1.問題的認知
將實驗問題深入了解非常重要，例如目標是要找出特性、篩選 因子，或者系統已經是成熟並且被了解，目標是要進行系統的最佳 化；又或者是要確認系統的穩定性，還是想發現新材料、變數與作 業不同條件下系統的反應？又或目標是瞭解系統的穩定性(什麼條 件會使反應值劇烈變化)，還是想建構穩健性(robustness)的系統 (如何減少不能直接控制的來源變數對系統反應值的差異)？
這些問題本質的差異將直接導致實驗設計策略的不同選擇。例 如，在問題成形與系統摸索階段，應該選擇一系列逐次，而每次實
原因分析 原因分析 原因分析
原因分析(定性方法定性方法定性方法)：定性方法：：： 腦力激盪法 / 特性要因圖 / 系統圖 / 5Whys / FMEA / ..
原因分析原因分析
原因分析原因分析(定量方法定量方法定量方法)：定量方法：：： 假設檢定 / Multi Varu Chart
/ 變異數分析(ANOVA) ..
變數篩選 變數篩選 變數篩選 變數篩選：：：： 2k /2k-p /Plackett-Burman
變數最佳化 變數最佳化變數最佳化 變數最佳化：：：：
多水準設計 反應曲面法 -CCD
-Box-Behnken
X1,X2,X3, .. .. .. .. .. .. .. .. .. .. .. .. .. ..,Xn
驗次數較少的方式逐一探討，會比一次多實驗次數來的安全，以免 浪費寶貴的實驗時間、材料等資源，事實上就是一種實驗策略，也 就是在進行圖 2-4漏斗模型中輸入變數的篩選。
2.反應變數的選擇
反應變數的選擇指的是產出那些反應值，例如常見的是產出量 測特性的平均值、標準差獲量測誤差等。如果量測能力不足就可能 需要重複多次的量測後予以平均；甚至關心的不是反應值本身，而 是在實驗一個實驗設計，用以研究與改善量測系統的效能。
3.因子、水準及範圍的選擇
實驗設計的因子因為實驗策略的不同可分為潛在、干擾、固定、
允許變動等等不同分類，其中干擾因子又可分可控制、不可控制及 雜音因子等等。實驗者必須很清楚為什麼要選定這些設計因子，接 著必須選取設計因子的變動範圍與實驗時的水準，也特別思考如何 控制因子在特定值上如何量測[53]。當然，這都涉及理論與經驗結 合的製程知識，但初期階段，重要的因子都必須抱著懷疑態度進行 研究。
當實驗的目的是因子篩選或製程特徵化時，最好保持因子的水 準數少，一般說來因子篩選可以選擇 2 水準[53]。本階段利用的管 理手法有特性要因圖及系統圖，詳第三章第一節。
4.實驗設計的選擇
如果很清楚整個研究的內容、實驗目的，以及實驗前期規劃作 業能夠很確實，實驗設計的選擇階段實際上完成了一半。設計的選 擇包括樣本大小(重複數)、實驗順序、區集劃分或其他隨機化限制 的決定等。事實上，目前已有一些統計軟體，可以交談式介面輸入 因子數及其屬性、水準數及範圍大小，並提供可選擇是否隨機化的 實驗設計建議方案，作為執行實驗的依據；另外，視個別軟體的功
能，還能針對所得反應數據進行漏失、異常進行觀測報告，及後續 的統計檢定分析。
以上完善的前制規劃是實驗執行的成功要素，而如果是複雜的 製造或研發環境下，專家學者都還建議在實驗之前，先嘗試的進行 少許實驗，俾獲得實驗材料一致性、量測系統檢查、實驗誤差等等 技術資訊，有助於檢討改進上述各項選擇。
當實驗進行時必須仔細依規劃步驟執行及監控，以免實驗的有 效性受到質疑。實驗之後的資料分析應該應用統計方法來進行，以 得到客觀的結果與結論，並避免主觀的判斷。而如果實驗是經過具 理論方法設計的，事實上所需的統計方法不必是深奧或華麗的 [53]，而目前套裝的實驗設計軟體也都直接提供統計分析的功能及 介面。
實驗結果資料統計分析部分，最重要的可能是假設檢定與信賴 區間的估計分析了，經驗模型(empirical model)也是相當重要，這 可以反應變數與設計因子以及設計因子之間彼此是否有關係。此 外，殘差分析與模性適合性檢查也是重要的分析技巧[53]。
事實上，統計方法是不允許任何事情被實驗證明，因此無法證 明設計因子一定具有某種特定效果。它們只對可靠性與結果提供指 南，允許我們度量結論的可能誤差，或對陳述提供信賴水準；當資 料分析完成進行結論時，經常搭配圖示來說明，並且一定要建議出 後續的實驗或確認結果所需要的實驗。
三 三
三三、、、、實驗設計因實驗設計因實驗設計因實驗設計因子篩選子篩選子篩選子篩選的方法的方法的方法的方法
本實驗研究方法論_品質管理系統化 QC 七大手法包含：檢核表 (check list)、散佈圖(scatter diagrams)、直方圖(histograms)、
柏 拉 圖 (Pareto diagrams) 、 特 性 要 因 圖 (cause and effect diagrams)、層別法(stratification)及管制圖(control charts)，
這其中只有特性要因圖是日本石川馨博士於 1943 年所發展出來 [52]，但由於日本科技連之倡導，而使日本成功應用七大手法於品 管作業中[51]。
本研究將運用七大手法中之特性要因圖分析整理分析磁磚剝落 的原因，實驗完成後之數據應該也有可能使用到散佈圖、直方圖、
柏拉圖進行分析說明，另外管制圖之原理和使用較為複雜，而層別 法有時會被流程圖取代，詳細介紹可詳相關品質管理書籍。在此，
主要說明特性要因圖，也就是俗稱的魚骨圖。
特性要因圖是用來研究造成某一問題之可能原因，可視為腦力 激盪的工具之一，其基本構成元素為符號與線，用以表示原因和結 果間的關係，用途多且是極為有效的分析工具。在問題預防或解決 問題的過程中，特性要因圖具有下列三項優點[52]：
1. 對某一特定問題，特性要因圖可以提供一個開放討論的依據架 構。
2. 可使參與人員集中注意力於發掘造成問題的原因，而顯現出來 也更容易了解。
3. 特性要因分析可鼓勵各階層有關的人員一起參與解決問題，並 且讓大家得到更好的溝通。
一個問題的產生，往往不是一個或少數幾個原因所造成，而是 由大大小小的多種原因共同作用的結果[51]。而且這多種原因，可 分出一般的、次要的、主要的甚至是關鍵的原因，要在這些錯綜複 雜的原因中進行分析，理出次序並不是容易的事，而特性要因圖正 是用來處理這類事件的簡便有效工具。
特性要因圖依其應用之不同，可分為三大類：問題原因的列舉、
散佈分析及製程分析[52]。前二者近似，但第一種最接近腦力激盪，
而散佈分析要先進行問題原因的分組，依分組次序集中思考列舉原
因，而每一道製程的影響原因一般考慮人力、機器、材料、方法[51]， 而也有專家學者又加入了環境及量測兩大類[52]，如圖 2-5 所示。
圖 2-5 特性要因圖
資料來源：本研究整理繪製。
品質管理新七大手法為處理文字資料的方法，是於 1972 年日本 科技連納谷嘉信教授所研究歸納，因與原有「QC 七大手法」做區別，
故稱「QC 新七大手法」包含：關聯圖(relations diagrams)、親和 圖(affinity diagrams)、系統圖(systematic diagrams)、過程決 策計畫圖(prcess decision program chart, PDPC 圖)、矩陣圖 (matrix diagrams)、數據矩陣分析(matrix data analysis)、箭線 圖(arrow diagrams) [52]。
在腦力激盪歸納出特性要因圖之後，可能需要應用新七大手法 中的系統圖來描述解決問題所需的步驟。因為特性要因圖及系統圖 為一簡易的文字問題分析工具，其目的是找出造成品質問題之可能 原因，以提供採取改正的思考方向及行動，以防止類似問題再出現。
然而，要獲得精確之結果[52]，例如，想知道問題原因之影響大小、
彼此關係等，甚至產出數據資訊，就要考慮使用新舊七大手其中的 統計方法，更嚴謹者則要導入實驗設計方法，及更複雜的統計方法 進行交叉分析比對。
系統圖也稱為樹狀圖，是用來描述問題所需之步驟，可以對於 問題的本質有更進一步的了解，並且在解決問題時，得以聚焦在某
目 的
方法 1
方法 2
方法 3
方法 1-1 方法 1-2
方法 2-1 方法 2-2 方法 2-3 方法 3-1 方法 3-2
些特定的任務上，對於問題處理因而更有效率。系統圖通常由左至 右，將目的及達成目的各項手段，展開為的各階層關係，而上一層 手段就成為下一層展開的目的，依此逐一展開至需要的詳細程度，
如下圖 2-6所示。
其他分析工具如時間序列圖、機率圖、箱型圖，以及相關敘述 統計、推論統計、假設檢定、變異數等量化分析之原理技術，將於 本研究後續實驗分析階段，實際應用時加以引述說明。
圖 2-6 系統圖
資料來源：本研究整理繪製。
四 四
四四、、、、實驗設計方法的實驗設計方法的實驗設計方法的實驗設計方法的演演演演進進進進
實驗設計方法演進至今將近一個世紀，一開始是 1920~1930 年 代的農業時期，是英國費雪爵士(Sir Ronald Fisher)負責農業實 驗，為提高農產品產量所發展的統計與資料分析方法；主要貢獻是 提出變異數分析法(Analysis of Variance，ANOVA)，並在實驗設計 的使用上強調三個重要的觀念：隨機化(Randomization)、重覆次數 (Replication)及集區設計(Blocking)。
1930 年代工業界已應用統計設計方法，Box and Wilson 也發展 出反應曲面法。然而，工業界的應用卻不普遍，原因是工程師及專 業人員缺乏統計基本觀念及訓練，因此這些技術多數用於研發工作。
1970 年代後期田口玄一(Genichi Taguchi)以控制品質損失的 概念，提出穩健參數設計的實驗設計法，使得產品的性能對於產品 生產過程及產品最終使用環境中的變異不敏感，而且還能達成預定 要求的成本與品質任務[51]。所謂穩健參數設計其實也是一種系統 設計方法，因為應用簡易促使企業界競相導入。
穩健參數設計不是在找出最好的方案，而是在系統設計之後進 行參數設計，先找出穩定性好的初步方案，再在此基礎上進行允差 設計，於是得到穩定性好、品質損失小、成本低的方案；整個系統 方法的特點是引入情報理論的信號－雜訊比的概念，作為判別穩定
穩健參數設計不是在找出最好的方案，而是在系統設計之後進 行參數設計，先找出穩定性好的初步方案，再在此基礎上進行允差 設計，於是得到穩定性好、品質損失小、成本低的方案；整個系統 方法的特點是引入情報理論的信號－雜訊比的概念，作為判別穩定