Design Expert中的方差分析主要用于判断实验模型是否具有统计意义，并分析不同实验因素对响应结果的影响。在响应面分析、正交实验、混料设计等实验优化过程中，完成模型拟合后，需要通过方差分析结果判断模型是否适合当前实验数据。实际使用Design Expert时，部分用户会遇到模型不显著的情况，这并不一定代表实验数据无效，还需要结合失拟项、拟合效果以及残差情况进一步判断。

Design Expert中的完整二次模型往往带有多个交互项和平方项，其中一部分对响应贡献不大。适当降阶能让模型更简洁，但删项之后，方差分析会重新计算，所以原来显著的项可能变弱，原来不显著的项也可能发生变化。处理“Design Expert模型降阶怎么操作Design Expert模型降阶后显著性为什么发生变化”，不能只盯着单个P值，还要一起看模型层级、预测能力和残差表现。

在把数据弄进Design Expert软件之前，有一件事特别重要，就是大家得先在表格里把数据整理好，做成软件能看懂的实验数据，可不能直接把实验记录原封不动地放进去，根据官方那边的说明来看，手里现有的数据能通过【Import Data】这个功能转进来，或者也可以先建一个【Blank Spreadsheet】这种空白表格，然后再把数据复制粘贴过去，同时大家还要注意，每一个因素的水平还有它的范围，必须跟已经有的数据集保持一样才行。

在这个软件里面，等高线图被制造出来，主要就是为了观察两个不同的因素同时发生改变的时候，那个结果数值在平面上会怎么变化，这个图并不是直接把做实验得到的原始点连起来，它是用前面算出来的那个回归方程模型预测出来的，所以大家在画等高线图之前，最好是要先看看那个模型分析是不是没有太大的毛病，在进行响应面分析的时候，大家经常用到的图就是这个等高线图，还有那个三维的响应面图，其实等高线图本身也就是一种二维的图片，用来展示两个数值因素或者混合成分组合在一起和结果数值的关系。

在做工艺优化、配方调整或者实验条件筛选时，很多人会遇到Design Expert响应面设计怎么建立，Design Expert响应面因素水平怎么设置这两个问题。表面上看，响应面设计只是用软件生成一张实验表，但真正影响结果的，往往是前期因素有没有选准、水平范围有没有设稳、响应值能不能准确测量。在使用Design Expert之前，需要先把实验目的、设计类型、因素边界和实际可操作条件都理清楚，再进入软件建模。

当实验数据都跑完之后，响应曲面图常常是人们用来判断参数区间的一个重要工具。但是，对于Design Expert里头的响应曲面图要怎么去看，响应曲面上那些拐点的位置又要怎么去判断，可不能仅仅靠着颜色的深浅就下结论。响应曲面这种方法，本来就是用来做过程优化的，我们一般会从等高线图和三维曲面图这两个地方入手观察，不过这样做的前提是，模型得能够很好地解释当前的响应。如果在模型拟合、残差还有异常点这些都还没查清楚的情况下，哪怕图画得再平滑，也不适合直接拿来当作确定参数的依据。下面就会具体说一说看图的方法，以及判断拐点位置的操作。

用Design Expert安排正交试验的时候，怎么选表、正交因子的水平又该怎么安排，这个问题不能光盯着L9或者L16这一类传统的表号来看。在Design Expert里面，更常见的做法是先理清楚几个基本问题：因子到底有几个、每个因子设了多少个水平、这些因子属于什么类型，以及哪些交互作用需要被观察到，之后再根据这些信息去选对应的设计类型，让软件自己把试验矩阵给生成出来。两水平的筛选、多水平分类的比较，还有连续参数的优化，它们各自适用的设计其实是不太一样的。

很多人第一次在Design Expert里做正交设计分析，最容易犯的错，不是不会点按钮，而是把结果表、主效应图和显著性检验混成了一件事。按Stat-Ease官方文档的分析顺序，因子型设计先看效应筛选，再看ANOVA，再看模型图和诊断图；如果你建的是Taguchi正交表，官方还特别提醒这类设计本质上更偏主效应筛选，不适合把它当成完整交互作用分析来用。

很多人第一次接触Design Expert，往往会把它当成一个普通统计软件来看，但它真正擅长的并不是事后把数据算一遍，而是在试验开始前就帮你把试验方案排好。Stat-Ease官方把Design-Expert定位成一款DOE也就是实验设计软件，重点能力包括为过程因子、配方组分以及它们的组合创建试验方案，再对结果做建模、分析和可视化，所以它更像是把试验设计、结果分析和优化决策连成一条线的工具。

做响应面或工艺优化时，很多人第一次看到Lack of Fit这一行都会有点发懵。明明模型那一行已经显著了，怎么下面又冒出一个缺失拟合，还偏偏给了个不太好看的概率值。其实这不是多出来的一道题，而是在提醒你，这个模型虽然能解释一部分变化，但未必已经把试验区间里的变化趋势抓准。Stat-Ease官方文档对这个判断说得很明确，Lack of Fit本质上是在拿残差和重复试验得到的Pure Error做比较，看看模型没解释掉的那部分误差，是正常波动，还是模型本身还没拟合到位。