minitab实验之试验设计
Minitab的实验设计方法
Minitab的实验设计方法1. 简介Minitab是一种常用的统计软件，可以用于数据分析、实验设计以及同等分析等任务。
实验设计是一种研究方法，用于确定影响实验结果的因素以及确定这些因素之间的关系。
Minitab提供了丰富的实验设计方法和工具，帮助用户有效地设计和分析实验。
本文将介绍Minitab 中常用的实验设计方法。
2. 单因素实验设计单因素实验设计是最基本的实验设计方法之一，用于研究单个因素对实验结果的影响。
在Minitab中，可以使用两种方法进行单因素实验设计：方差分析和t检验。
2.1 方差分析方差分析是一种用于比较三个或三个以上样本均值是否相等的统计方法，通过计算均值差异的方差来判断是否存在显著性差异。
在Minitab中，可以通过以下步骤进行方差分析的实验设计：步骤1：打开Minitab软件，并导入数据集。
步骤2：选择“Stat”菜单下的“ANOVA”选项。
步骤3：在“ANOVA”对话框中，选择因素变量和响应变量。
步骤4：点击“OK”按钮运行方差分析。
步骤5：分析结果将在输出窗口中显示，包括方差分析表和显著性检验结果。
2.2 t检验t检验是一种用于比较两个样本均值是否相等的统计方法，通过计算均值差异的标准错误来判断是否存在显著性差异。
在Minitab中，可以通过以下步骤进行t检验的实验设计：步骤1：打开Minitab软件，并导入数据集。
步骤2：选择“Stat”菜单下的“Basic Statistics”选项。
步骤3：在“Basic Statistics”对话框中，选择两个样本的变量。
步骤4：点击“OK”按钮运行t检验。
步骤5：分析结果将在输出窗口中显示，包括均值差异、标准误差和显著性检验结果。
3. 多因素实验设计多因素实验设计用于研究多个因素对实验结果的影响，可以帮助确定因素之间的交互作用。
在Minitab中，可以使用多种方法进行多因素实验设计，例如方差分析、回归分析以及方差齐性检验等。
全因子试验设计之minitab建模
（2）输出等值线图、响应曲面图以确认最佳设置
Minitab17软件安装包： Minitab17安装教程：
1、双击文件“Minitab17-setup.exe”开始安装
2、弹出序列号窗口，请保持为空或者随意填写 3、软件已经安装完成，但为英文版本
4、双击文件“Minitab17(中文语言包).exe”安装官方简体中文语言包
全因子试验设计—Minitab建模 一．试验创建 二．试验实施 三．数据分析
一、试验创建
DOE （design of experiment）是一种安排试验 和分析实验数据的数理统计方法。 优点：试验次数少、试验周期短和试验成本低
类型：全因子试验设计、部分因子试验设计、
响应曲面方法、田口试验设计、混料设计、调
优运算
全因子试验设计是所有因子的所有水平的
所有组合都至少进行一次的实验。
优点: 获得的信息量多
准确估计各实验因素的主效应大小 可估计因素之间各级交互作用效应大小 Minitab是全球领先的质量管理和六西格玛实施软
件工具，更是持续质量改进的良好工具软件。
Minitab创建全因子试验设计
5、成功安装后，运行软件，在Tool→Option → General中将语言改为中 文重启软件即可
DOE教学文件：
二、试验实施
三、数据分析
1. 2. 3. 4. 5. 6. 浏 拟 简 残 选 解 览 合 化 差 定 释 数 模 模 诊 模 模 据 型 型 断 型 型
1.浏览数据
2.拟合模型
3.认后，在会话框里可获得一个满
意的回归方程：
6.解释模型
（1）输出主效应及交互作用图
第六章Minitab简单的试验设计技术
➢因素的水平数要尽量多一些 。
➢水平的间隔要适当分开。
多因素试验设计（续）
多因素试验设计方法的特点
试验类别 因素轮换法 随机试验法 正交设计
均匀设计
筛选试验 中心复合设计 (响应曲面设计)
试验条件和使用效率 适用于因素间无交互作用的情况,使用效率低。 适用于复杂的设计，适用范围广。 试验指标要量化，适用于水平数不超过 5 个的试验， 适用范围比较广。 试验指标和因素水平都要量化，适用于因素水平数超 过 5 个的试验，适用范围比较广。 用于从众多的可能影响因素中找出几个真正重要的 影响因素。
试验设计DOE
试验设计的作用
➢寻找和验证影响过程的主要因素。 ➢优化因素的取值，找出因素的最佳水平搭配。 ➢提高过程和产品的质量，实现6σ管理。 ➢提高过程和产品的稳定性，减少受环境的影响。 ➢提高产品的可靠性，延长产品的使用寿命 。 ➢减少不必要的工艺和材料，降低生产成本，缩 短生产周期。 ➢通过提高产品的设计质量，减小对检验的依赖。
等分法、0.618法、菲波那契数法都属于序贯试验法，需要 在一次试验结束后才能安排下一个试验，试验周期是每次试验 的叠加，这样就必然需要较长的试验时间，适合于每个试验的 时间较短但是费用比较高的场合。
很多情况下需要综合考虑试验费用和试验时间，如果试验 的费用不很高，并且试验设备和其他的资源条件允许，就可以 使用分批试验法，以多做几次试验为代价而缩短试验的周期。
稳健设计的思想
稳健设计（robust design）就是用试验设计提高产品稳 健性的方法，是6σ管理的重要组成部分， 也是一种当今 世界上发达国家深入研究和广泛应用的提高产品开发设计 质量的重要新技术。
从20世纪70年代末期开始，日本学者田口玄一 （G．Taguchi）博士创立了以三次设计法为内容的质量 工程学，其中的主要内容就是稳健设计。
minitab正交试验设计
食品科学研究中实验设计的案例分析——正交设计优选白芨多糖包合丹皮酚最佳工艺以及包合物的鉴定[1]摘要：本实验采用用minitab软件设计L9(34)正交试验优选白芨多糖包合丹皮酚的最佳工艺，结果显示：以丹皮酚和白芨多糖的物料比、反应时间和反应温度为考察指标，得到优化工艺为：物料比1:6、反应时间4h、温度30℃，包封率可达29.38%，收得率74.29%。
关键词：正交设计 minitab1 正交试验因素水平的确定选择丹皮酚与白芨多糖的A物料比(W/W)、B反应时间(h)、C包合温度(℃)三个对试验结果影响较大的因素为考察对象，每个因素各取三个水平(表1)。
采用L9(34)正交试验表进行正交试验。
以所得包合物的收得率和药物包封率为考察指标，确定最佳工艺。
表一正交试验因素水平表水平因素A物料比（w/w）B反应时间（h）C反应温度（℃）1 1：2 2 302 1：43 403 1：64 502 正交试验设计步骤：1 选择统计—＞DOE—＞田口—＞创建田口设计。
2 得出田口设计窗口，在这个窗口中我们可以设计正交试验，本试验选择3水平4因素，其中一个因素作为误差列。
3 点击显示可用设计，进入如下图的窗口，选择L9 2-44 点击“设计”选项，选择L9 3**4，这样我们就得到了L9(34)5 点击“因子”选项，得到如下图窗口，可以对其名称进行设计，如“A”改为“A物料比”6 设计完成，得到如下图的正交试验表7 导入数据（包封率和收得率）8 点击“DOE”—＞“田口”—＞“分析田口设计”，得到下图9 在响应数据位于栏中选择“包封率”10 在“项”选项中，选中A B C的内容，注意不要选中误差列，按下图进行设计。
11 点击确定，可得出下列的分析数据。
（再按上述8-11，对收得率进行分析，可得出另外一个分析数据）12 点击“统计”—＞“方差分析”—＞“一般线性模型”13 在“响应”栏中选择“包封率”,在“模型”栏中选择A B C D14 点击确定，得出方差分析数据，如下图。
doe(实验设计)与minitab培训doe案例
doe(实验设计)与minitab培训doe案例实验设计（DOE，Design of Experiments）是一种系统化的方法，用于确定和优化实验参数以实现特定的目标或解决特定的问题。
在制造业、工程、科学研究和其他领域中，DOE被广泛用于提高产品质量、降低成本、改进生产过程等。
Minitab是一款流行的统计软件，用于数据分析、假设检验、回归分析等。
它提供了丰富的工具和功能，帮助用户轻松地分析和解释数据。
以下是一个关于DOE和Minitab培训的案例：假设一家制造公司想要提高其产品的抗拉强度。
通过实验设计，该公司确定了以下几个因素可能影响产品的抗拉强度：温度、压力和材料类型。
目标是找到最佳的温度、压力和材料类型组合，以最大化产品的抗拉强度。
为了解决这个问题，公司使用Minitab软件进行实验设计。
首先，Minitab 帮助确定因素和水平，并生成一个实验矩阵，其中包括每个实验的条件和结果。
然后，公司按照实验矩阵进行实验，并记录每个实验的结果。
在收集完数据后，Minitab帮助进行数据分析。
通过分析结果，公司确定了最佳的温度、压力和材料类型组合。
此外，Minitab还提供了其他有用的统计信息，如因素对结果的影响程度、因素的交互作用等。
通过这个案例，Minitab培训的目标是使参与者能够：1. 了解实验设计的基本概念和方法；2. 使用Minitab软件进行实验设计和数据分析；3. 掌握如何解释和分析实验结果；4. 应用实验设计的方法来解决实际问题。
总之，通过DOE和Minitab培训，参与者可以学习如何系统地设计和分析实验，并使用统计软件来分析和解释数据。
这将有助于提高产品质量、改进生产过程和提高企业的竞争力。
minitab实验之试验设计
在正常条件下难以控制的变量。在做参数设计时，就是把可控因子的设计当做 研究的主要对象，与此同时让噪声因子按照设定的计划从而系统改变其水平的 方法来表示正常条件下的变化，最终按照我们预定的望大、望小或望目地目标 选出最佳设置。田口玄一博 士在参数设计方法方面贡献非常突出，他在设计中 引进信噪比的概念，并以此作为评价参数组合优劣的一种测度，因此很多文献 和软件都把稳健参数设计方法称为田口方法 （Taguc hi desig n）。
实验内容和 步骤：
实验之一：全因子试验 设计
:例：改进热处理工艺提高钢板断裂强度问题。合金钢板经热处理后将提高其断 裂其抗断裂性能，但工艺参数的选择是个复杂的问题。我们希望考虑可能影响 断裂强度的 4 个因子，确认哪些因子影响确实是显著的，进而确定出最佳工艺 条件。这几个因子及其试验水 平如下：
, 选择两水平因子（默认生成元），在因子数中 选 择 4，单击“设计”选
项，弹出“设计”选项对话框 。选择“全因子”试验次数为 16 的那行，并在 “每个区组的 中心点数”中选择 3，其他项保持默认（本例中没有分区组，各试 验点皆不需要完全 复制）。单击确定。
单击“因子”选项打开，分别填写四个因子的名称及相应的低水平和高水 平的设置 。单击确定。
强度 的方差分析 （已编码单位 ）
来源
自由度 Seq SS Adj SS Adj MS
F
P
主效应
4 3298.85 3298.85 824.71 22.90 0.000
2因子交互作用 残差误差
6 252.17 252.17 8 288.14 288.14
minitab实验之试验设计
Minitab实验之试验设计引言试验设计是一种科学的方法，用于确定和优化产品、过程或系统参数。
它的目标是通过合理设计和分析试验，获得可靠的数据来支持决策和改进。
Minitab是一种常用的统计软件，广泛用于试验设计和数据分析。
本文将介绍Minitab实验设计的基本概念和应用。
试验设计的基本原理试验设计基于统计学原理和方法，旨在最大化试验效率并减少误差。
在试验设计中，研究者需要确定试验的目标和因素，然后制定一个合适的实验方案。
试验方案包括决定试验因素的水平和顺序，确定样本量和样本选择的方法。
常用的试验设计方法包括完全随机设计、随机区组设计和因子试验设计。
完全随机设计是最简单的试验设计方法，它随机将试验单位分配到不同的处理组中，以减少处理间的差异。
随机区组设计包括一个额外的随机因素，用于消除处理与处理区组之间的潜在差异。
因子试验设计是用于确定主要因素和交互作用效应的复杂实验设计方法。
Minitab的基本功能Minitab是一种功能强大的统计软件，提供了各种试验设计和数据分析功能。
Minitab可以用于设计随机化试验、组织试验数据、进行数据可视化和数据分析以及进行参数估计和假设检验。
Minitab具有直观的用户界面，以及易于使用的命令语言。
用户可以根据实际需求选择使用菜单和图形界面或直接输入命令进行操作。
Minitab还提供了丰富的图表和图像功能，用于展示数据和结果。
Minitab中的试验设计方法在Minitab中，可以使用多种方法进行试验设计。
以下是其中一些常用的试验设计方法：1. 单因素试验设计单因素试验设计用于研究一个因素对结果变量的影响。
在Minitab 中，可以使用单因素方差分析方法进行试验设计和分析。
Minitab可以计算各个水平的均值、方差和显著性差异，并生成相应的分析报告。
2. 多因素试验设计多因素试验设计用于研究多个因素对结果变量的影响以及它们之间的交互作用。
在Minitab中，可以使用多元方差分析（ANOVA）方法进行试验设计和分析。
Minitab实现有交互作用的正交实验的设计与结果分析
Minitab实现有交互作用的正交实验的设计与结果分析一、本文概述Overview of this article正交实验设计是一种在多个因素中找出最优组合的高效实验设计方法。
通过正交表，我们可以合理安排实验，使得每个因素在每个水平下都能被充分考察，同时减少实验次数，提高实验效率。
在实际应用中，我们经常遇到有交互作用的因素，即两个或多个因素同时作用时，它们的效果会发生变化。
因此，在正交实验设计中考虑交互作用至关重要。
Orthogonal experimental design is an efficient experimental design method that finds the optimal combination among multiple factors. Through orthogonal tables, we can arrange experiments reasonably so that each factor can be fully examined at each level, while reducing the number of experiments and improving experimental efficiency. In practical applications, we often encounter interactive factors, that is, when two or more factors act simultaneously, theireffects will change. Therefore, considering interaction is crucial in orthogonal experimental design.本文将详细介绍如何在Minitab中实现有交互作用的正交实验设计，并对实验结果进行分析。
MINITAB案例用缺失数据进行实验设计
MINITAB案例用缺失数据进行实验设计一、缺失数据的定义和类型缺失数据是指在数据分析过程中无法获取或记录的数据。
在实验设计中，缺失数据可能会通过实验设备故障、数据采集错误、实验人员缺位等原因产生。
缺失数据分为三种类型：缺失完全随机（MCAR）、缺失随机（MAR）和非缺失随机（NMAR）。
1.1缺失完全随机（MCAR）MCAR是指缺失数据与观测值和缺失的原因均无关。
这意味着数据保留的概率与变量值无关。
例如，一些实验设置的温度计故障，在该实验的温度观察中将会产生完全随机的缺失。
1.2缺失随机（MAR）MAR是指缺失数据与观测值无关，但与缺失的原因有关。
这意味着数据保留的概率仅与其他已观测到的变量有关。
例如，一些实验中有两个不同的操作人员，其中一个人员可能会因个人原因缺失部分数据。
1.3非缺失随机（NMAR）NMAR是指缺失数据与观测值和缺失的原因均有关。
这意味着数据保留的概率与未观察到的变量有关，而这些变量又无法通过其他已观察到的变量推断出来。
例如，一些实验的测试对象可能对其中一种特定条件下的压力有抵触情绪，从而导致在该条件下产生缺失数据。
二、处理缺失数据的方法2.1完全剔除法完全剔除法是指在出现缺失数据的情况下，删除含有缺失数据的样本。
这种方法的优点是简单易操作，不需要额外的计算或推断，但缺点是会减少样本量，可能导致样本偏差。
2.2简单插补法简单插补法是指用其中一种统计量（如均值、中位数等）替代缺失值。
这种方法的优点是简单有效，但缺点是无法准确反映真实的数据分布，可能导致结果偏差。
2.3多重插补法多重插补法是指通过生成多个完整的数据集，并使用多个完整数据集分析和汇总结果，从而处理缺失数据的方法。
这种方法的优点是能够更准确地反映真实的数据分布，缺点是计算量大、操作复杂。
三、缺失数据的实验设计在实验设计中处理缺失数据需要注意以下几点：3.1了解缺失数据的类型在实验设计中，了解缺失数据的类型能够更准确地选择合适的处理方法。
Minitab田口实验设计
Minitab 的田口实验设计——MINITAB统计分析教程续表创建田口实验：分析田口实验的设置：实验结果：————— :11:22 ————————————————————欢迎使用 Minitab，请按 F1 获得有关帮助。
田口设计田口正交表设计L8(2**4)因子: 4试验次数: 8列 L8(2**7) 阵列1 2 3 4田口分析:司机, 生铁与直径, 波纹, 厚度线性模型分析:信噪比与直径, 波纹, 厚度信噪比的模型系数估计系数标项系数准误 T P常量 23.8587 2.041 11.689 0.000直径 118 1.7154 2.041 0.840 0.448波纹 392 0.6990 2.041 0.342 0.749厚度 0.03 -4.1803 2.041 -2.048 0.110S = 5.773 R-Sq = 55.6% R-Sq（调整） = 22.4%对于信噪比的方差分析来源自由度 Seq SS Adj SS Adj MS F P 直径 1 23.542 23.542 23.542 0.71 0.448 波纹 1 3.909 3.909 3.909 0.12 0.749 厚度 1 139.801 139.801 139.801 4.19 0.110 残差误差 4 133.317 133.317 33.329合计 7 300.569线性模型分析:均值与直径, 波纹, 厚度均值的模型系数估计系数标项系数准误 T P常量 110.40 24.95 4.425 0.011直径 118 51.30 24.95 2.056 0.109波纹 392 23.25 24.95 0.932 0.404厚度 0.03 -22.84 24.95 -0.915 0.412S = 70.56 R-Sq = 59.7% R-Sq（调整） = 29.5%备注：Seq SS： Sum of SquaresAdj MS: Adjusted Mean Square对于均值的方差分析来源自由度 Seq SS Adj SS Adj MS F P 直径 1 21054 21054 21054 4.23 0.109 波纹 1 4324 4324 4324 0.87 0.404 厚度 1 4172 4172 4172 0.84 0.412 残差误差 4 19915 19915 4979合计 7 49465备注：Seq SS： Sum of SquaresAdj MS: Adjusted Mean Square线性模型分析:标准差与直径, 波纹, 厚度标准差的模型系数估计项系数系数标准误 T P常量 5.8336 0.7717 7.559 0.002直径 118 1.1667 0.7717 1.512 0.205波纹 392 1.1667 0.7717 1.512 0.205厚度 0.03 0.5834 0.7717 0.756 0.492S = 2.183 R-Sq = 56.2% R-Sq（调整） = 23.4%对于标准差的方差分析来源自由度 Seq SS Adj SS Adj MS F P 直径 1 10.890 10.890 10.890 2.29 0.205 波纹 1 10.890 10.890 10.890 2.29 0.205 厚度 1 2.722 2.722 2.722 0.57 0.492 残差误差 4 19.058 19.058 4.764合计 7 43.560信噪比响应表望目(10*Log10(Ybar**2/s**2))水平直径波纹厚度1 25.57 24.56 19.682 22.14 23.16 28.04Delta 3.43 1.40 8.36排秩 2 3 1均值响应表水平直径波纹厚度1 161.70 133.65 87.562 59.10 87.15 133.24Delta 102.60 46.50 45.68排秩 1 2 3标准差响应表水平直径波纹厚度1 7.000 7.000 6.4172 4.667 4.667 5.250Delta 2.333 2.333 1.167排秩 1 2 3标准差主效应图信噪比主效应图信噪比残差图标准差残差图。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
步骤2：拟合选定模型
按照上图的试验计划进行试验，将结果填入上表的最后一列，则可以得到试验的结果数据（数据文件：DOE_热处理（全因）），如下：
拟合选定模型的主要任务是根据整个试验的目的，选定一个数学模型。通常首先可以选定“全模型”，就是在模型中包含全部因子的主效应及全部因子的二阶交互效应。在经过细致的分析之后，如果发现某些主效应和二阶交互效应不显著，则在下次选定模型的时候，应该将不显著的主效应和二阶交互效应删除。
Minitab实验之试验设计
实验目的：
本实验主要引导学生利用Minitab统计软件进行试验设计分析，包括全因子设计、部分因子设计、响应曲面设计、混料设计、田口设计以及响应优化，并能够对结果做出解释。
实验仪器：Minitab软件、计算机
实验原理：
“全因子试验设计”（full factorial design）的定义是：所有因子的所有水平的所有组合都至少要进行一次试验的设计。由于包含了所有的组合，全因子试验所需试验的总次数会比较多，但它的优点是可以估计出所有的主效应和所有的各阶交互效应。所以在因子个数不太多，而且确实需要考察较多的交互作用时，常常选用全因子设计。一般情况下，当因子水平超过2时，由于试验次数随着因子个数的增长而呈现指数速度增长，因而通常只作2水平的全因子试验。
选择[统计]=>[DOE]=>[因子]=>[分析因子设计]，打开分析因子设计对话框。
在实际工作中，常常要研究响应变量Y是如何依赖于自变量，进而能找到自变量的设置使得响应变量得到最佳值（望大、望小或望目）。如果自变量的个数较少（通常不超过3个），则响应曲面方法（response surface methodology，RSM）是最好的方法之一，本方法特别适合于响应变量望大或望小的情形。通常的做法是：先用2水平因子试验的数据，拟合一个线性回归方程（可以包含交叉乘积项），如果发现有弯曲的趋势，则希望拟合一个含二次项的回归方程。其一般模型是（以两个自变量为例）：
在实际工作中，常常需要研究一些配方配比试验问题。这种问题常出现在橡胶、化工、制药、冶金等课题中。例如不锈钢由铁、镍、铜和铬4种元素组成；闪光剂由镁、硝酸钠、硝酸锶及固定剂组成；复合燃料、复合塑料、混纺纤维、混泥土、粘结剂、药品、饲料等都是由多种成分按相应比例而不是其绝对数值；而且显然所有分量之和总是为1的。对于这种分量之和总是为1的试验设计，称为混料设计（mixture design）。
“选项”选项可以使用折叠设计（这是一种减少混杂的方法）、指定部分（用于设计生成）、使设计随机化以及在工作表中存储设计等；“结果”选项用于控制会话窗口中显示的输出。本例中这两项保持默认。单击确定，计算机会自动对于试验顺序进行随机化，然后形成下列表格。在表的最后一列，写上响应变量名（强度），这就完成了全部试验的计划阶段的工作。
B：加热时间，低水平：2，高水平：3（分钟）
C：转换时间，低水平：1.4，高水平：1.6（分钟）
D：保温时间，低水平：50，高水平：60（分钟）
由于要细致考虑各因子及其交互作用，决定采用全因子试验，并在中心点处进行3次试验，一共19次试验。
步骤1：全因子设计的计划（创建）
选择[统计]=>[DOE]=&g子设计对话框。
实验内容和步骤：
实验之一：全因子试验设计
:例：改进热处理工艺提高钢板断裂强度问题。合金钢板经热处理后将提高其断裂其抗断裂性能，但工艺参数的选择是个复杂的问题。我们希望考虑可能影响断裂强度的4个因子，确认哪些因子影响确实是显著的，进而确定出最佳工艺条件。这几个因子及其试验水平如下：
A：加热温度，低水平：820，高水平：860（摄氏度）
进行2水平全因子设计时，全因子试验的总试验次数将随着因子个数的增加而急剧增加，例如，6个因子就需要64次试验。但是仔细分析所获得的结果可以看出，建立的6因子回归方程包括下列一些项：常数项、主效应项有6项、二阶交互作用项15项、三阶交互项20项，…，6阶交互项1项，除了常数项、主效应项和二阶交互项以外，共有42项是3阶以及3阶以上的交互作用项，而这些项实际上已无具体的意义了。部分因子试验就是在这种思想下诞生的，它可以使用在因子个数较多，但只需要分析各因子和2阶交互效应是否显著，并不需要考虑高阶的交互效应，这使得试验次数大大减少。
稳健参数设计（robust parameter design）（也称健壮设计、鲁棒设计，简称参数设计）是工程实际问题中很有价值的统计方法。它通过选择可控因子的水平组合来减少一个系统对噪声变化的敏感性，从而达到减小此系统性能波动的目的。过程的输入变量有两类：可控因子和参数因子。可控因子是指一旦选定就保持不变的变量，它包括产品或生产过程设计中的设计参数，而噪声因子是在正常条件下难以控制的变量。在做参数设计时，就是把可控因子的设计当做研究的主要对象，与此同时让噪声因子按照设定的计划从而系统改变其水平的方法来表示正常条件下的变化，最终按照我们预定的望大、望小或望目地目标选出最佳设置。田口玄一博士在参数设计方法方面贡献非常突出，他在设计中引进信噪比的概念，并以此作为评价参数组合优劣的一种测度，因此很多文献和软件都把稳健参数设计方法称为田口方法（Taguchi design）。
,
选择两水平因子（默认生成元），在因子数中选择4，单击“设计”选项，弹出“设计”选项对话框。选择“全因子”试验次数为16的那行，并在“每个区组的中心点数”中选择3，其他项保持默认（本例中没有分区组，各试验点皆不需要完全复制）。单击确定。
单击“因子”选项打开，分别填写四个因子的名称及相应的低水平和高水平的设置。单击确定。