析因设计

析因设计 (Factorial Design)

析因设计（Factorial Design）是实验设计与统计学中的一种核心方法，由统计学家罗纳德·费希尔（Ronald Fisher）在20世纪20年代于英国罗瑟姆斯特德农业实验站首次系统提出并形式化。其核心思想是同时考察两个或多个处理因素对响应变量的影响，使得研究者不仅能估计各因素的独立效应（主效应），还能识别因素之间的交互效应。这一方法彻底改变了此前"一次仅改变一个因素"（One-Factor-at-a-Time）的实验范式，被视为现代实验科学的奠基性贡献之一。

基本结构

在一个析因设计中，实验包含 $k$ 个因素，每个因素有若干水平。若所有因素的水平组合全部被实施，则称为完全析因设计（Full Factorial Design）。例如，一个 $2 \times 3$ 析因设计表示两个因素，第一个因素有2个水平，第二个因素有3个水平，共6种处理组合。最经典的形式是 $2^k$ 析因设计，即 $k$ 个因素各取2个水平（通常以低水平"-1"和高水平"+1"编码），共需 $2^k$ 次独立实验。当 $k=2$ 时，形成最简单的 $2^2$ 设计，含4个处理组合 $(1), a, b, ab$，其中字母表示对应因素处于高水平。

主效应与交互效应

析因设计的核心优势在于效应的系统分解。设因素A和因素B均为二水平，则A的主效应（Main Effect）定义为在B的每个水平上，A从低水平到高水平引起的响应变化之平均值。类似可定义B的主效应。A和B的交互效应（Interaction Effect）衡量的是A的效应大小是否依赖于B所处的水平——若A在B低水平时使响应增加3单位，在B高水平时使响应增加7单位，则两者之差的一半即为A×B交互效应。交互效应的存在意味着两个因素对响应变量存在协同或拮抗作用，单一因素的分析无法揭示这种依存关系。

在三因素或更高阶的设计中，还可能出现三阶及更高阶的交互效应。实践中，三阶及以上的交互通常量级较小且难以给出直观解释，往往被合并入误差项（Error Term）以释放自由度进行更高效的推断。

方差分析框架

析因设计的数据通常采用多因素方差分析（ANOVA）框架处理。总平方和（$SS_T$）被分解为各因素的主效应平方和（$SS_A, SS_B, \dots$）、交互效应平方和（$SS_{AB}, SS_{AC}, \dots$）以及误差平方和（$SS_E$），每项除以对应的自由度得到均方（Mean Square），随后通过F检验判断各效应的统计显著性。

以两因素完全随机析因设计为例，其线性统计模型为：

其中 $\mu$ 为总均值，$\alpha_i$ 和 $\beta_j$ 分别表示因素A第 $i$ 水平和因素B第 $j$ 水平的主效应，$(\alpha\beta)_{ij}$ 为两者的交互效应，$\epsilon_{ijk}$ 为随机误差，通常假设独立同分布于正态分布。分析中首先检验交互效应的显著性：若交互显著，则主效应的单独解释需谨慎对待；若交互不显著，则可重新拟合仅含主效应的加性模型以提高检验功效。

部分析因设计

当因素数量增加时，完全析因设计的实验次数呈指数增长（$2^7$ 设计需要128次实验，$2^{10}$ 则需要1024次），在时间和资源上往往不可行。此时研究者常采用部分析因设计（Fractional Factorial Design），仅实施全部处理组合的一个精心选择的子集，通常为完全设计的 $1/2^p$。

部分析因设计的代价是引入别名结构（Alias Structure）——某些效应的估计值不可避免地相互混杂（Confounded），即无法单独估计。为此引入分辨度（Resolution）作为衡量设计质量的核心指标：分辨度III的设计保证主效应之间互不混杂，但主效应可能与二阶交互混杂；分辨度IV的设计保证主效应与所有二阶交互不混杂，但二阶交互之间可能相互混杂；分辨度V的设计则进一步保证所有二阶交互之间也不混杂。在实践中，分辨度IV和V的设计最为常用，前者经济高效，后者则提供更干净的二阶交互估计。构造部分析因设计的关键在于选择恰当的定义对比（Defining Contrast）和生成元（Generator）。

经济学与社会科学中的应用

析因设计在计量经济学、政策评估和行为经济学中有广泛而深入的应用。在随机对照试验（RCT）的框架下，析因设计使研究者能同时考察多种干预措施的独立效果与组合效果，显著提高了统计效率——与依次进行多个单因素实验相比，析因设计不仅所需的样本总量更小，而且是唯一能够估计交互效应的实验策略。例如，在劳动经济学中，可用 $2^2$ 析因设计同时评估职业培训项目和求职信息干预对就业结果的主效应及交互作用；在发展经济学中，析因设计被用于分离健康补贴和健康教育对儿童营养状况的独立贡献和协同效应。

此外，析因设计在市场营销中的A/B/n测试、工业工程中的质量改进实验、以及心理测量中的多因素情境设计等领域也发挥着不可替代的作用。值得注意的是，析因设计的有效性依赖于因素水平可被精确操控且实验单位具有较高同质性的假设，这些条件在观测性经济研究中往往难以完全满足，因此将析因逻辑应用于非实验数据时需辅以恰当的识别策略和稳健性检验。