实验设计与测量不确定度：怎样知道一次试验能说明什么

破除误解#

本篇为原理性通识解释；任何工程作业须由持照专业人员按当地法规执行。文中公式停留在公开教科书与计量指南的层级，不构成实验室操作规程。

费希尔在罗森斯特：让误差可估计#

二十世纪二十年代，罗森斯特实验站的田间试验长期被土壤斑块困扰。同一处理放在相邻垄上，产量差可能来自肥力梯度，而不是肥料。一九二六年，费希尔发表《田间试验的布置》，把两件被混在一起的事拆开：提高精度，以及给出有效的误差估计。随机化不是为了显得公平，而是为了让未控制的变异有资格进入误差项。重复提供可估计的残差；区组把已知的大尺度差异挡在处理比较之外。

一九三五年的《实验设计》把同一逻辑写成更一般的语言。开篇那个“品茶女士”的思想实验被读得过频，真正要带走的是：处理的分配必须在数据产生之前规定，假设才有对应的参照分布。析因设计允许同时看主效应与交互；混杂则是在资源不够时，有意识地把某些高阶交互推入区组，而不是假装它们为零。

工程试验继承的是这套结构，对象换成材料、工艺窗口和传感器。把五个旋钮同时拧到“看起来最好”，得到的是一次故事，不是一张可迁移的响应面。要知道温度与压力是否互相放大，必须让它们在设计矩阵里同时变化，而不是轮流固定。工业工程与质量 把过程变异分成共同原因与特殊原因；实验设计决定你有没有资格做这个划分。

GUM：把不确定度写成可传播的量#

GUM 的起点是 CIPM 一九八一年的建议和 INC-1（1980）：用一个合成量描述测量结果的怀疑，而不是继续把“误差”说成可知的真值偏差。指南把评定分成 A 类与 B 类，只为方便：A 类用统计方法处理重复观测；B 类用校准证书、仪器规格、经验或物理界限。两类进入合成标准不确定度时待遇相同，并不存在“统计的更科学”。

传播律是核心运算。若被测量由若干输入量的函数算出，合成方差在线性近似下等于各输入标准不确定度平方按灵敏度系数加权，再加上协方差项。输入相关时，忽略协方差会得到虚假的窄区间。扩展不确定度再用包含因子 k 放大，常见的 k=2 大约对应高斯模型下约 95% 的区间——前提必须写明。把 k=2 说成自然常数，是把模型当成了世界。

GUM 明确写到：本指南也适用于对实验、测量方法和复杂系统所作的概念设计与理论分析。也就是说，图纸阶段就可以、也必须讨论不确定度，而不是等零件下线再补一份“误差分析”。校准确认、核查标准和控制图被写成获得可靠评定的手段，因为它们能显示测量过程是否仍处于统计控制。这与 控制与反馈 是同一类问题：没有受控过程，反馈只是在追噪声。

与 测量与公差 的接口在这里变得具体。公差是设计允许的偏差带；不确定度是你声称“落在带内”时必须携带的怀疑。测量不确定度若与公差带相比并不小，验收规则就要改，而不能靠把数字多写几位来假装更准。可靠性工程 把寿命与失效率写成带置信度的推断；那套置信度语言，和 GUM 的区间是亲戚，不是两套互相取消的数学。

田口玄一把质量损失写成离目标值的平方，主张在设计阶段用正交表把过程做“钝感”——对难以控制的噪声不那么敏感。它与费希尔的析因设计共享矩阵实验，却常被工程现场理解成“少做试验的配方”。少，只有在效应稀疏、交互可忽略时才成立。交互很强时，压缩试验会把交互推进残差，看起来更稳，其实是看不见。把田口方法写成费希尔的替代宗教，会同时丢掉两件事：有效误差估计，以及对模型假设的公开。

校准与验证也不应混用。校准回答仪器在规定条件下与标准的关系；验证回答这套测量是否仍能支持当前的被测量定义。哈勃的 RNC 可以被非常稳定地重复使用，却没有被独立验证为“仍是那把正确的尺子”。重复提高的是精密度，验证才涉及会不会系统地指错方向。

一次工程试验可以把这套语言说具体。假设要比较两种热处理对屈服强度的影响，同时知道炉温沿炉长有梯度、炉次之间原料批次不同。单因素轮换（一次只拧一个旋钮）看起来干净，其实把温度与材料的交互留给了“碰巧”。析因设计让两种处理在高、低炉温区都出现，区组吸收炉次，随机化决定哪一块试样进哪一个格子。分析得到的不是“平均高了多少”，而是：主效应是否大过有效误差，交互是否大到不能被忽略。

不确定度预算则要在试验之前列出输入：力传感器校准证书的标准不确定度、试样横截面积的量具、温度均匀性、夹具对中。A 类来自重复试样的标准差；B 类来自证书、分辨力和经验界限。若面积测量的灵敏度系数很大，再增加热处理重复次数也压不低总不确定度——那一项必须改测量链，而不是改样本量表。把“多做几次”当成万能补丁，就是拒绝读预算表。

Box、Hunter 与 Hunter 把同一纪律写成工业实验者的工作手册：先画因子、再决定哪些必须进设计矩阵、哪些当作噪声。正交表可以节省试验次数，但不能把“尚未进入矩阵的因子”变成已经估计过的效应。节省是一种假设，必须写进报告。

哈勃主镜：精确地测错#

一九九〇年四月二十四日，哈勃空间望远镜发射。同年六月二十七日，NASA 宣布光学系统有球面像差。七月二日成立的光学系统调查委员会后来在技术报告里给出可核对的因果链：珀金—埃尔默公司用来引导抛光的反射式零位校正器（RNC）中，透镜与镜组的间距偏了 1.3 毫米；按这个间距推回去，正好解释主镜被磨得过平、以及在 632.8 纳米处约 0.4 波长均方根的波前误差。主镜被非常精确地做成了错误的形状。

委员会还写明：装配之后没有再独立核验 RNC 的尺寸；同时存在的反向零位校正器和用于测顶点半径的第二套校正器，都曾清楚显示误差，却被当时当作“辅助仪器自己有问题”而折扣掉。这不是“不够认真打磨”。这是把单一仪器的读数当成了真值，并把与之不符的检验事先解释为噪声。

对实验设计的教训很窄、也很硬。测量装置是实验的一部分，必须有独立于该装置的核对路径。只重复同一套零位校正，重复次数再高，也只是把同一个系统效应测得更稳。GUM 把这类来源放进 B 类或模型不完整的警告里：经验模型与长期数据、核查标准，正是为了抓住“仪器自己在说谎”的情况。哈勃后来用校正光学挽救了科学产出；那不能改写一九九〇年的认识失败——失败发生在发射前的检验被单一化的时候。

争议与边界#

第一场争论是：GUM 的传播律依赖局部线性。输入很大、函数很弯时，一阶泰勒不够，需要更高阶项或蒙特卡洛方法。JCGM 后来补充了数字传播的文件。把 GUM 一九九五年的公式当成一切测量的封闭解，会在强非线性校准曲线上系统性报窄。

第二场争论是频率派区间与贝叶斯可信区间。工程验收、法制计量和实验室认可长期使用 GUM 的操作定义，并不自动回答“真值落在区间内的概率”。把扩展不确定度读成后验概率，是偷换了语句。

第三道边界是：设计不能拯救错误的被测量定义。测错了对象，随机化只让错误更可重复。航天、核电和生物医药因此把“测的是哪一个量”写成与传感器精度同级的问题。本篇不讨论如何绕过安全联锁或伪造校准；能写的是：没有可追溯的定义、装置核对和误差模型，数字不具有工程上的可辩护性。

为什么今天仍然重要#

仿真、数字孪生和自动试验台让“多跑几次”变得便宜，也让人们更容易忘记：便宜的重复仍可能共用同一套错误模型。电池循环、混凝土养护、风洞和芯片量测，都在把实验设计与不确定度从实验室手册推到合同附件。买方问的不是“测过了吗”，而是“你的不确定度预算里哪一项最大，哪一项被独立核对过”。

读懂这一层，才能把公差、可靠性指标和验收试验连成一句完整的话。否则，工程文件会同时出现过窄的误差带和过宽的承诺，直到现场用另一种语言——裂纹、停机、召回——把账重新打开。

实验室认可把不确定度从论文附录推进合同。ISO/IEC 17025 要求检测和校准实验室评定并报告测量不确定度，而不仅仅给出一个点值。买方拿到的是带区间的结果；没有区间的证书，在计量意义上不完整。这不是文书偏好。它决定后续公差带能否被声称“满足”，也决定两家实验室的结果冲突时，有没有共同语言判断差异是否仍在合成不确定度之内。

自动试验台让重复变便宜，也让共同原因被复制得更整齐。机械臂每次都以同一姿态夹持，于是夹具偏心不再表现为试样之间的散度，而表现为所有试样共享的系统效应。A 类评定会看起来很漂亮，B 类若未把夹具模型写进去，预算就是假的。设计与不确定度必须一起读：随机化能打散的，只有那些被允许变化的东西；被夹具锁死的，只能进模型。

把“统计显著”写进验收文件之前，还要声明检验所对应的设计。未随机化的前后对比可以给出差，给不出该差是否仍可能来自班次、原料或夹具。GUM 不会替你做这一步。它只保证：一旦你声称一个数，你必须同时给出它还能散到多远。

不确定度也不替你决定风险接受。k=2 的区间可以写进报告，能否作为放行依据，取决于公差带和失效后果。计量给出的是赋值的怀疑；接受准则是工程与合同的另一句话。把两句焊成一句“已经测过了”，验收就会在现场重新打开。

跨域连接#

• 概率：随机化把未控制因子变成可进入误差项的随机变量，而不是“杂音”。没有概率模型，重复次数没有可解释的增益，区组也只是一种摆放习惯。
• 假设检验：显著性检验预设了设计所对应的参照分布。先看见喜欢的差异再选择检验，破坏的是这一对应。费希尔的贡献是把检验绑回布置，而不是提供事后修辞。
• 认识论：不确定度是对赋值的怀疑声明，不是对世界本体的误差。GUM 拒绝“已知真值偏差”的说法，等于在计量里公开一种可操作的不可知：我们报告的是区间，不是被测量的私密真值。
• 波普尔：一次通过零位校正的抛光，并不能证实镜子符合规格；与之冲突的辅助检验被解释掉，才是关键。可证伪的核对必须独立于正在被保护的那套装置。
• 实验与准实验：社会科学把选择偏差写成识别问题；工程试验把装置偏差写成 B 类不确定度。两者都在问：对照是怎么被制造出来的，而不是只问样本有多大。没有对照的“改进前后对比”，在田间是肥力梯度，在车间是班次与原料批次，在社会调查是谁愿意留下来被问到。设计的公共内核是：让你有资格把差异归因于处理，而不是归因于碰巧一起出现的环境。

参考文献#

• Fisher, R. A. "The Arrangement of Field Experiments." Journal of the Ministry of Agriculture of Great Britain 33 (1926): 503–513.
• Fisher, R. A. The Design of Experiments. Oliver and Boyd, 1935.
• Joint Committee for Guides in Metrology. Evaluation of Measurement Data — Guide to the Expression of Uncertainty in Measurement. JCGM 100:2008.
• Allen, Lew et al. The Hubble Space Telescope Optical Systems Failure Report. NASA TM-103443, 1990.
• NASA. "Hubble's Mirror Flaw." NASA Science, observatory optics notes.
• Taguchi, Genichi. Introduction to Quality Engineering. Asian Productivity Organization, 1986.
• ISO/IEC 17025:2017. General requirements for the competence of testing and calibration laboratories.

延伸阅读#

• Box, George E. P., Hunter, J. Stuart & Hunter, William G. Statistics for Experimenters. 2nd ed., Wiley, 2005.
• BIPM. JCGM 101:2008, Supplement 1 — Propagation of distributions using a Monte Carlo method.
• 国家质量监督检验检疫总局：《测量不确定度评定与表示》（JJF 1059.1），2012.