3. 衍射光学核心概念
好，咱们正式开始聊全因子设计。这是 DOE 里最基础、也最核心的一块。我个人觉得，如果你把 2^k 全因子设计吃透了，后面那些响应曲面、混料设计什么的，上手会快很多。
说白了，2^k 全因子设计就是：你有 k 个因子，每个因子取 2 个水平（通常是高水平和低水平），然后你把所有可能的组合都做一遍实验。为什么是 2 个水平？因为线性关系只需要两个点就能确定一条直线，而且实验次数最少。你想想看，如果每个因子取 3 个水平，k=5 时就是 3^5=243 次实验，而 2^5 只有 32 次。在工业现场，时间就是钱啊。
3.1 2^k 全因子设计的概念
2^k 全因子设计，英文叫 Full Factorial Design。这里的「全」字，意思是所有因子水平组合都被覆盖到。比如 k=2，因子 A 和 B，各有高低两个水平，那组合就是：A低B低、A高B低、A低B高、A高B高，一共 2^2=4 次实验。
我在项目中遇到过一位工程师，他做注塑工艺优化，选了 5 个因子，每个因子 3 个水平，一算要 243 次实验，直接懵了。我建议他先做一次 2^5 筛选实验，32 次跑完，发现只有 2 个因子显著。后面再针对这两个因子做全因子或响应曲面，省了 200 多次实验。这就是 2^k 设计的价值——用最少的实验，筛选出关键因子。
3.2 主效应与交互效应
这是全因子设计里最迷人的部分。主效应（Main Effect）就是一个因子单独对响应变量产生的影响。交互效应（Interaction）是两个或多个因子联合起来产生的影响，而且这个影响不是简单的加法。
举个例子。你调整反应温度（A）和催化剂浓度（B），看产品收率（Y）。如果 A 从低到高，收率增加了 10%；B 从低到高，收率增加了 5%。但如果 A 和 B 同时从低到高，收率增加了 20%，而不是 10%+5%=15%。多出来的这 5%，就是 A 和 B 的交互效应。
为什么会这样？因为催化剂在高温下活性更高，两者产生了协同作用。反过来，如果同时变化时收率只增加了 12%，那就是拮抗作用。交互效应在工程中非常常见，我见过太多人只盯着单个因子调，结果怎么调都调不好，就是因为忽略了交互效应。
3.3 设计矩阵与编码
设计矩阵（Design Matrix）是实验计划的数学表达。每一行是一次实验，每一列是一个因子。编码（Coding）是把因子的实际物理值转换成 -1 和 +1 的过程。为什么要编码？因为编码后的系数可以直接比较大小，不受单位影响。比如温度的单位是℃，压力的单位是 MPa，编码后都变成 -1 和 +1，回归系数的大小直接反映效应强弱。
编码公式很简单：
编码值 = (实际值 - 中心值) / (半间距)
其中：
中心值 = (高水平 + 低水平) / 2
半间距 = (高水平 - 低水平) / 2
例如：温度低水平 100℃，高水平 200℃
中心值 = (100 + 200) / 2 = 150
半间距 = (200 - 100) / 2 = 50
编码值 = (实际值 - 150) / 50
所以 100℃ 编码为 -1，200℃ 编码为 +1，150℃ 编码为 0。下面是一个 k=3 的全因子设计矩阵示例，因子为 A（温度）、B（压力）、C（时间）：
| 实验序号 | A（编码） | B（编码） | C（编码） | AB | AC | BC | ABC | 响应 Y |
|---|---|---|---|---|---|---|---|---|
| 1 | -1 | -1 | -1 | +1 | +1 | +1 | -1 | Y1 |
| 2 | +1 | -1 | -1 | -1 | -1 | +1 | +1 | Y2 |
| 3 | -1 | +1 | -1 | -1 | +1 | -1 | +1 | Y3 |
| 4 | +1 | +1 | -1 | +1 | -1 | -1 | -1 | Y4 |
| 5 | -1 | -1 | +1 | +1 | -1 | -1 | +1 | Y5 |
| 6 | +1 | -1 | +1 | -1 | +1 | -1 | -1 | Y6 |
| 7 | -1 | +1 | +1 | -1 | -1 | +1 | -1 | Y7 |
| 8 | +1 | +1 | +1 | +1 | +1 | +1 | +1 | Y8 |
注意看交互效应列是怎么生成的：AB 列 = A 列 × B 列。比如实验 1，A=-1，B=-1，AB=(-1)×(-1)=+1。这就是交互效应列的计算规则——对应元素相乘。三阶交互 ABC 就是 A×B×C。
3.4 2^k 全因子设计的核心逻辑
下面这张图展示了 2^k 全因子设计的完整逻辑链条，从因子选择到效应分析，一目了然。
3.5 效应计算与 Pareto 图
效应计算其实很简单。主效应 = 该因子在高水平时的平均响应 - 低水平时的平均响应。交互效应同理，用交互列的正负号分组计算。
比如对于因子 A：
A 效应 = (Y2 + Y4 + Y6 + Y8)/4 - (Y1 + Y3 + Y5 + Y7)/4算完所有效应后，我习惯画一张 Pareto 图，把效应绝对值从大到小排一排。那些明显超出临界线的效应，就是我们要关注的。嗯，这里要注意：Pareto 图只是初步筛选，最终判断还是要看 ANOVA 的 p 值。
3.6 常见误区与避坑指南
- 误区一： 认为主效应显著的因子就是最重要的。其实交互效应可能更大，尤其是当两条线交叉时。
- 误区二： 忽略三阶及以上交互效应。虽然高阶交互在工程上很少显著，但如果你不做重复实验，就无法估计纯误差，也就无法检验模型是否失拟。
- 误区三： 不检查残差。我见过有人效应分析做得漂亮，但残差图显示方差非齐性，结果所有结论都不可靠。
好了，全因子设计的基础就这些。记住：设计矩阵是骨架，编码是语言，主效应和交互效应是灵魂。把这三点吃透，你就可以开始动手做实验了。