实验设计与DOE

问题从设计开始，而不是从分析补救

单元如何分配到各条件、什么保持不变、什么被改变——这些决定在数据落盘之前就锁定了你能回答的问题。事后换模型、调 p 值，救不了混杂或伪重复：把同一小鼠上的细胞当成 n=300 独立重复，或周一全跑处理、周二全跑对照，都是结构错误。

本技能聚焦数据收集之前的决策：用 Fisher 三条线（随机化、在正确层级的重复、分块/局部控制）把比较变成有资格的因果主张，并结构化多因素实验，让主效应与交互可被估计而不是缠在一起。

技能如何帮你落地

• 选设计：从问题与单元结构出发，参考分支指引覆盖简单/分块/分层/整群随机化、全因子与分式因子、响应面、交叉/裂区/拉丁方、序贯与自适应等场景。
• 生成布局：scripts/randomization.py 产出设种子的分配排程；scripts/doe_designs.py 基于 pyDOE3 封装全因子、Plackett-Burman、中心复合、Box-Behnken、拉丁超立方等，列名用真实因素单位，运行顺序默认可随机化以对抗漂移。
• 对照清单：文档里单列「毁掉研究的错误」——无恰当对照、批次与条件对齐、分式别名被忽略、两水平因子无法检曲率等，便于在设计阶段自检。

工作流上：明确随机化层级与独立重复 → 列出批次/天/板/操作员等干扰并规划分块或随机化 → 选设计 → 与 statistical-power 定 n → 生成种子化排程并记录（预注册友好）→ 分析侧用块、嵌套、整群结构匹配设计（可交接 statistical-analysis / statsmodels）。

适用边界

它不负责功效计算、拟合混合模型或写论文统计段落；样本量请用 statistical-power，分析请用 statistical-analysis 或 statsmodels/pymc。复杂法规下的临床试验方案（如正式 SAP、多中心伦理约束）需结合领域规范与统计师审阅，本技能提供的是通用实验设计方法与可复现脚本，而非替代注册试验的合规文档。