因子设计是一种设计试验，能够研究几个因子可能对响应的影响。在执行试验时，同时改变所有因子的水平（而不是一次改变一个）允许您研究因子之间的交互作用。

在许多实际应用中，可能影响过程质量的因子会很多，又由于实验成本与时间限制，使得我们无法详细研究所有的因子，这时候我们会先使用筛选设计识别影响过程质量的最重要因子。在执行筛选试验之后，再执行优化试验以提供有关最重要因子和响应变量之间关系的更多详细信息。

在Minitab中包含三大类型的筛选设计：

那么下面我们先来捋一捋这三种实验设计的差异，再在后续文章中分别介绍。

（1）用于分析的最大因子数不同

这三种筛选设计最多可以用来分析的因子个数是不一样的，其中：

（2）要研究的项类型不同

部分因子设计和 Plackett-Burman 设计旨在筛选线性项。明确筛选设计提供有关平方项和更多双因子交互作用的信息。（Plackett-Burman 设计通常是分辨度 III 的2 水平设计。在分辨度 III 设计中，主效应与双因子交互作用互为别名。因此，应该只在假设双因子交互作用可以忽略时才使用这些设计。）

（3) 因子的水平数

Plackett-Burman 设计和部分因子设计的每个连续因子可以具有 2 个水平。如果您在任一类型的设计中添加用来检测弯曲的中心点，则每个连续因子具有 3 个水平。

（4）实验安排的次数不同

通常，部分因子设计和 Plackett-Burman 设计在给定因子数的单个仿行中具有最少的实验次数。但是，如果模型需要二次项，您必须向部分因子设计和 Plackett-Burman 设计中添加实验次数。明确筛选设计已经包括用来对平方项进行建模的实验。如果模型中将包括平方项，则明确筛选设计的每个仿行中可能具有最少的实验次数。

另外design-expert能用于正交实验数据分析吗，对于部分因子设计的实验次数n都是2的整方幂（2^k），这是为了保证实验安排的正交性（除中心点外，任一列中正负号出

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！