1. 课程导入与目标设定

在配方研发中，我们经常遇到这样的场景：同一产品做了三组配比调整，实验室小试的黏度、固含量或拉伸强度看起来“差不多”，但客户试用后却反馈某组手感偏硬、某组附着力不足。此时工程师最想知道两件事——这些差异到底是配方因素造成的，还是实验误差造成的？以及模型给出的结论是否可信？本课程围绕 Minitab 中的配方方差分析与残差图判读展开，目的正是把“凭经验看数据”升级为“用统计证据下判断”。

一、本课程要解决的核心问题

配方研发的数据通常具有三个特点：因素多（树脂、固化剂、填料、助剂比例）、水平多（每个组分往往有 2～4 个试验水平）、交互作用强（A 组分增加可能改变 B 组分的最佳用量）。如果只比较各组的平均值，很容易把交互作用误判为随机波动。方差分析（ANOVA）提供的是一套把总变异拆分为“因素贡献 + 误差贡献”的框架，并用 F 检验判断各因素效应是否显著；而残差图则是对模型假设的“体检”，用来回答模型是否值得信任。

因此，本课程的学习目标可以归纳为三层：

• 会算：能在 Minitab 中正确指定响应变量、因子与模型项，完成单因子/多因子配方方差分析，读懂方差分析表中的 DF、SS、MS、F、P。
• 会判：能依据 P 值与显著性水平 α（常用 0.05）判断主效应与交互效应是否显著，并结合效应图、均值图解释实际含义。
• 会验：能通过残差的正态概率图、残差与拟合值图、残差与顺序图、直方图，识别正态性、等方差性、独立性是否被违反，并知道违背后如何补救（变换、剔除异常点、补充试验、调整模型）。

二、整体框架：一条从数据到结论的证据链

本课程的知识结构不是零散的工具介绍，而是一条完整的证据链：明确响应与因子 → 建立模型并做方差分析 → 判读显著性 → 用残差图验证假设 → 回到配方做决策。下图展示了这条链路中各环节的输入、输出与相互制约关系，也标出了最容易出错的判断节点。

三、为什么残差图不能省

方差分析的 F 检验建立在三个假设之上：残差服从正态分布、各组残差方差相等（等方差）、观测相互独立。配方试验中这三种假设都可能被破坏。例如，当响应是“附着力等级”这类有上下限的指标时，残差常呈现偏态；当不同批次原料的分散性不同，组内方差可能随均值增大而增大；当同一锅料分多次取样测试，观测之间就不独立。此时 P 值可能偏小或偏大，显著性结论随之动摇。

残差图正是把这些“看不见的假设”变成“看得见的图形”。正态概率图上点大致沿直线分布，说明正态性可接受；残差与拟合值图呈随机散布的带状、无明显喇叭口或弯曲趋势，说明等方差与线性假定基本成立；残差与顺序图中若出现连续上升、周期波动或聚集，则提示存在时间或批次相关的非独立性。发现违背后，常见处理包括对响应做对数或 Box-Cox 变换、检查并核实异常点的原始记录、增加重复试验以估计纯误差、在模型中加入区组项或协变量。

四、在配方研发中的实际价值

把上述方法落到研发流程中，价值体现在三处。第一，减少无效试验：通过显著性判断快速排除影响很小的组分，把有限的打样资源集中到关键因子及其交互上。第二，提升结论可信度：残差诊断让“这组配方更好”从主观判断变成有假设检验支撑的结论，便于在评审会上解释。第三，沉淀可复用的知识：一次完整的方差分析会留下响应定义、因子水平、模型形式和诊断结论，后续配方迭代可以直接沿用或扩展。

需要提前建立的一个观念是：方差分析回答“有没有差异”，残差图回答“这个答案能不能信”。两者缺一不可。只做前者，容易在模型失真的情况下得出错误结论；只做后者，则无法量化各配方因素的贡献大小。本课程后续将沿着“单因子 → 多因子 → 交互作用 → 残差诊断 → 案例复盘”的顺序逐步展开，每一节都对应证据链上的一个具体环节。