们会掉进这个陷阱？

我见过太多项目组，开会时大家七嘴八舌，每个人都觉得自己负责的参数很重要。最后为了“不得罪人”，把所有提议的因子都列进了实验计划。结果呢？

• 实验次数爆炸： 一个2^k全因子实验，k=5时是32次，k=7时就变成128次。现场根本排不出这么多时间。
• 数据质量下降： 实验一多，操作员疲劳、环境波动、测量误差都会累积。数据越做越脏。
• 交互作用成谜： 因子一多，高阶交互作用（比如三阶、四阶）几乎无法解释。你得到一堆统计显著的p值，但完全不知道它在工程上意味着什么。

我记得有一次，帮一家电子厂做焊接工艺优化。对方列了12个因子，说要一次搞定。我一看就摇头——12个因子，全因子实验要4096次，根本不可能。后来我们硬是砍到5个关键因子，用部分因子设计，两周就找到了最优参数。

2.2 因子选择的“黄金法则”

那到底该怎么选因子？我总结了一套方法，这些年用下来，效果不错。

这套流程的核心思想是：先粗后细，先筛后精。不要指望一步到位。

2.3 交互作用：那个被忽略的“隐形杀手”

很多新手只盯着主效应看，觉得哪个因子p值小就重要。但交互作用往往才是真正的关键。

什么叫交互作用？简单说，就是因子A的效果，依赖于因子B的水平。A单独调没用，B单独调也没用，但A和B一起调，效果就出来了。

我举个例子。在注塑成型中，模具温度和注射压力单独调整，对产品收缩率影响都不大。但如果你同时提高模具温度和注射压力，收缩率会急剧下降。这就是典型的交互作用。

为什么会这样？因为实际生产中的因子很少是独立工作的。温度影响粘度，压力影响流动，两者叠加，效果就不是简单的加法了。

2.4 避坑指南：我曾经踩过的坑

说到这个，我得分享一个真实的教训。

几年前，我帮一家汽车零部件厂做热处理工艺优化。对方工艺工程师坚持要纳入“冷却介质浓度”这个因子。我觉得浓度变化范围太小，可能不显著，但拗不过他，还是放进去了。

结果呢？实验做完，浓度这个因子果然不显著。但因为它占了一个自由度，导致我们无法估计一个重要的二阶交互作用。最后不得不补做实验，浪费了两周时间。

2.5 知识结构图：因子选择与交互作用的核心逻辑

下面这张图，帮你理清因子选择的整个逻辑链条。

2.6 实际操作中的几个小技巧

最后，分享几个我平时用的小技巧，帮你避开因子选择的坑。

1. 用工程判断代替统计迷信： 如果一个因子在工程上明显不可能有影响（比如环境温度对精密加工的影响），就别放进去。统计不能代替常识。
2. 优先考虑可控因子： 噪声因子（比如环境湿度、操作员差异）尽量用随机化或区组化处理，不要纳入实验因子中。
3. 预留中心点： 即使做筛选实验，也建议加几个中心点。这能帮你检查过程的稳定性，还能估计纯误差。
4. 别怕“遗漏”： DOE是迭代的。这一轮没发现的因子，下一轮可以补。但这一轮如果因子太多导致实验失败，那就全白干了。

嗯，因子选择这块，说到底就是两个字：克制。克制住什么都想试的冲动，克制住一次解决所有问题的贪心。把精力集中在最关键的几个因子上，把交互作用搞清楚，你的DOE成功率至少能提高一倍。