1. 课程导论

在实验设计与数据分析的实践中，一个非常常见的做法是：固定其他条件，只改变一个因素，观察结果如何变化。这种方法直观、易操作，也便于向他人解释，因此被称为单因素实验。例如在材料配方优化中，固定温度与时间，只调整催化剂用量；在工艺参数研究中，固定设备与原料批次，只改变转速。单因素实验的价值在于它能干净地估计某一个因素在主效应层面的影响，但它也埋下了一个容易被忽视的隐患：当我们把结论从"这个因素单独作用时有效"推广到"这个因素在真实生产条件下同样有效"时，结论未必成立。

要理解这个隐患，需要引入交互作用的概念。交互作用是指两个或多个因素对响应变量的联合影响，不等于它们各自单独影响的简单叠加。用数学语言说，若因素 A 的主效应为 ΔA、因素 B 的主效应为 ΔB，当 A 与 B 同时改变时，实际响应变化量 ΔAB 若明显偏离 ΔA + ΔB，就说明存在交互作用。偏离的方向和大小反映了交互的强弱：ΔAB 大于叠加值称为协同（正向交互），小于叠加值称为拮抗（负向交互），极端情况下甚至可能出现"单独都有效、合用却无效"的翻转现象。交互作用在化学配方、生物培养、工艺参数组合、农业施肥等领域极为普遍，因为真实系统很少是各因素独立作用的线性叠加。

由此引出本课程的核心概念——混淆风险。混淆（confounding）指的是两个或多个因素的影响在数据结构上无法被区分开，导致我们误把某个因素的影响归因于另一个因素，或把交互作用误判为主效应。在单因素实验中，混淆风险主要来自三个方面：其一，未控制的伴随变量，例如调整转速时冷却条件也随之变化，转速的"效应"中混入了冷却的贡献；其二，实验顺序与时间漂移，若总是先做低水平再做高水平，设备磨损、环境温湿度变化就会与因素水平混淆；其三，交互作用被折叠进主效应，当只在一个固定背景下改变 A 时，得到的 ΔA 实际上是"该背景下 A 的简单效应"，换一个 B 的水平，ΔA 可能完全不同。混淆风险的后果不是"算错了数"，而是"算对了数却下错了结论"，这类错误在放大生产时往往代价高昂。

上图把三个概念放在同一张关系图里：左侧是单因素实验得到的"切片结论"，中间是交互作用导致的简单效应随背景变化，右侧是三类混淆来源，下方用两条不平行直线直观展示"同一因素 A 在不同 B 水平下效应不同"。这张图想传达的关键信息是：单因素实验本身没有错，错在把切片结论当成全局结论。

那么本课程要解决什么问题？学习目标可以概括为四点。第一，建立概念框架：准确区分主效应、简单效应、交互作用与混淆，理解它们之间的逻辑关系，而不是停留在名词记忆。第二，掌握识别方法：能够从实验设计结构、数据分布形态和效应量比较中判断交互作用是否存在、混淆可能来自哪里。第三，掌握量化手段：学会用效应量分解、方差分析中的交互项显著性、以及简单的 2×2 对比计算来估计交互大小，并给出判断阈值。第四，形成设计改进能力：在必须使用单因素实验时，知道如何通过随机化、区组化、固定背景说明、补充验证实验来降低混淆风险，并在报告中明确结论的适用边界。

课程整体结构按"概念—识别—量化—设计—复盘"推进。前几章夯实定义与判断式，中间章节进入实验设计与数据计算，包括如何安排 2×2 与多水平组合、如何计算主效应与交互效应、如何用重复实验估计误差，随后讨论随机化与区组化的具体操作，最后通过案例复盘把方法串起来。需要说明的是，课程中出现的参数、数据和计算结果，除特别标注外均为教学示例或合理假设，用于演示计算过程与判断逻辑，不代表任何实际实验的实测结果。

最后需要强调一个贯穿全课程的态度：单因素实验不是要被抛弃的"落后方法"，它在筛选初期、成本受限、机理探索阶段仍然高效。真正要避免的是无意识的混淆——不知道自己只看到了一个切片，却把切片当成了全貌。当你能清楚说出"这个结论是在什么背景下、对哪些因素水平成立、换背景后可能怎样变化"时，单因素实验就从"可能误导的简化"变成了"边界清晰的工具"。这正是本课程希望带来的转变。