实验设计是对实验进行系统规划：选择处理，将其分配给实验单位，并安排测量，使所得数据能够回答明确的问题。它通过确定哪些效应可以估计、估计精度如何，将统计学与实际研究联系起来。其目标包括比较不同方案、识别有影响的变量，以及建立过程模型。因此，设计应先于数据收集，而不只是规定后续如何分析观测结果。(itl.nist.gov)
历史发展
现代统计实验设计在农业研究中得到了长足发展。罗纳德·费希尔于1919年加入洛桑研究所，该所长期开展的作物试验为研究环境变异和处理间比较提供了实际问题。他的工作推动了随机化、重复和有结构的分配方式成为实验研究的基础。这些发展将实验的实际安排与估计效应和实验误差的规范方法联系起来。(rothamsted.ac.uk)
单位、因素与响应
因素是研究其影响的变量；因素的水平是所采用的设定值或类别。一个处理可以是某个因素的一个水平，也可以是多个因素各自水平的组合。响应是测得的结果。例如，实验可以改变加工温度和材料成分，同时测量产品强度。研究目标决定了设计中应纳入哪些变量和水平。(itl.nist.gov)
实验单位是独立接受处理的实体，不一定与接受测量的实体相同。如果将不同的水处理分配给不同水族箱，那么箱内被测量的鱼是抽样单位，而水族箱才是实验单位。若把这些鱼视为处理的独立重复，就会造成伪重复，人为夸大可用于比较处理的信息量，并虚增误差自由度。(online.stat.psu.edu)
基本原则
随机化通过规定的随机机制分配处理或安排实验运行的顺序。它减少处理与未受控制的影响因素之间的系统性关联，并为统计比较提供依据。随机分配有助于加强因果推断，但不同于从总体中随机抽样：分配关注的是处理间的可比性，抽样关注的则是代表性。随机化实验并不意味着其结论自动适用于所有总体或情境。(online.stat.psu.edu)
重复是将处理施加于多个实验单位。它提供有关实验变异的信息，并可提高精度。对同一单位反复读数可能提高测量精度，但不能替代独立施加处理。在计算样本量和评估不确定性时，区分这两者至关重要。(online.stat.psu.edu)
区组化按照重要的干扰变量，如生产批次、操作人员或地点，对实验单位或实验运行进行分组。在相对同质的区组内比较处理，可以减少无关因素对误差方差的贡献。随后，随机化在区组结构施加的限制内进行。区组化针对的是已识别的变异来源，并不能消除所有可能的混杂来源。(itl.nist.gov)
主要设计类型
完全随机设计在所有可用的实验单位之间分配处理，不受区组限制。随机完全区组设计在每个区组中包含所有处理，并在区组内部随机分配处理。这些安排涉及处理的分配方式，可以与不同的处理结构结合使用。(online.stat.psu.edu)
析因设计同时研究多个因素。全析因设计包含所选水平的所有组合；若有 个因素，每个因素均有两个水平，则在不计重复的情况下，共有 种处理组合。它能够估计主效应和交互作用，后者指一个因素的效应取决于另一个因素的水平。每次只改变一个因素，通常无法揭示这些联合效应。(itl.nist.gov)
部分析因设计选用组合中的一个子集，以降低实验成本。这种节省会引入别名关系：如果没有额外的假设或观测，某些效应便无法区分。筛选设计着重识别有影响的因素，而响应面设计则支持包含曲率的模型，通常通过二次项来实现。如果初步结果表明需要研究额外的效应，可以增加实验运行次数以扩充实验。(itl.nist.gov)
裂区设计适用于施加尺度不同或受到不同实际约束的因素。难以改变的设定可以分配给主区，而另一个因素则在副区之间变化。由于这种设计包含不止一种大小的实验单位，分析时必须区分相应的变异来源。(itl.nist.gov)
精度与统计分析
样本量规划将所关注的效应与预期变异程度以及拟进行的比较联系起来。统计功效是指在某个特定备择假设成立时，指定的统计假设检验拒绝其原假设的概率。功效计算可用于确定检出指定差异所需的样本量；其结果依赖于有关效应大小、变异程度和检验程序的假设。(online.stat.psu.edu)
分析必须与设计相匹配。方差分析和线性回归可以表示处理效应、区组和交互作用。全析因设计的模型可以包含所有阶数的交互作用，而部分析因设计则需要明确考虑其别名结构。残差分析用于评估拟合模型是否充分反映了观测数据。如果设计未提供区分某些效应的信息，统计建模也无法将它们分别识别出来。(itl.nist.gov)
最优设计与实际约束
最优实验设计将实验运行的选择表述为一个数学优化问题。A最优性使参数估计的平均方差最小化，D最优性则使广义方差最小化。这类方法可以处理标准设计可能无法应对的约束，例如实验运行次数或允许设定值方面的限制。“最优”取决于所选模型、候选设定值和评价准则：有利于估计参数的设计，未必同样有利于预测响应。计算搜索也未必能保证找到全局最优解。(itl.nist.gov)