实验设计：根据需要，自由组合，可以同时优化众多因素，不必拘泥于是培养基还是培养条件。
响应面设计的三个阶段
0
It is possible to separate an optimization study using RSM into three stages. The first stage is the preliminary work in which the determination of the independent parameters and their levels are carried out. The second stage is the selection of the experimental design and the prediction and verification of the model equation. The last
one is obtaining the response surface plot and contour plot of the response as a function of the independent parameters and determination of optimum points. 三个阶段。
1，准备阶段，决定独立变量及其水平。 2，实验设计的选择及模型的验证 3，根据响应面来确定优化条件。
求救：pb试验我做了好几次，总是找不到影响显著的因子
0
我做了好几次pb试验，可是总也找不到影响显著的因子，就是大于95%的两个到三个因子，我的基本都在80%左右，很是郁闷啊
备受打击，但是郁闷完了，还是想找找问题，调整浓度继续筛选 不知道大家有没有遇到类似的问题？都从哪里入手调节？
对了，我看很多文献上都说，高水平一般是低水平的1.25倍，这个很固定吗 我都是按照1.25倍做的，不会是这里有问题吧
还是要focus到上面的问题，遇到显著性不高的问题，应该如何调整？ 希望高手多多指教！
试试高水平是低水平的1.5倍看看~
生物过程存在严重的交互作用，而PB实验次数少，因此在交互作用解决上有一定的问题。所以在生物领域先进行单因素考察，然后再进行组合试验是有一定道理的。我感觉也可以先进行PB实验多考察一些因素，然后再减少因素并进一步探索因素间的交互作用。 首先：你考察的是几个因素？如果存在交互作用，确实会存在上述情况。
第二：你的响应量是什么，该数据是否可靠？
比如，我们做糖的，响应量就是胞外多糖，胞内多糖。测糖的方法是浓硫酸苯酚法。如果实验设计者对该方法掌握不好，就算是同一个样品，测定结果差别甚大，那么，这就不是实验设计分析本身的错误，而是实验设计者的错误！ 只要大于７５％就行了
我是以生物量作为指标，用涂平板检测的
我用了七个因子，用minitab设计的12次试验，经过分析，只有一个因子的可性度在90%以上
在此之前，我做过比较全面的单因子试验，但是由于单因子试验用的是化合物能清楚的知道碳浓度、氮浓度等详细的参数
现在做工业发酵，用的都是豆饼粉之类的，所以在量上还是需要摸索 后期要做响应面，所以pb试验做的比较谨慎，怕后期出现更大的错误。 我这周重复一下上次的试验，再把倍数扩大到1.5试试看 非常感谢大家这么热心的帮助我，真是很感动哦 不知道我现在的设计有没有什么地方不合适? 希望大家多多批评指正！
不知道楼主，为什么7个因子要用12次实验设计呢？
minitab上自动生成的啊
还有就是每次生成的图表都不一样呢，很是奇怪 版主是不是觉得我的设计有问题啊
我刚准备瓶子，准备做了，呵呵，看样子是有问题了哦 我回去再看看，晚上再做吧，版主加我qq吧 43787903 可能需要和您好好讨论一下呢 谢谢，我在线等
首先：7个因子，做8次实验足够。不知道你设计过程中是否有哪一步没选好。
其次：低水平和高水平的倍数，一般在1.5左右，多了少了并没太大关系。只要不是认为的胡乱加大水平值，PB筛选还是比较可靠的。
再次：我实验室是不准安装QQ等聊天软件的。所以，只能我回家加你了。
关于爬坡实验的疑问！
0
爬坡试验需要软件设计吗？我刚做完pb试验，筛选完重要因子，然后是不是应该以高水平为中心，上下筛选几个浓度(一般也要七八个浓度吧），这时候步长设计有什么要求吗？浓度个数设置有要求吗？需要软件设计吗？ 版主快来指导一下吧！
最爬坡试验最后要达到什么要求才能进一步进行响应曲面试验？
爬坡试验需要或者能用minitab设计吗？ 我看到的论文上好像只是将得到的数据比较产量高低呢？
puzzled and help！
你做完了PB从分析的数据上就可以看出每个因子的影响是正还是负！所以设计的时候一定注意不要搞错了！
步长的设置也要看你自己实验本身，不能套用！所选择几个比较好，能达到你的实验目的，就是逼近最有的响应区域！越逼近越有利于下一步的实验！
回归与相关
0
回归与相关
--------------------------------------------------------------------------------
一、直线回归分析
直线回归是用直线回归方程表示两个数量变量间依存关系的统计分析方法，属双变量分析的范畴。
1. 直线回归方程的求法
（1）回归方程的概念:
直线回归方程的一般形式是Y（音y hat）=a+bx，其中x为自变量，一般为资料中能精确测定和控制的量，Y为应变量，指在x规定范围内随机变化的量。a为截距，是回归直线与纵轴的交点，b为斜率，意为x每改变一个单位时,Y的变化量。
(2)直线回归方程的求法
确定直线回归方程利用的是最小二乘法原理，基本步骤为：
1）先求 b，基本公式为b=lxy/lxx=SSxy/SSxx ,其中lxy为X,Y的离均差积和，lxx为X的离均差平方和；
2）再求a，根据回归方程 a等于Y的均值减去x均值与b乘积的差值。
(3)回归方程的图示:
根据回归方程，在坐标轴上任意取相距较远的两点，连接上述两点就可得到回归方程的图示。应注意的是，连出的回归直线不应超过x的实测值范围.
2. 回归关系的检验
回归关系的检验又称回归方程的检验，其目的是检验求得的回归方程在总体中是否成立，即是否样本代表的总体也有直线回归关系。方法有以下两种：
(1)方差分析
其基本思想是将总变异分解为SS回归和SS剩余，然后利用F检验来判断回归方程是否成立。
(2)t检验
其基本思想是利用样本回归系数b与总体均数回归系数?进行比较来判断回归方程是否成立，实际应用中因为回归系数b的检验过程较为复杂,而相关系数r的检验过程简单并与之等价,故一般用相关系数r的检验来代替回归系数b的检验。
3. 直线回归方程的应用
(1)描述两变量之间的依存关系；
利用直线回归方程即可定量描述两个变量间依存的数量关系
(2)利用回归方程进行预测；
把预报因子（即自变量x）代入回归方程对预报量（即因变量Y）进行估计，即可得到个体Y值的容许区间。
(3)利用回归方程进行统计控制
规定Y值的变化，通过控制x的范围来实现统计控制的目标。如已经得到了空气中NO2的浓度和汽车流量间的回归方程，即可通过控制汽车流量来控制空气中NO2的浓度。
4. 应用直线回归的注意事项
(1)做回归分析要有实际意义；
(2)回归分析前,最好先作出散点图；
(3)回归直线不要外延。
二、直线相关分析
1. 直线相关的概念
直线相关分析是描述两变量间是否有直线关系以及直线关系的方向和密切程度的分析方法。用以描述两变量间相关关系的指标是相关系数（常用r表示），两变量间相关关系的种类有正相关（0 2. 相关系数的计算 相关系数是x,Y的离均差积和lxy除以X的离均差平方和lxx与Y的离均差平方和lyy之积的算术平方根的商。故此相关系数又被称为积差相关系数。 3.相关系数的假设检验 相关系数检验的目的是判断两变量的总体是否有相关关系，方法有t检验和查表法，t检验法是样本与总体的比较，查表法是直接查相关系数界值表得到相应的概率p。 三、直线相关与回归的区别与联系 区别：1. 相关说明相关关系，回归说明依存关系； 2. r与b有区别； 3. 资料要求不同。 联系：1. r与b值可相互换算； 2. r与b正负号一致； 3. r与b的假设检验等价； 4. 回归可解释相关。相关系数的平方r2(又称决定系数)是回归平方和与总的离均差平方和之比，故回归平方和是引入相关变量后总平方和减少的部分。 四、等级相关分析 等级相关分析适用于资料不是正态双变量或总体分布未知，数据一端或两端有不确定值的资料或等级资料。常用的Spearman等级相关系数rs是利用x，Y的秩次来进行直线相关分析的。因此当x，Y的相同秩次较多时，计算出的rs需矫正。同样的，等级相关系数rs也需要进行假设检验。 五、相关分析应用中的注意事项 1. 相关分析要有实际意义； 2. 相关关系不一定都是“因果”关系； 3. 相关系数r假设检验中p的大小不能说明相关的密切程度； 4. 直线相关和等级相关有各自不同的适用条件 方差分析 0 方差分析 -------------------------------------------------------------------------------- 一、方差分析的基本思想 1. 方差分析的概念 方差分析（ANOVA）又称变异数分析或F检验，其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。我们要学习的主要内容包括单因素方差分析即完全随机设计或成组设计的方差分析和两因素方差分析即配伍组设计的方差分析。 百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库Pb设计应注意的问题(4)在线全文阅读。
相关推荐：