{
  "id": "replication-experimental-design",
  "title": "重复（实验设计）",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "重复是将实验处理施加于多个实验单位，以估计变异，并更精确地比较处理效应。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "实验重复",
    "处理重复"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/replication-experimental-design/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/replication-experimental-design/",
      "json": "https://aiwiki.page/en/replication-experimental-design.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在实验设计中，重复是指将某一处理或处理组合施加于不止一个实验单位。重复提供了接受相同处理的单位之间变异的信息，从而能够区分处理效应与背景变异。真正的重复发生在处理被独立施加或分配的层级；对同一个接受处理的单位进行多次测量，通常并不会增加处理重复数。"
    },
    {
      "heading": "实验单位与观测",
      "text": "实验单位是能够被独立分配处理的最小单位。根据实验的不同，它可以是一个人、一块农田小区、一个生产批次、一个培养容器、一个班级，或一整栋建筑。接受观测或测量的单位不一定就是实验单位。\n\n例如，假设将不同肥料随机分配给农田小区，并在每个小区内测量十株植物。小区是实验单位，植物则提供这些单位内部的观测值。每种肥料施用于五个独立接受处理的小区，构成的是五次处理重复，而不是五十次。\n\n这种区别取决于实际的分配程序。如果将处理独立分配给不同花盆中的单株植物，那么花盆可以是实验单位。如果处理通过共用的灌溉系统施加，那么相应的实验单位可能是该系统所服务的一组花盆。\n\n因此，重复涉及的是实验的结构，而不只是数据集的行数。如何理解重复，取决于统计独立性、共同的变异来源，以及进行处理比较的层级。"
    },
    {
      "heading": "统计目的",
      "text": "估计实验误差\n\n接受相同处理的单位通常会产生不同的结果。这些差异可能源于生物异质性、材料差异、环境条件和测量误差。重复提供了估计与处理比较有关的变异所需的信息，这种变异通常称为实验误差。\n\n在一个有 \\(a\\) 种处理、每种处理有 \\(n\\) 次独立重复的简单实验中，单因素模型为\n\n\\[Y_{ij}=\\mu+\\tau_i+\\varepsilon_{ij}, \\qquad i=1,\\ldots,a,\\quad j=1,\\ldots,n,\\]\n\n其中，\\(\\mu\\) 为总体均值，\\(\\tau_i\\) 为处理 \\(i\\) 的效应，\\(\\varepsilon_{ij}\\) 为随机误差。为使模型参数可识别，通常采用约束条件 \\(\\sum_i\\tau_i=0\\)。\n\n如果误差相互独立、均值为零，且具有相同的方差 \\(\\sigma^2\\)，那么处理内的变异就能用于估计 \\(\\sigma^2\\)。在单因素方差分析中，处理内误差的自由度为 \\(a(n-1)\\)。通常的有限样本精确检验还要求满足正态性假设。\n\n如果各处理组合内部没有重复，就无法直接根据这些组合估计纯粹的处理内误差。借助关于响应模型、某些交互作用可以忽略，或经独立论证的误差估计等假设，仍可能开展分析，但此时不确定性的评估就依赖于这些额外假设。\n\n提高精度\n\n对于具有相同方差 \\(\\sigma^2\\) 的 \\(n\\) 个独立观测值，样本均值的方差为\n\n\\[\\operatorname{Var}(\\bar Y)=\\frac{\\sigma^2}{n}.\\]\n\n因此，其标准误为 \\(\\sigma/\\sqrt n\\)。增加重复次数可以提高精度，但收益会逐渐递减：在这一模型下，要将标准误减半，重复次数必须增加到原来的四倍。\n\n对于两个相互独立的处理组，\n\n\\[\\operatorname{Var}(\\bar Y_1-\\bar Y_2) = \\frac{\\sigma_1^2}{n_1} + \\frac{\\sigma_2^2}{n_2}.\\]\n\n这一关系是构建置信区间和进行许多样本量计算的基础。在其他条件相同的情况下，增加真正的重复可以提高检出指定效应量的统计功效。\n\n这些益处并不意味着重复能够消除系统误差。单纯增加单位数量，并不能消除仪器偏差、不恰当的对照，或处理与另一因素之间的混杂。"
    },
    {
      "heading": "重复、随机化与区组化",
      "text": "重复通常与随机化和区组化并列为实验设计的基本原则。这些原则各有不同的作用：\n\n- 重复提供有关变异的信息，并提高精度。\n- 随机化通过随机机制决定处理的分配，使处理比较不与既有差异形成系统性关联。\n- 区组化将相似单位归为一组，并在组内比较处理，从而减弱已知干扰变异的影响。\n\n在田间实验中，可以在每个区组内为每种处理设置一个小区，并在各区组内分别随机安排处理位置。这样，处理重复就分布在不同区组中。分析必须考虑区组结构，而不能将所有观测值视为没有结构的集合。\n\n这些原则的现代阐述，在很大程度上得益于罗纳德·费希尔的工作，以及二十世纪初农业实验的发展。如今，其应用范围已扩展至实验室、工业、生态学和行为学实验。"
    },
    {
      "heading": "重复的形式与层级",
      "text": "不同学科使用的术语有所不同，因此，相比单纯的名称，对实验结构的描述更能提供有效信息。\n\n生物学重复与技术重复\n\n生物学重复通常是指旨在反映生物变异的不同生物样本或实验单位。技术重复则是对同一基础样本反复进行测量或处理，例如重复读取仪器数值，或用同一份提取物制备多个检测孔。\n\n技术重复可以描述测量变异，并提高样本层面结果的精度。但它不一定能提供有关独立接受处理的生物个体或制备物之间变异的信息。\n\n两者的区别取决于具体情境。即使来源相同，只要不同培养物被独立分配处理，它们也可能构成实验重复。反之，从一个接受处理的生物个体中取得的多个样本，可能仍只是子样本，而不是独立的处理重复。\n\n跨批次、地点与时间的重复\n\n处理可以在不同生产轮次、实验日期、地点、季节或操作人员之间重复实施。这样的重复能够揭示仅在单一条件下开展的实验所无法估计的变异。\n\n能从中获得哪些信息，取决于实验设计。如果每个批次中都包含所有处理，就可以在批次内比较处理效应。如果一种处理只出现在某一批次，而另一种处理只出现在另一批次，那么处理与批次就存在混杂。\n\n跨条件重复还可以揭示统计交互作用：处理效应可能随地点或季节而变化。平均效应与该效应在不同条件下的一致性，是两个不同的量。\n\n有重复的析因实验\n\n在析因设计中，重复通常是指将每个处理组合施加于多个实验单位。这样便可以将误差与模型中的主效应和交互作用分开估计。\n\n无重复的析因实验仍然可以估计选定的效应，但对这些效应进行检验时，可能需要假定某些交互作用可以忽略。未使用的模型项并不会自动等同于通过独立观测得到的实验误差。"
    },
    {
      "heading": "伪重复与相关观测",
      "text": "如果某些观测值并未为处理比较提供独立重复，却在分析中被当作独立重复，就会发生伪重复。常见例子包括：\n\n- 将同一个接受处理的水槽中的多个生物个体视为独立的处理重复；\n- 将对一个单位的重复测量计为多个独立接受处理的单位；\n- 比较一个处理地点与一个未处理地点，却将各地点内部的样本视为独立的处理重复。\n\n例如，一个接受处理的水族箱和一个对照水族箱，并不能提供水族箱层面的处理重复，即使每个水族箱中都有很多鱼。仅凭这一比较，无法将水族箱之间的差异与处理效应区分开来。\n\n相关性说明了为什么观测数量可能夸大信息量。假设有 \\(K\\) 个相互独立的群，每个群中包含 \\(m\\) 个观测值，各观测值具有相同的边际方差 \\(\\sigma^2\\)，群内任意两个观测值之间的相关系数均为 \\(\\rho\\)。那么\n\n\\[\\operatorname{Var}(\\bar Y) = \\frac{\\sigma^2}{Km}\\bigl[1+(m-1)\\rho\\bigr].\\]\n\n相对于 \\(Km\\) 个独立观测值，其方差乘上了一个称为设计效应的因子：\n\n\\[D=1+(m-1)\\rho.\\]\n\n当 \\(\\rho\\) 为正时，在现有群内增加观测所提供的信息，少于增加同等数量的独立观测所提供的信息。相应的有效样本量 \\(Km/D\\) 是针对这一特定结构、基于方差得到的近似值，而不是衡量重复的通用指标。\n\n相关数据本身并非无效。混合效应模型、群层面的分析，或其他与设计相匹配的方法，都可以考虑这种依赖关系。然而，这些方法无法凭空创造实验中原本不存在的独立处理分配。"
    },
    {
      "heading": "重复与重复测量",
      "text": "重复测量是在多个时间点或多种条件下记录同一单位的结果。通过揭示单位内部的变化，重复测量可以提高精度，但也会产生必须在分析中体现的依赖结构。\n\n如果二十名参与者被分配到处理组后，每人提供十次读数，那么该实验有二十个参与者层面的实验单位，而不是两百个独立接受处理的单位。\n\n在交叉实验或被试内实验中，同一个单位可以按照随机顺序接受多种处理。此时，可以在单位内部定义处理对比，其不确定性取决于单位内变异、处理顺序以及可能存在的残留效应。因此，“一个单位对应一个观测值”并非普遍要求；关键是使分析与处理分配及依赖结构相匹配。"
    },
    {
      "heading": "分配与实际限制",
      "text": "在预算固定的情况下，实验设计需要权衡：是增加独立单位的数量，还是更深入地测量每个单位。增加独立单位有助于估计单位间变异，而子抽样和技术重复则可以降低每个单位测量结果的不确定性。\n\n对于方差相等、每个单位成本相同的两个独立组，在单位总数固定时，均衡分配可使两组均值之差的方差最小。如果方差或成本不同，不均衡分配可能更有利。\n\n不存在适用于所有实验的固定重复次数。需要考虑的因素包括目标处理对比、预期变异、所需精度或功效、观测值之间的依赖关系，以及结论预期适用的条件范围。\n\n重复也不能保证因果推断成立，或保证结论具有广泛的可推广性。在狭窄条件范围内进行大量重复，可以精确估计这些条件下的效应，却可能几乎无法为其他总体、环境或处理实施方式提供直接证据。"
    },
    {
      "heading": "与研究复现的区别",
      "text": "实验内部的重复，不同于开展一项新研究来考察先前的发现。复现研究会收集新的证据，可以采用与原研究高度一致的程序，也可以用不同方式将同一假设操作化。它可以评估某种效应在不同样本、研究人员或研究条件下的稳定性。\n\n这两种含义相互关联，但不可互换。单个实验可以包含许多处理重复，却从未被另一研究团队复现。反过来，后续研究可以重复先前的程序，但在处理分配层级上仍然缺乏充分的重复。\n\n通过元分析合并独立研究，可以同时考察研究间的变异和研究内部的不确定性。但这并不能替代每项研究自身的必要工作：明确实验单位，并在适当层级估计不确定性。"
    }
  ],
  "links": [
    "experimental-design",
    "statistical-independence",
    "variance",
    "analysis-of-variance",
    "degrees-of-freedom",
    "sample-mean",
    "standard-error",
    "confidence-interval",
    "sample-size",
    "effect-size",
    "statistical-power",
    "confounding",
    "randomization",
    "ronald-fisher",
    "statistical-interaction",
    "factorial-design",
    "mixed-effects-model",
    "causal-inference",
    "meta-analysis"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}