实验设计 Experiment Design

设计决定了数据能回答什么问题——混杂或伪重复的设计，事后再高级的分析也救不回来。本技能覆盖 Fisher 三原则、设计类型选择、随机化/区组、样本量与功效、以及采集前就锁定的分析计划。跨学科通用： 湿实验、临床、社科实证、计算/机器学习实验都适用。

本技能整合了实验设计与统计功效分析的通行方法（Fisher 随机化/重复/区组原则、 经典 DOE 与响应面设计、Cohen 效应量与 a-priori 功效分析），并将样本量、随机化、 DOE 布局等确定性计算下沉为可复现脚本。

脚本（确定性工具，采集前直接生成方案）

• scripts/power.py — 样本量/功效计算（依赖 statsmodels，见 requirements.txt）
• scripts/randomization.py — seeded 随机化方案：simple/block/stratified/cluster（仅标准库）
• scripts/doe_designs.py — DOE 矩阵：全析因/两水平析因/拉丁超立方，运行顺序随机化（仅标准库）
• templates/preregistration.md — 采集前预注册 / 分析计划模板（对应工作流第 7 步）
• tests/regression.py — 脚本回归测试（数值与 statsmodels 对拍 + 边界/编码/输出路径），改脚本后运行 python tests/regression.py 应全绿

何时使用