试验需要设计的理由

shiyiming

试验是科学研究的重要手段
试验（experiment），指人工控制条件下重现自然现象并对其观测的科学研究方法，即人们按照研究的目的，利用仪器和设备，人为地控制对象，排出干扰，突出主要因素，暴露对象的特性，在有利条件下研究自然规律。试验，是探知未知世界的一种重要手段。
试验前，思谋控制那些因素，各个因素控制到哪个量值，各因素量值怎样组合，观测哪些因素、指标或变量，试验重复多少次等问题的决策规划，就是试验设计（experiment design）。变量观测值的整理，采用统计方法进行判断、推理和作出结论，就是统计分析（statistical analysis）。可见，试验、试验设计和统计分析三者密不可分，它们具有科学的内在联系。
人类社会各个领域都有着自己的特定试验内容和方法，其中不乏著名的科学试验。这些方面的例子比比皆是，旨在提高产量和品质以解决人类食物供给安全问题的育种试验，如水稻杂交试验、果蔬新品种选育试验、农作物新品种选育试验、畜禽新品种选育试验等；旨在检测和改进机电产品性能的试验，如发动机性能试验、农业机械性能试验、汽车行驶试验、飞机风洞试验等；旨在检验巨大工程或受限项目可行性的试验，如三峡大坝模型试验、核爆炸模拟试验、登月车模型试验等。试验概念的广义延伸，亦包括按照特定采样方法对自然现象进行的被动观测。
从系统的输入输出角度理解“试验”的涵义：
铧式犁的牵引阻力试验：研究对象为悬挂犁；控制的输入为土壤坚实度、土壤水分、土壤质地、土壤结构和土壤茬口；测定的输出为牵引阻力。
汽车的隔振试验：研究对象为汽车；控制的输入为路面质地和地面谱；测定的输出为汽车车体的振动频率和振动幅值。
土壤水分检测仪的检测精度试验：研究对象为土壤水分检测仪；控制的输入为土壤水分；测定的输出为标准方法的水分读数，仪器的水分读数。
小麦的施肥试验：研究对象为小麦与土壤系统；控制的输入为施肥量和施肥配方；测定的输出为小麦产量。
果树的栽植密度试验：研究对象为果树与土壤系统；控制的输入为栽植密度、土壤类型和肥力特征；测定的输出为果树产量。
植物的品种试验：研究对象为某植物的多个品种；控制的输入为土壤性状、种植密度、肥力特征、水分特征和气候特征；测定的输出为植物果实的产量。
果树的育苗扦插试验：研究对象为扦插苗与插床系统；控制的输入为扦插苗形态和尺寸、扦插苗处理、环境温度、基质温度和叶面水分；不控制的输入为插床基质、基质水分、扦插苗光照、扦插苗密度；测定的输出为扦插苗成活率和扦插苗生根势。
试验设计是做好试验的必要步骤
试验是为了解决问题，要求尽可能有效地挖掘对所研究问题有价值的信息，对变量（输入与输出）间的关系有一个客观真实和全面的了解。试验需要设计源于下述理由：
■针对特定的研究问题，需要筛选试验因素，确定其量值和范围，并注意可行性、充分性、重要性和代表性，使能够与所研究的问题匹配。
■针对特定的研究问题，需要筛选测定指标，并注意可行性、充分性、重要性和代表性，使能够与所研究的问题匹配。
■研究因素效应或变量间关系的通常做法是，假定或利用成熟理论推导一个或若干个数学模型，利用试验数据检验模型的合理性，选择检验达到要求的模型完成对问题的分析研究。
■由于任何试验都不可能考虑穷尽所有的因素，受未考虑因素影响，测定数据具有某种随机不确定性，于是统计模型（随机模型）成为唯一的选择，凭借它能最有效地逼近客观实际。
■每一种统计方法都对应于某种特定的统计模型和若干假设，将其应用于数据分析（模型求解）需满足一些特殊要求：（1）试验应符合统计模型的基本假设；（2）试验布点（包括因素的水平组合及其试验实施）需要满足模型要求的特定试验结构，才能有效地逼近客观实际，最大限度地获得丰富（全面完整）、可靠（真实）、精确的数据；（3）响应是激励效应的偶合结果，需要考虑便于解偶的试验结构，以分辨单个激励的效应，并对该效应进行统计检验；（4）选定的统计分析方法必须与相应的试验结构匹配，来源不明数据的随意统计分析，可能导致错误结论；（5）统计方法需要考虑减少或控制各种误差，如平衡系统误差、分离随机误差、减少试验误差和控制不试验因素的随机干扰等，以保障试验精度和挖掘信息的可靠性，这些也要求特定的试验结构；（6）欲获得全面丰富的必要信息、期望的结论和实现研究目标，需要考虑试验布点结构、试验容量和试验次数等。即具有代表性、充分性和可靠性。
■尽可能减少试验次数，以节约人力、财力、时间和物力（包括试材、仪器装备等）等资源消耗，即尽量减小成本，使试验具有经济性。
■有利于确定进一步试验的探索方向，促成有价值的科学发现；
■合理的研究手段才能有较高的研究效率，才可能使研究的问题得以快速解决。不经过设计的试验，既浪费资源又浪费时间，难于获得有用的试验结果，不能保证做出可靠、可信、充分与精确的判断或结论。
然而，采集的试验数据毕竟是自然过程的一个样本，而代表性、充分性和经济性对试验设计的要求常常是矛盾的。因此，所谓试验设计（experiment design），实质上就是根据研究问题的需要，选择合适的统计模型，按照统计分析对数据产生背景的要求，考虑试验误差的影响，选用尽可能少的试验次数和适当的样本容量，科学地规划试验规模、布点位置、布点容量和布点结构，以尽可能有效地采集所需信息。试验设计亦称作试验优化技术（experiment optimization）。
试验设计不是可有可无的，是做好试验的必要步骤。没有经过设计的试验，可能产生许多有害后果：（1）试验范围与问题的需要不匹配，不能准确解释所研究的问题；（2）试验布点不合理，代表性不足，采集信息集中于局部；（3）研究变量筛选不合理，或过多，或过少，或缺失重要变量，试验结论显得偏颇且不充分；（4）试验布点结构不合理，使统计方法不能发挥全部作用，进而信息挖掘不足，常分析不出欲考察的效应或关系，甚至不能应用某种方法，数据处理结果的误差较大；（5）试验规模要么过大造成不必要的资源浪费，要么过小得不到需要的试验结论。这些有害后果损害试验结论的可靠性。
试验设计是管理人员尤其是科技人员的必备技术。在科学研究、产品开发等领域有着广泛的应用。
只有经过设计的试验应用统计分析才是合理的
试验结果具有随机不确定性，导致不确定性的原因主要有三方面：（1）试验能够考虑的因素或变量有限，试验结果除了包含所考虑因素的影响外，还包含未考虑或不明因素的影响。不加控制的未考虑因素对试验结果的影响，表现为试验结果与理论预测结果的系统偏移和随机波动性；（2）试验仅仅是所研究问题的一次采样，只反映客观过程的一部分，没有、也不可能包含与所研究问题有关的全部信息；（3）试验的时间和空间包含控制因素和不控制因素的时空变化，样本的产生本身就具有随机性。试验分析能够做的只是“由部分推断整体”。
由于对研究对象的内部结构和运行机制知之甚少或一无所知，“由部分推断整体”也只能采用统计模型（statistical models）对其变量间的关系进行近似或逼近。统计模型，指含有随机变量的数学模型，是对研究对象变量间关系的一种假设或推断，由效应函数和随机偏差两部分组成。
效应函数亦称作效应模型(effect models)，统计模型中的效应函数表征试验因素对指标变量的影响，随机偏差表征未考虑或不明因素对指标变量的影响，选择统计模型，就是确定效应函数与随机偏差的组合结构或形式。
效应函数中的参数或系数一旦确定，则该函数被决定。利用试验数据，确定效应函数中的参数或各个因素的效应，并检验效应的显著性，称作统计分析（statistical analysis）。统计分析，运用各种数学技巧辨识和检验统计模型，分辨哪些是因素效应、哪些是随机效应和因素对指标影响的大小，有效地挖掘试验数据里隐含的有用信息，进而对所考察对象（系统）整体的性质做出尽可能精确可靠的判断。
统计分析本质上就是“由部分推断整体”，应当选择合适的统计模型描述试验结果，使具有科学性、可行性和有效性，并能够获得较高可靠度的试验结论。评价一个统计模型对现实世界逼近的效果，一般以具有较小误差为标准。