用途
实验设计技能关注数据采集之前的决策：如何把实验单元分配到不同条件、哪些因素保持恒定、哪些因素发生变化以及以什么结构变化。资料强调，一个被混淆或存在伪重复的设计在事后无法通过分析挽救，因此该技能聚焦于在数据收集之前做出正确选择——挑选能隔离目标效应的设计、通过随机化获得因果推断的资格、通过区组消除已知的干扰变异，并组织多因子实验使各效应可估计而非纠缠在一起。
主要能力
该技能以 Fisher 的三项原则为基础：
- 随机化：随机分配处理，使已知与未知的混淆因素在期望上保持平衡，这是把比较转化为因果结论的关键。
- 重复：在正确的层级进行独立重复，以估计变异并避免效应只是单个单元的偶然产物。资料特别指出最常见的致命错误是伪重复——把同一单元上的重复测量当作独立重复。
- 区组/局部控制：把相似单元按批次、日期、站点、窝别等分组，在区组内随机化，从而把干扰变异从误差项中移除。
在具体设计选择上，技能提供决策树：比较少数预定义条件时，可在完全随机、随机区组、交叉/重复测量、整群随机之间选择；需筛选 5 个以上众多因子时使用部分因子或 Plackett-Burman 筛选设计；需量化少数因子的主效应与交互时使用全因子 2^k 设计；需优化响应且存在曲率时使用响应面设计（中心复合或 Box-Behnken）；在连续空间上探索仿真/计算机模型时使用空间填充设计（拉丁超立方）。
技能还涉及：受试者/样本的简单、区组、分层、整群随机化；通过区组或分层移除非目标变异；受试者内/重复测量、交叉、裂区、拉丁方设计；整群/组随机设计；确定重复数量并避免伪重复；带中期分析的序贯、成组序贯或自适应设计；以及实验板/批次布局与运行顺序随机化以对抗漂移。
使用方式
安装命令为：
uv pip install "numpy>=1.26" "pandas>=2.0" pyDOE3
其中 pyDOE3 是 pyDOE/pyDOE2 的维护后继版本，提供因子、部分因子、Plackett-Burman、中心复合、Box-Behnken 和拉丁超立方生成器。技能附带的脚本对其封装，以真实因子单位返回带命名列与随机化运行顺序的设计。
随机化/分配计划通过 scripts/randomization.py 生成，可用函数包括 simple_randomization、block_randomization、stratified_block_randomization、cluster_randomization、assign_factorial_runs、arm_balance。例如：
from randomization import (
simple_randomization, block_randomization,
stratified_block_randomization, cluster_randomization,
assign_factorial_runs, arm_balance,
)
sched = block_randomization(n=60, arms=["treatment", "control"], seed=42)
sched = stratified_block_randomization({"siteA": 30, "siteB": 30},
arms=["drug", "placebo"], ratio=(2, 1), seed=42)
sched = cluster_randomization(["clinic1", "clinic2", "clinic3", "clinic4"], seed=42)
arm_balance(sched)
sched.to_csv("allocation_schedule.csv", index=False)
DOE 矩阵通过 scripts/doe_designs.py 生成，可用函数包括 full_factorial、two_level_factorial、fractional_factorial、plackett_burman、central_composite、box_behnken、latin_hypercube。例如：
from doe_designs import (
full_factorial, two_level_factorial, fractional_factorial,
plackett_burman, central_composite, box_behnken, latin_hypercube,
)
factors = {"temp_C": (20, 60), "conc_mM": (1, 10), "pH": (6, 8)}
design = two_level_factorial(factors, seed=42)
many = {f"factor_{i}": (0, 1) for i in range(7)}
design = plackett_burman(many, seed=42)
design = central_composite({"temp_C": (20, 60), "conc_mM": (1, 10)}, seed=42)
design.to_csv("experimental_runs.csv", index=False)
运行顺序默认随机化，以避免因子与时间/漂移（如机器预热、试剂老化）混淆。脚本均设有随机种子，便于归档和重新生成，满足试验注册和良好实验室规范的要求。
适用场景
资料列出的适用场景包括：规划任何比较性实验或试验并决定单元分配方式；将受试者/样本随机分配到各组（简单、区组、分层或整群）；通过区组或分层移除非目标变异；设计多因子实验（全因子或部分因子、筛选设计）；在连续因子上优化响应（响应面设计）；受试者内/重复测量、交叉、裂区或拉丁方设计；整群或组随机设计（站点、诊所、教室、窝别）；确定重复数量与层级并避免伪重复；带中期分析的序贯、成组序贯或自适应设计；以及实验板/批次布局与运行顺序随机化。
限制与注意事项
资料强调这些错误是结构性的，只能在设计中解决，无法在分析阶段修复：伪重复（例如对施加于小鼠的处理而言，3 只小鼠各 100 个细胞应记为 n=3 而非 n=300）；由干扰变量造成的混淆（如周一做全部处理样本、周二做全部对照，使处理与日期混淆）；没有随机化或随机化被破坏（如先到先得分配）；缺乏适当对照；把批次效应误认为生物学效应；实验板边缘/位置效应；部分因子设计中忽略别名结构；以及不在存在曲率时优化（两级因子设计无法检测弯曲响应，会错过内部最优值）。
工作流程建议为：陈述问题、单元与响应；列出干扰因子并计划区组、分层或随机化；用决策树与参考文件选择设计；在正确层级决定重复并借助 statistical-power 技能确定样本量；用带种子的脚本生成布局；随机化运行/处理顺序与板/批次位置；记录设计、种子与计划（尽可能预注册）；最后让分析匹配设计，确保区组、分层、整群与嵌套出现在模型中。
相关资料还列出参考文件 references/randomization_and_blocking.md、references/factorial_and_doe.md、references/design_types.md、references/sequential_and_adaptive.md，以及相关技能 statistical-power、statistical-analysis、statsmodels、pymc，并列出了 Fisher (1935)、Montgomery (2019)、Hurlbert (1984)、Lazic (2016) 等关键参考文献。
关于该技能的收费、价格、平台支持范围等信息，资料暂未提供。