DPS+均匀设计
均匀试验设计
均匀试验设计唐启义浙江大学农业与生物技术学院均匀设计是中国统计学家方开泰教授和中科院院士王元首创，是处理多因素多水平试验设计的首选方法，可用较少的试验次数，完成复杂的科研课题和新产品的研究和开发。
均匀设计将试验点在高维空间内充分均匀分散，使数据具有更好的代表性，为揭示规律创造必要条件。
变量和水平数少于4时，试验设计用户易于选择，适用的方法较多，如正交试验设计、回归正交试验设计、旋转设计、D－最优设计等，试验次数通常是十几个，用户能够接受。
但当描述复杂自然现象和探讨复杂的规律，实验因素和水平在5个以上时，用上述方法试验次数会剧增，使得用户难于接受，用户只好简化条件或是取消试验考察。
均匀设计的最大特点是，试验次数可以等于最大水平数，而不是实验因子数平方的关系，试验次数仅与需要考察的x个数有关。
但一般来说，试验次数选为实验因子个数的3倍左右为宜，有利于建模和优化。
目前，对于一般等水平均匀设计问题，方开泰的有关均匀设计的几部著作，特别是为均匀设计开辟的网页.hk/UniformDesign可以得到大量的均匀设计表格。
在该网页上，其均匀设计表是以中心化偏差作为均匀性度量指标，且精度较高，一般应用，如处理数量不大时可以使用该表。
当各个因素的水平不等时，一般是利用数量有限的混合水平均匀设计表，如方开泰教授的专著“均匀设计与均匀设计表”（科学出版社1994年出版）一书附录二；或采用拟水平方法将一般的均匀设计表变换为各个因素水平数不等的混合水平表。
这种利用现成的混合水平均匀设计表进行试验，很多情况下都需要我们的设计方案“削足适履”，以符合表格的要求；而利用拟水平法来构造混合水平的均匀设计表，当因素比较多时，如何构造使得生成的混合水平均匀设计表的偏差更小，即更均匀又很难解决。
在DPS数据处理系统中，作者提出了一种新的定向优化算法，初步解决了一般均匀设计表和混合水平均匀设计表的构造问题。
运用该方法可以求得设计矩阵优良性能较好，偏差也比较小的均匀试验设计方案。
DPS用于均匀设计与正交设计解析
例题2 某物质的转化率受到温度、时间、加碱量 的影响，为得到更高的转化率，我们进行了三个 因素各3个水平的正交试验，各因素及其水平如下 表：
因素
水平1 水平2 水平3
A：温度 B：时间 C：加碱量
80
90
5%
85
120
6%
90
150
7%
1.试验设计
2.正交设计方案
试验号 1 2 3 4 5 6 7 8 9
19
5.5
0.55
24
1
10
表4 均匀表U10*（108）试验结果
因素
x1
x2
x3
x4
x5
x6 Y（g.L-1）
1
1
2
3
5
7
10
6.33
2
2
4
6
10
3
9
6.18
3
3
6
9
4
10
8
4.36
4
4
8
1
9
6
7
2.18
5
5
10
4
3
2
6
2.55
6
6
1
7
8
9
5
9.45
7
7
3
10
2
5
4
11.64
8
8
5
2
7
1
3
13.09
变量及水平分布
水平
x1
x2
x3
x4
x5
x6
1
10
1
0.1
6
0.1
1
2
11
DPS用于均匀设计与正交设计
9
80 80 80 85 85 85 90 90 90
90 120 150 90 120 150 90 120 150
5% 6% 7% 6% 7% 5% 7% 5% 6%
31% 54% 38% 53% 49% 42% 57% 62% 64%
8.SAS结果
四、重复测量方差分析
例题 一种药物治疗慢性乙型肝炎不同时间谷丙转 氨酶水平会发生变化，不同时间在谷丙转氨酶水 平上是否有差异。
患者编号 1 2 3 4 5 6 7 8 9 10 治疗前 160 415 327 174 201 289 85 176 76 75 12周 105 371 94 113 26 20 44 165 215 94 24周 147 258 36 63 55 17 56 136 34 51 36周 135 182 51 50 20 21 62 83 81 59
8
2 7 1
9
5 1 8
5
4 3 2
9.45
11.64 13.09 2.18
10
10
9
8
6
4
1
1.45
练习题-正交设计
合成氨工艺，影响因素有反应温度，反应 压力及催化剂的种类。采用正交设计方案 分析个因素对氨产量的影响。
水平 1 2 反应温度 460 490 反应压力 3 2 催化剂类别 1 2
3
3.DPS正交试验方差分析
特别注意数据的格式，要跟正 交设计表一起放置
4.选择正交试验方差分析
5. 结果
结果显示，检验水准选择0.1时，第1个和3 个因素有差异，而第2个因素都无统计学 差异
DPS用于均匀设计与正交设计
在DPS软件中实现均匀设计非常方便，用户可以通过 选择相应的均匀设计模块，输入因素和水平数，系统
会自动生成均匀设计的实验点组合。
DPS软件还提供了丰富的数据分析功能，可以对实验 数据进行统计分析、图表制作等操作，方便用户对实
验结果进行深入分析。
03
正交设计
正交设计的基本概念
正交设计是一种实验设计方法， 通过合理安排实验因素和水平， 以最小化实验次数，获取尽可能
全面的实验信息。
正交设计遵循正交性原则，即确 保实验因素之间相互独立，避免
实验因素之间的交互作用。
正交设计通常采用正交表来安排 实验，正交表具有均衡分布的特 点，能够保证实验结果的准确性
和可靠性。
正交设计在实验中的应用
科学研究
01
在科学研究中，正交设计常用于探索实验因素对实验结果的影
响，以确定最佳的实验条件。
DPS软件具备数据处理、统计分析、 图形绘制等功能，支持多种数据格式 ，能够满足用户对数据处理和分析的 需求。
DPS软件的应用领域
农业科学研究
DPS软件可用于农业科学研究中各种数 据处理和分析，如试验设计、数据整理、
统计分析等。
环境科学研究
DPS软件在环境科学研究中可用于环 境监测数据的处理、环境质量评价等
DPS软件的数据处理和编程接口更为开放，与其他软件的兼容性 更好。
成本
DPS软件的授权和维护成本相对较低，适合中小企业和个人用户。
DPS软件与SPSS的比较
数据处理方式
DPS软件在数据处理方面更为灵 活，支持多种数据类型和复杂的 数据分析方法。
统计分析模型
DPS软件提供了更多的统计分析 模型和算法，可以满足更广泛的 数据分析需求。
均匀设计-均匀设计.ppt
3.3.3.2 非线性回归模型（续1）
法、后退法、逐步回归法或最优子集法等进行变量的 筛选。其回归系数求解可经过方程项的转换按多元线 性回归的方法完成。 (2) 多项式回归模型
一般地，包含多变量的任意多项式可表述为：
可通过类似x1=Z1,x2=Z2,x3=Z12,x4=Z1Z2,x5=z22 的变换， 将其按多元线性回归分析。多项式回归在回归分析中 占特殊地位，因为任何函数至少在一
S
列号
D
2 15
0.1632
3 145
0.2649
4 1345
0.3528
5 12345
0.4286
6 1 2 3 4 5 6 0.4942
说明：设计表中的列代表的是各因素的水平， 但具体代表的是哪个因素的水平，需按使用 表确定，使用表s一栏的数字是试验的因素数， 它后面的数字指定了各种因素数进行试验时 该如何选择设计表的列；使用表中D栏代表 不同因素数选择设计表的不同列时均匀设计 的偏差，偏差越小，均匀性越好，试验成功 的几率和结果的可靠性越大。
(4) 用分次试验的指标值和取得该指标值的各因 素水平值建立试验指标—各因素水平关系的回归 模型（这也是均匀设计中的最重要的环节之一)；
(5) 成功地建立了回归模型后在各试验因素的试 验范围内寻找最佳的各因素水平组合并进行该组 合的验证试验（也可和步骤６一起进行)；
(6) 验证试验成功则进一步缩小水平划分更为细致的新的一 轮的试验，进一步寻找最优试验条件组合。一般 情况下，此次最优条件即为整个试验的最优条件， 试验结束。
3 均匀设计的应用方法
试验设计的共性问题 均匀设计的应用方法 具体问题的解决方法
3.1 试验设计的共性问题
试验设计（如正交试验设计、裂区试验设 计、系统分组设计等）过程必然离不开试验基 础内容的构思（试验的评价指标；试验的因素、 水平的选择和试验次数的拟定）、试验结果数 据的分析等共性方面的问题。试验的因素和水 平的选择关系到一个试验能否成功的关键，下 列的注意事项和建议对使用试验设计（当然也 包括均匀设计）的人员应该是有益的：
均匀设计方法简介
均匀设计方法简介在工农业生产和科学研究中，常须做试验，以获得予期目的：改进生产工艺，提高产品收率或质量，合成出某化合物等等。
怎样做试验，是大有学问的。
本世纪30年代，费歇（R.A.Fisher）在试验设计和统计分析方面做了一系列先驱工作，使试验设计成为统计科学的一个分支。
今天，试验设计理论更完善，试验设计应用更广泛。
本节着重介绍均匀设计方法。
一、试验设计对于一项试验，例如用微波加热法通过离子交换制备Cu13X分子筛。
我们可以13X分子筛、CuCl2为原料来制备，为寻找最佳条件，应如何设计这个试验呢？若我们已确定了微波加热功率（A）、交换时间（B）、交换液摩尔浓度（C）为三个影响因素，每个因素取五个不同值（即水平：A1，…，A5，B1，…，B5，C1，…，C5）。
有两种方法最易想到：1．全面试验：将每个因素的不同水平组合做同样数目的试验。
对上述示例，不计重复试验，共需做5×5×5=125次试验。
2．多次单因素试验：依次考查各因素（考查某因素时，其它因素固定）取最佳值。
容易知道，对上示例（不计重复试验）共需做3×5=15次试验。
该法在工程和科学试验中常被人们采用，可当考查的因素间有交互作用时，该法所得结论一般不真。
3．正交设计法：利用正交表来安排试验。
本世纪60年代，日本统计学家田口玄一将试验设计中应用最广的正交设计表格化，使正交试验设计得到更广泛的使用。
70年代以来，我国许多统计学家深入工厂、科研单位，与广大工程技术人员、工人一起，广泛开展正交设计的研究、应用，取得了大批成果。
该法是目前最流行，效果相当好的方法。
正交表记为：L n(q m)，这里“L”表示正交表，“n”表总共要做的试验次数，“q”表每个因素都有q个水平，“m”表该表有4列，最多可安排m个因素。
常用的二水平正交表为L4(23)，L8(27)，L16(215)，L32(231)；三水平正交表有L9(34)，L27(313)；四水平正交表L16(45)及五水平正交表L25(56)等。
均匀设计
均匀设计基本步骤１、明确试验目的, 确定试验指标。
若考察的指标有多个则一般需要对指标进行综合分析;２、选择试验因素。
根据专业知识和实际经验进行试验因素的选择, 一般选择对试验指标影响较大的因素进行试验;３、确定因素水平。
根据试验条件和以往的实践经验, 首先确定各因素的取值范围, 然后在此范围内设置适当的水平;４、选择均匀设计表, 排布因素水平。
根据因素数、水平数来选择合适的均匀设计表进行因素水平数据排布;５、明确试验方案, 进行试验操作;６、试验结果分析。
建议采用回归分析方法对试验结果进行分析进而发现优化的试验条件。
依试验的目的和支持条件的不同也用直接观察法取得最好的试验条件(不再进行数据的分析处理);７、优化条件的试验验证。
若通过回归分析方法计算得出优化的试验条件则一般需要进行优化试验条件的实际试验验证并进一步修正回归模型;８、缩小试验范围进行更精确的试验, 寻找更好的试验条件, 直至达到试验的目的为止。
均匀设计注意事项１、当所研究的因素和水平数目较多时, 均匀设计试验法比其它试验设计方法所需的试验次数更少, 但不可过分追求少的试验次数, 除非有很好的前期工作基础和丰富的经验, 否则不要企图通过做很少的试验就可达到试验目的, 因为试验结果的处理需要采用回归分析方法完成, 过少的试验次数很可能导致无法建立有效的模型, 也就不能对问题进行深入的分析和研究, 最终使试验和研究停留在表面化的水平上(无法建立有效的模型, 只能采用直接观察法选择最佳结果)。
一般情况下, 建议试验的次数取因素数的３～５倍为好;２、优先选用表进行试验设计。
通常情况下表的均匀性要好于表, 其试验点布点均匀, 代表性强, 更容易揭示出试验的规律, 而且在各因素水平序号和实际水平值顺序一致的情况还可避免因各因素最大水平值相遇所带来的试验过于剧烈或过于缓慢而无法控制的问题;３、对于所确定的优化试验条件的评价, 一方面要看此条件下指标结果的好坏, 另一方面要考虑试验条件是否合理可行的问题, 要权衡利弊, 力求达到用最小的付出获取最大收益的效果。
均匀试验设计的原理及使用方法
均匀试验设计的原理及使用方法均匀试验设计（Uniform Design）是一种高效的试验设计方法，旨在通过尽可能少的试验次数，获得准确、可靠的试验结果。
它的原理是通过平衡样本点在各个试验因素水平上的分布，以达到在整个试验因素空间内均匀分布的目的。
均匀试验设计具有样本点均匀分布、能较好地估计试验因素的主效应以及交互效应的特点，适用于多因素多水平的试验设计。
1.确定试验因素：首先需要明确试验所涉及的因素及其水平，以及各个因素的重要性和相互关系。
2.构建均匀试验设计：根据试验因素的个数和水平的个数，利用均匀试验设计的原理进行设计。
均匀设计矩阵包含了样本点在各个试验因素水平上的分布，每一行表示一个样本点在各个因素水平上的取值。
3.分配试验任务：根据设计矩阵，分配试验任务给不同的试验单位进行实施。
每个试验单位根据设计矩阵中的一行数据确定所要试验的因素水平。
4.进行试验：按照试验方案进行实验，并记录相关数据。
5.数据分析：使用统计方法对试验数据进行分析，估计试验因素的主效应和交互效应，并进行模型拟合和预测。
6.结果解释：根据数据分析结果，解释试验结果，找出对样本点影响最大的因素和水平，并给出相关建议和结论。
1.均匀分布的设计点：均匀试验设计的目标是使得样本点在试验因素水平上均匀分布，即使得样本点在整个试验空间内尽可能平均分布。
2.主效应估计：均匀设计在各个试验因素水平上进行均匀取样，能够较好地估计试验因素的主效应，从而了解各个因素对试验结果的主要影响。
3.交互效应估计：均匀设计的样本点在试验因素水平上均匀分布，可以较好地估计试验因素之间的交互效应，即不同因素之间的相互影响。
4.减少试验次数：均匀试验设计通过有效地设置样本点，减少了试验次数，节约了时间和资源成本。
总之，均匀试验设计是一种高效的多因素多水平的试验设计方法，通过均匀取样的方式在试验因素空间内分布样本点，能够较好地估计主效应和交互效应，并减少试验次数。