4. 随机化陷阱：忽视随机化原则，引入系统误差

做DOE实验，有个原则我每次都要跟团队强调——随机化。说白了，就是实验顺序不能由着性子来，得用随机的方式决定。

你可能觉得这有点小题大做。不就是换个顺序做实验吗？能有多大影响？

嗯，我年轻时也这么想。直到有一次，我在一个注塑成型项目中吃了大亏。当时为了图省事，按模具温度从低到高依次做实验。结果分析出来，某个因子效应特别显著，我高兴坏了，以为找到了关键参数。后来复现实验，那个效应完全消失了。

为什么？因为模具温度升高的过程中，车间环境温度也在变化。两个因素混在一起，我根本分不清哪个才是真正的原因。

这就是典型的系统误差——你没随机化，实验顺序和某个未知因素产生了关联，结果全被污染了。

4.1 随机化到底在防什么？

随机化的核心目的，是防止潜伏变量（lurking variable）混进你的实验结果里。

什么叫潜伏变量？就是那些你没控制、没测量，但确实在影响响应变量的因素。比如：

• 操作员疲劳程度（上午精神好，下午手抖）
• 原材料批次差异（上午用A批，下午换B批）
• 环境温湿度变化（早上凉快，中午闷热）
• 仪器漂移（刚开机和运行2小时后读数不一样）

这些因素如果和你的实验顺序相关，就会产生混杂（confounding）。你以为是因子A在起作用，其实是时间顺序在捣鬼。

4.2 不随机化的典型后果

我整理了一下，不随机化最常见的三种死法：

问题类型	表现	后果
时间趋势混杂	实验顺序与时间相关，因子效应被时间趋势淹没或放大	效应估计有偏，结论不可靠
分组效应	同一批次/同一操作员的数据聚在一起，组间差异被误判为因子效应	假阳性（把噪声当信号）或假阴性（漏掉真实效应）
方差估计失真	误差项中混入了系统成分，MSE（均方误差）被低估或高估	F检验、t检验失效，显著性判断出错

你想想看，如果实验顺序和某个潜伏变量完全相关，那你的分析结果基本就是废的。再漂亮的ANOVA表，再显著的p值，都是自欺欺人。

4.3 什么时候可以放松随机化？

当然，现实中有时候完全随机化确实有困难。比如换一次模具要3小时，你让我每做一次实验就随机换一次模具？那项目周期得翻三倍。

这时候，我们可以用分块随机化（randomized block design）或拉丁方（Latin square）来替代。核心思路是：把实验分成几个"块"，块内尽量均匀，块间允许差异，然后在每个块内做随机化。

4.4 随机化的正确姿势

具体怎么做？我一般按这个流程来：

1. 列出所有实验组合（全因子或部分因子设计）
2. 用随机数生成器（Excel的RAND()、Minitab的随机化功能、Python的random.shuffle）打乱顺序
3. 按随机顺序执行实验，记录实际执行顺序
4. 分析时检查残差，看是否有时间趋势残留

这里给一个简单的Python示例，帮你理解随机化的实现：

import random
import itertools

# 假设有3个因子，每个2水平，共8次实验
factors = ['A', 'B', 'C']
levels = [-1, 1]

# 生成全因子设计
runs = list(itertools.product(levels, repeat=3))

# 随机化顺序
random.shuffle(runs)

# 输出随机后的实验顺序
for i, run in enumerate(runs, 1):
    print(f"Run {i}: A={run[0]}, B={run[1]}, C={run[2]}")

输出示例：

Run 1: A=1, B=-1, C=1
Run 2: A=-1, B=-1, C=-1
Run 3: A=1, B=1, C=-1
Run 4: A=-1, B=1, C=1
Run 5: A=-1, B=-1, C=1
Run 6: A=1, B=-1, C=-1
Run 7: A=-1, B=1, C=-1
Run 8: A=1, B=1, C=1

你看，原本按标准顺序应该是A从-1到1、B从-1到1、C从-1到1的规律排列。随机化之后，这个规律完全被打散了。任何时间趋势都会被均匀地分配到各个因子水平上，不会产生系统偏差。

4.5 随机化的知识框架

为了帮你更直观地理解随机化的位置和作用，我画了一张图：

4.6 避坑指南

最后，给你几条我踩过坑之后总结的经验：

记住一句话：随机化不是麻烦，是保险。花5分钟随机化，可能帮你省下5周返工的时间。这笔账，怎么算都划算。