你好 我做的实验是正交实验 3因素3水平 共九个处理 每个处理3次重复 为什么我分析出来的数据自由度，F是0

一、你好 我做的实验是正交实验 3因素3水平 共九个处理 每个处理3次重复 为什么我分析出来的数据自由度，F是0

提供一些拙见，最有可能的是模型设置有问题。根据你的描述，方差分析里除了残差（intercept）外，应该还有因素、水平、因素×水平三项。而你输出的结果感觉还多了一个。

二、正交试验和响应面法

可以的，只要你有相对应的实验数据，我需要知道你的单因素选取数量以及你的实验设计方面的一些资料，有兴趣找我 三0五400521

三、正交实验是怎么做的

我的实验是三因素三水平，做正交的话就是9次实验（我做一次实验得出一组数据就是一个月啊）。

我看不少论文上都是分两大步骤：

一、正交设计

1、进行正交设计，设计出后续的实验方案。

2、根据正交设计的实验方案进行试验（不写出过程，不做图表，因为各单因素的搭配是随机的，没法画曲线图分析），只给出结果。

3、根据实验结果，进行正交分析，得出各单因素的影响大小。

（在正交设计这部分，我就得做九个实验啊）

二、单因素实验

对正交设计的分析结果进行验证所补充的实验，这次所做的实验具有可比性，可以对单个因素影响效果做曲线图分析。

如此一来，那我的实验岂不是就做了两遍（虽然这两遍实验的控制因素水平可能不一样）。

做这么多实验就啥时候毕业呀。

我的问题是：

有人说先单因素方便确定正交设计的因素水平。

2 ，我不想做正交设计。想直接用简单比较法得出最优实验方案算了，不过这样做出的论文不够炫，感觉没有技术含量，和人家做正交设计的相比就差了一大截。

很是头疼，定不下来方案。希望各位走过路过的朋友帮帮忙，

四、如何做培养基优化实验

在工业化发酵生产中，发酵培养基的设计是十分重要的，因为培养基的成分对产物浓度、菌体生长都有重要的影响。实验设计方法发展至今可供人们根据实验需要来选择的余地也很大。

单因素法

单因素方法（One at a time）的基本原理是保持培养基中其他所有组分的浓度不变，每次只研究一个组分的不同水平对发酵性能的影响。这种策略的优点是简单、容易，结果很明了，培养基组分的个体效应从图表上很明显地看出来，而不需要统计分析。这种策略的主要缺点是：忽略了组分间的交互作用，可能会完全丢失最适宜的条件；不能考察因素的主次关系；当考察的实验因素较多时，需要大量的实验和较长的实验周期。但由于它的容易和方便，单因素方法一直以来都是培养基组分优化的最流行的选择之一。

正交实验设计

正交设计（Orthogonal design）就是从“均匀分散、整齐可比”的角度出发，是以拉丁方理论和群论为基础，用正交表来安排少量的试验，从多个因素中分析出哪些是主要的，哪些是次要的，以及它们对实验的影响规律，从而找出较优的工艺条件。石炳兴等利用正交实验设计优化了新型抗生素AGPM 的发酵培养基，结果在优化后的培养基上单位发酵液的活性比初始培养基提高了18.9倍。正交实验不能在给出的整个区域上找到因素和响应值之间的一个明确的函数表达式即回归方程，从而无法找到整个区域上因素的最佳组合和响应值的最优值。而且对于多因素多水平试验，仍需要做大量的试验，实施起来比较困难。

均匀设计

均匀设计 (Uniform design)是我国数学家方开泰等独创的将数论与多元统计相结合而建立起来的一种试验方法。这一成果已在我国许多行业中取得了重大成果。均匀设计最适合于多因素多水平试验，可使试验处理数目减小到最小程度，仅等于因素水平个数。虽然均匀设计节省了大量的试验处理，但仍能反映事物变化的主要规律。

全因子实验设计

在全因子设计(Full factorial design)中各因素的不同水平间的各种组合都将被实验。全因子的全面性导致需要大量的试验次数。一般利用全因子设计对培养基进行优化实验都为两水平，是能反映因素间交互作用（排斥或协同效应）的最小设计。全因子试验次数的简单算法为（以两因素为例）：两因素设计表示为 a ×b，第一个因素研究为a个水平，第二个因素为b个水平。Thiel等试验了两个因素：7个菌株在8种培养基上，利用7 ×8（56个不同重复）。Prapulla等试验了三个因素：碳源（糖蜜4%，6%，8%，10%，12%），氮源（NH4NO3 0g/L、0.13g/L、0.26g/L、0.39g/L、0.52g/L、）和接种量（10%、20%），利用5 × 5 × 2设计（50个不同重复）。

部分因子设计

当全因子设计(fractional factorial design)所需试验次数实际不可行时部分重复因子设计是一个很好的选择。在培养基优化中经常利用二水平部分因子设计，但也有特殊情况，如Silveira 等试验了11种培养基成分，每成分三水平，仅做了27组实验，只是311全因子设计177147组当中的很小一部分。两水平部分因子设计表示为：2n–k，n是因子数目，1/2k 是实施全因子设计的分数。这些符号告诉你需要多少次试验。虽然通常部分因子设计没有提供因素的交互作用，但它的效果比单因素试验更好。

Plackett-Burman设计

由Plackett 和Burman （Plackett-Burman design）提出，这类设计是两水平部分因子试验，适用于从众多的考察因素中快速、有效的筛选出最为重要的几个因素，供进一步详细研究用。理论上讲PB试验应该应用在因子存在累加效应，没有交互作用—因子的效应可以被其他因子所提高或削弱的试验上。实际上，倘若因子水平选择恰当，设计可以得到有用的结果。Castro等利用PB试验对培养基中的20种组分仅进行了24次试验，使γ-干扰素的产量提高了近45%。

中心组合设计

中心组合设计（Central composite design）有Box和Wilson提出，是响应曲面中最常用的二阶设计，它由三部分组成：立方体点、中心点和星点。它可以被看成是五水平部分因子试验，中心组合设计的试验次数随着因子数的增加而呈指数增加。

Box–Behnken设计

由Box和Behnken（Central composite design）提出。当因素较多时，作为三水平部分因子设计的Box–Behnken设计是相对于中心组合设计的较优选择。和中心组合设计一样，Box–Behnken设计也是二水平因子设计产生的。