TA的首页主效应和交互作用图是什么？如何用一张图看懂析因实验的关键结论？
主效应和交互作用图是什么？如何用一张图看懂析因实验的关键结论？
在质量管理和研发改进中，析因实验（Factorial DOE）是识别关键因子及其相互关系的黄金标准。然而，面对一堆方差分析表和回归系数，非统计背景的工程师往往感到无从下手。主效应图（Main Effects Plot）和交互作用图（Interaction Plot） 正是将复杂统计结论“可视化”的利器。本文基于蒙哥马利（Douglas C. Montgomery）《实验设计》中关于析因设计的经典理论，为你讲清这两个工具的原理、计算步骤与判读方法，并提供一个可直接套用的演示算例。
一、什么是主效应和交互作用？
在 2^k 析因实验（每个因子取两个水平：低水平记为“-1”，高水平记为“+1”）中：
为什么不能只看主效应？ 蒙哥马利在书中反复强调：当交互作用显著时，主效应的单独解释可能产生误导。例如，A因子平均效应接近零，但在B高水平时A效应很大、在B低水平时A效应反向——此时若忽略交互，会得出“A不重要”的错误结论。
二、怎么做：主效应图与交互作用图的绘制步骤
1. 主效应图绘制（以两因子为例）
设因子A、B均为两水平，每个组合有 n 次重复，响应均值为 ȳ_(ij) （ i,j 分别代表A、B的水平）。
Effect_A = ȳ_(A+) - ȳ_(A-)
其中 ȳ_(A+) = (ȳ_(+1,+1) + ȳ_(+1,-1))/(2) （A取高水平时所有B水平的平均）， ȳ_(A-) 同理。
2. 交互作用图绘制
3. 交互作用矩阵（Interaction Matrix）
当因子数量 k>2 时，可绘制所有因子两两组合的交互作用图矩阵。矩阵对角线为主效应图，非对角线为对应两因子的交互作用图。这是快速筛查显著交互的标准做法。
三、一个演示算例（示例数据，仅供演示）
背景：某注塑工艺考察两个因子——模温（A：低=40°C，高=80°C）和保压压力（B：低=60 MPa，高=100 MPa），响应为制品收缩率（%）。采用 2^2 全因子设计，每个组合重复2次，均值如下：
计算主效应：
绘制交互作用图：
两线不平行且发散，说明A与B存在交互作用：A的效应在B低水平时（+1.6%）远大于B高水平时（+0.6%）。若只看A主效应+1.1%，会误以为A效应恒定，而实际上应针对B水平分别优化。
四、常见误区提醒
1. 主效应显著 ≠ 直接优化：当交互作用显著时，应使用交互作用图选择最佳因子组合，而非单独调整主效应大的因子。
2. 忽略重复实验：主效应图上的点若未标注误差条，无法判断差异是否统计显著。务必结合ANOVA结果。
3. 混淆“相关”与“因果”：DOE中的效应来自主动扰动因子，而非被动观测，因此可解释为因果影响，但前提是实验设计正确、随机化与区组化符合规范。
五、结语：让分析更高效
主效应图和交互作用图是析因实验的“仪表盘”，能帮助你在几分钟内锁定关键因子及其关系。但手工绘制多因子矩阵既费时又易错——推荐使用专业在线工具。
在线工具推荐：访问 6SQ主效应交互作用图工具，上传你的实验数据（支持标准 2^k 设计格式），即可自动生成主效应图、交互作用图及交互矩阵，并附带效应大小排序，助你快速得出工程结论。无需安装，浏览器即开即用。
在质量管理和研发改进中，析因实验（Factorial DOE）是识别关键因子及其相互关系的黄金标准。然而，面对一堆方差分析表和回归系数，非统计背景的工程师往往感到无从下手。主效应图（Main Effects Plot）和交互作用图（Interaction Plot） 正是将复杂统计结论“可视化”的利器。本文基于蒙哥马利（Douglas C. Montgomery）《实验设计》中关于析因设计的经典理论，为你讲清这两个工具的原理、计算步骤与判读方法，并提供一个可直接套用的演示算例。
一、什么是主效应和交互作用？
在 2^k 析因实验（每个因子取两个水平：低水平记为“-1”，高水平记为“+1”）中：
- 主效应（Main Effect）：某个因子从低水平变化到高水平时，响应变量（输出指标）平均变化量。它衡量的是该因子的“单独影响力”。
- 交互作用（Interaction）：一个因子的效应是否依赖于另一个因子的水平。若因子A的效应在因子B处于低水平和高水平时不同，则称A与B存在交互作用。
为什么不能只看主效应？ 蒙哥马利在书中反复强调：当交互作用显著时，主效应的单独解释可能产生误导。例如，A因子平均效应接近零，但在B高水平时A效应很大、在B低水平时A效应反向——此时若忽略交互，会得出“A不重要”的错误结论。
二、怎么做：主效应图与交互作用图的绘制步骤
1. 主效应图绘制（以两因子为例）
设因子A、B均为两水平，每个组合有 n 次重复，响应均值为 ȳ_(ij) （ i,j 分别代表A、B的水平）。
- A因子主效应 计算公式：
Effect_A = ȳ_(A+) - ȳ_(A-)
其中 ȳ_(A+) = (ȳ_(+1,+1) + ȳ_(+1,-1))/(2) （A取高水平时所有B水平的平均）， ȳ_(A-) 同理。
- 绘图：横轴为A因子的两个水平（-1、+1），纵轴为响应均值。将 ȳ_(A-) 和 ȳ_(A+) 两点连成直线。若直线斜率陡峭，说明主效应大；若接近水平，说明主效应小。
2. 交互作用图绘制
- 方法：将A因子放在横轴，分别画出B因子处于低水平和高水平时的两条折线（每条线连接A两个水平下的均值）。
- 判读规则（源自蒙哥马利DOE教材）：
- 两线大致平行 → 交互作用弱或不存在。
- 两线明显交叉或发散 → 存在交互作用。交叉越厉害，交互作用越强。
3. 交互作用矩阵（Interaction Matrix）
当因子数量 k>2 时，可绘制所有因子两两组合的交互作用图矩阵。矩阵对角线为主效应图，非对角线为对应两因子的交互作用图。这是快速筛查显著交互的标准做法。
三、一个演示算例（示例数据，仅供演示）
背景：某注塑工艺考察两个因子——模温（A：低=40°C，高=80°C）和保压压力（B：低=60 MPa，高=100 MPa），响应为制品收缩率（%）。采用 2^2 全因子设计，每个组合重复2次，均值如下：
| 组合 | A水平 | B水平 | 收缩率均值 ȳ (%) |
| 1 | -1 | -1 | 1.2 |
| 2 | +1 | -1 | 2.8 |
| 3 | -1 | +1 | 1.6 |
| 4 | +1 | +1 | 2.2 |
计算主效应：
- A主效应 = (2.8+2.2)/(2) - (1.2+1.6)/(2) = 2.5 - 1.4 = 1.1 （%）
- B主效应 = (1.6+2.2)/(2) - (1.2+2.8)/(2) = 1.9 - 2.0 = -0.1 （%）
绘制交互作用图：
- B低水平线：A从-1到+1，均值从1.2→2.8（斜率+1.6）
- B高水平线：A从-1到+1，均值从1.6→2.2（斜率+0.6）
两线不平行且发散，说明A与B存在交互作用：A的效应在B低水平时（+1.6%）远大于B高水平时（+0.6%）。若只看A主效应+1.1%，会误以为A效应恒定，而实际上应针对B水平分别优化。
注：以上数据为演示用途，非真实工厂测量值。实际分析需结合方差分析确认交互项P值是否小于0.05。
四、常见误区提醒
1. 主效应显著 ≠ 直接优化：当交互作用显著时，应使用交互作用图选择最佳因子组合，而非单独调整主效应大的因子。
2. 忽略重复实验：主效应图上的点若未标注误差条，无法判断差异是否统计显著。务必结合ANOVA结果。
3. 混淆“相关”与“因果”：DOE中的效应来自主动扰动因子，而非被动观测，因此可解释为因果影响，但前提是实验设计正确、随机化与区组化符合规范。
五、结语：让分析更高效
主效应图和交互作用图是析因实验的“仪表盘”，能帮助你在几分钟内锁定关键因子及其关系。但手工绘制多因子矩阵既费时又易错——推荐使用专业在线工具。
在线工具推荐：访问 6SQ主效应交互作用图工具，上传你的实验数据（支持标准 2^k 设计格式），即可自动生成主效应图、交互作用图及交互矩阵，并附带效应大小排序，助你快速得出工程结论。无需安装，浏览器即开即用。
下图是 6SQ 在线工具一键生成的结果效果：
方法依据：Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley. 第6章“Introduction to Factorial Designs”及第6.4节“Interpretation of Factorial Designs”。
