
SPSS用于正交试验优化设计及其方差分析_数据分析师考试
试验优化设计,指在最优化思想的指导下,进行最优设计的一种优化方法,从不同的优良性出发,合理设计试验方案,有效控制试验干扰,科学处理试验数据,全面进行优化分析,直接实现优化目标。
正交试验设计是试验优化的常用技术,在农业试验、工业优化、商业优化等方面应用已久。主要优点是能在多试验条件中选出代表性强的少数试验方案,通过对这些少数试验方案结果的分析,从中找出最优方案或最佳生产工艺条件,并可以得到比试验结果本身给出的还要多的有关各因素的信息。
SPSS软件不仅具有包括数据管理、统计分析、图表分析、输出管理等在内的基本统计功能, 而且用它处理正交试验设计中的数据程序简单, 分析结果明了。
明确通过正交试验想要解决什么问题,确定用来衡量试验效果的评价指标,并详细描述出评定该指标的原则标准、测定指标的方法重要信息。
有依据的选择引起指标变化的影响因素,因素在试验中的各种状态称为因素的水平。尽量选择适用于人为控制的和调节的影响因素,最后列出因素水平表。
在能够安排下试验因素和交互作用前提下,尽可能选用较小的正交表,以减少试验次数和成本的消耗。
表头设计即将试验因素安排到所选正交表的各列中去的过程。正交表中的任意一列的位置是一样的,可以任意变换,因此不考虑交互作用的情况下可直接将所有因素安排在任意一列;如果考虑交互作用,则必须按照交互作用列表的规定进行配列;为避免混杂,那些主要因素重点考察的因素涉及交互作用较多的因素,应优先安排;特别注意,尽可能安排空列,用于反映试验误差,并以此作为衡量试验因素产生的效应是否可靠的标志。
表头设计完成后,将所选正交表中各列的不同数字换成对应因素的相应水平,形成试验方案。试验方案中的试验号并不意味着实际进行试验的顺序,一般需同时进行,若条件不允许,为排除外界环境干扰,应使试验序号随机化。
按照随机化的试验顺序进行试验,记录结果必备分析。
7、试验结果的统计分析
正交设计的结果分析有两种,一种是极差分析法(直观分析法),只考虑因素间的影响,不考虑试验误差。另一种是方差分析法,是一种精细化分析方法,可采用spss完成。
我们用正交试验的方法,对从中草药虎杖中提取白藜芦醇苷的工艺进行优化。
(1)明确目的,确定指标:这是工艺优化的案例,目的在于通过试验,寻求优选白藜芦醇苷的最佳提取条件,白藜芦醇苷提取的效果指标为白藜芦醇苷含量。
(2)挑因素,选水平:根据专业知识及参考文献知识,以及正交试验的特点,选定影响水提取法的3个因素,加水量、煎煮时间、煎煮次数,每个因素3个水平,列出因素水平表如下:
(3)选择正交表:此为3水平试验,并不考虑交互作用,有3个因素需要占据3列,预留一个空列作为误差的话,标准正交表L934是最合适的选择。
(4)表头设计:不考虑交互作用,因素可占据任意列。
(5)排出试验方案:方案及试验结果如下表,第六步省略。
(7)试验结果的方差分析:为考察试验的误差及精细效果,我们直接采用SPSS方差分析来对此试验进行结果分析。
A:方差分析的步骤
B:不考虑交互作用,只考察各因素的主效应
C:方差分析结果解读
由方差分析可知,影响因素中加水量和煎煮次数两个对提取白藜芦醇苷具有显著的影响,而煎煮时间这个因素对其的影响较小。3个因素的主次关系是:煎煮次数>加水量>煎煮时间。
D:影响因素的哪个水平最好?可以通过绘制出的图直观的看出,也可以通过邓肯氏检验来解答,这里我们仅列出直观图。
通过上图,我们可以非常直观的看出,从三个因素中选择最好的水平,得到最佳组合为A3B2C3,即加水量12,煎煮时间1.5小时,煎煮次数3次。
使用SPSS统计软件包对L9(34) 正交试验结果进行数据处理, 只要按正交表的设计格式输入实验数据, 便可获得所需的统计结果。其操作方便,直观,快捷,结果准确,使研究工作事半功倍,此法也可用来处理其他正交试验的数据。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11