3. 配方实验设计基础回顾

在 Minitab 中做配方方差分析，很多人一上来就点“统计 > 方差分析 > 一般线性模型”，把响应列和成分列一股脑填进去，结果发现输出里出现“项无法估计”“自由度为零”或残差图完全失去意义。问题往往不在操作，而在更早的一步：实验设计本身的结构没有被正确理解，也没有在模型中被正确表达。本节把配方实验设计的两大主线——混料设计与因子设计——重新梳理一遍，重点不是重复设计生成步骤，而是看清“设计结构”如何一路传导到方差分析的模型项、自由度和残差。

一、混料设计的本质：成分之和被约束

混料实验的对象是若干成分按比例配成的配方，例如某涂料由树脂、填料、溶剂、助剂四种成分组成，响应是附着力。混料设计最核心的特征是成分比例之和恒等于 1（或 100%）。这个约束不是数据上的巧合，而是设计层面的硬性条件，它直接导致：模型中不能同时放入全部成分的主效应加截距项，否则设计矩阵奇异，Minitab 会提示“项无法估计”并自动剔除某一项。

常见的混料设计类型包括：单纯形质心设计（Simplex Centroid）、单纯形格点设计（Simplex Lattice）、极端顶点设计（Extreme Vertices）以及带上下界约束的混料设计。它们的差别在于试验点在单纯形区域内的布点方式：质心设计取各阶质心，适合探索整体曲面形状；格点设计按阶数均匀布点，适合拟合 Scheffe 多项式；极端顶点设计用于成分存在上下限、可行域变成不规则多面体的情况。布点方式不同，可估计的模型阶数就不同，方差分析中能检验的项也随之不同。

混料模型通常写成 Scheffe 形式，例如三成分线性模型为 y = b1·x1 + b2·x2 + b3·x3 + ε，没有独立截距，系数直接解释为“纯成分响应”。若要考察交互，则加入 x1x2、x1x3、x2x3 项。理解这一点，才能在 Minitab 的“模型”对话框中判断哪些项该放、哪些项因约束不可放。

二、因子设计：因子独立可调，结构与混料不同

因子设计（如全因子、部分因子、响应曲面设计）处理的是可以独立设定的因子，例如温度、时间、pH。因子之间没有“和等于常数”的约束，因此模型中可以同时包含截距、各主效应和交互项，自由度计算遵循常规规则。配方研究中，因子设计常被用来研究工艺条件对配方性能的影响，或与混料设计组合成“混料-过程变量”设计：成分比例用混料设计布点，工艺因子用因子设计布点，两者交叉形成组合试验。

这种组合设计在方差分析时尤其要注意模型分层：成分项、工艺因子主效应、成分×工艺交互项分别占据不同自由度。如果误把工艺因子当作混料成分处理，或漏掉交互项，平方和分解就会错位，F 检验的结论随之失真。

三、设计结构如何传导到方差分析

方差分析的本质是把总平方和分解为“模型解释的部分”和“残差部分”。设计结构决定了哪些项可以进入模型、各占多少自由度，从而决定分解是否合理。以三成分混料线性模型为例，若共有 7 个试验点，模型含 3 个成分项，则残差自由度约为 7 − 3 = 4（具体取决于是否重复试验）。若错误地加入截距，Minitab 会因共线性剔除一项，实际估计的仍是 3 个参数，但输出中的“项”列表会让人误以为模型更复杂，后续对系数和 F 值的解读就容易出错。

再看混料-过程变量组合设计：假设 3 种成分用单纯形质心布 7 个点，工艺因子温度取 2 水平，交叉后共 14 次试验。合理模型应包含成分项（2 个自由度）、温度主效应（1 个自由度）、成分×温度交互（2 个自由度），残差自由度约 14 − 5 = 9。如果分析时只放成分和温度、漏掉交互，交互效应就会被吸收进残差，残差均方偏大，主效应的 F 值被压低，可能把真实显著的成分效应判为不显著。这正是“设计结构没在模型里表达清楚”的典型后果。

四、实操中的对照检查

在 Minitab 中建立分析前，建议先做三件事：第一，确认数据列中成分是否已按比例录入且每行之和为 1，若用百分比录入需在模型设置中说明；第二，在“统计 > DOE > 混料 > 分析混料设计”与“一般线性模型”之间选对入口，混料设计有专用分析路径，能自动处理 Scheffe 模型形式；第三，打开“模型”子对话框逐项核对，确保交互项阶数与设计可估计阶数一致。完成分析后，先看方差分析表的自由度和平方和是否与设计预期吻合，再看残差图；若残差出现明显喇叭形或与拟合值相关的弯曲，往往提示模型项缺失或阶数不足，而不是数据本身有问题。

下面给出一个便于对照的检查表，用于分析前快速核对设计结构与模型设定是否一致：