Experimental Design - 实验设计与随机化分组工具

技能概述

Experimental Design 是一个专为数据收集前的研究设计阶段打造的 Claude 技能，帮助您规划实验、进行随机化分组、避免混淆和伪重复，并通过可重现的脚本生成 DOE（实验设计）矩阵，确保研究结果真正可解释。

适用场景

1. 多因子实验设计与筛选

当您需要同时测试多个因素（5 个或更多）的影响时，该技能可以生成分式因子设计或 Plackett-Burman 筛选设计，帮助您用最少的实验次数找出最重要的因素。适合工业优化、配方开发、工艺参数筛选等场景。

2. 临床试验与样本随机化分配

在进行药物测试、干预研究或需要分配受试者到不同组别时，提供简单随机化、区组随机化、分层区组随机化和聚类随机化等多种方案。每个方案都使用种子生成可重现的分配表，满足试验注册和良好实验室规范的要求。

3. 响应面优化与实验布局优化

当您需要找到连续因素的优化设置（如温度、浓度、pH 值）或处理板布局、批次顺序等系统性漂移问题时，可生成中心复合设计、Box-Behnken 设计等响应面设计方案，以及拉丁方设计，帮助您发现最优参数组合并避免位置效应和批次效应。

核心功能

1. 随机化分组与分配方案生成

通过 randomization.py 脚本，提供多种随机化方案：

• 简单随机化：适用于大样本量
• 区组随机化：保证组间平衡，适合小样本或连续入组
• 分层区组随机化：在已知预后因素（如研究中心）上平衡组间
• 聚类随机化：当干预在群体层面实施（如学校、诊所）时使用

所有方案均使用随机种子，可精确重现分配结果。

2. DOE 矩阵生成（基于 pyDOE3）

通过 doe_designs.py 脚本，直接生成真实单位下的设计矩阵：

• 全因子和二水平因子设计：评估主效应和交互效应
• 分式因子设计：高效筛选多因素
• Plackett-Burman 设计：快速主效应筛选
• 响应面设计（中心复合、Box-Behnken）：优化连续因素
• 拉丁超立方设计：探索计算机模型或模拟空间

运行顺序默认随机化，避免因素与时间漂移混淆。

3. 实验设计错误预防

该技能明确指出实验中常见的结构性错误，并提供对应的解决方案：

• 伪重复：帮助您识别正确的重复层级，避免将同一单元的重复测量当作独立重复
• 混淆：通过随机化和区组设计避免处理与干扰变量（批次、日期、操作员）混淆
• 批次效应：指导您如何随机化板布局和批次顺序
• 设计选择：基于您的问题类型和单元结构，推荐合适的设计类型（交叉、拉丁方、裂区等）

常见问题

什么是实验设计中的随机化，为什么重要？

随机化是将处理分配到实验单元的过程，通过随机平衡已知和未知的混淆因素，使组间比较具有因果推断的基础。没有随机化，组间差异可能来自选择偏差或其他未测量的变量。Experimental Design 提供可重现的随机化脚本，确保分配过程既随机又可追溯。

如何避免实验中的伪重复？

伪重复是指将同一单元（如一只小鼠）上的重复测量当作独立重复。正确做法是在处理分配的层级上进行重复和随机化，并在分析中使用混合模型考虑嵌套结构。该技能明确指出"重复必须出现在处理随机化的层级上"，并帮助您识别真正的实验单元数量。

区组设计和完全随机化有什么区别？

完全随机化适用于没有已知干扰因素的情况；区组设计用于消除已知的干扰变异（如批次、日期、地点）。区组设计将相似的单元分组，在组内随机化，从而将干扰变异从误差项中移除，提高检验效能。Experimental Design 提供分层区组随机化功能，平衡已知预后因素的同时保持随机化。

多因子实验设计怎么选？

选择取决于您的目标：

• 筛选多因素：用 Plackett-Burman 或分式因子设计，主效应清晰即可
• 量化交互效应：用全因子设计
• 优化连续响应：用响应面设计（中心复合或 Box-Behnken）
• 探索参数空间：用拉丁超立方设计

该技能包含完整的设计决策树，帮助您从问题出发选择合适的设计。

样本量不足时怎么设计实验？

小样本更需要精心设计。使用区组随机化控制已知干扰，交叉设计提高检验效能，或考虑序贯/自适应设计在中期重新估计样本量。但样本量计算应在设计阶段完成，可配合 statistical-power 技能确定所需重复数。Experimental Design 强调"设计决定可回答的问题"，而非在分析阶段补救。