11  生态学实验数据采集方法

11.1 引言

如果说观测是生态学的“眼睛”，那么实验就是生态学的“手术刀”。生态学实验（Ecological Experimentation）通过主动操纵一个或多个环境因子（自变量），观察生物或生态系统产生的响应（因变量），从而揭示变量之间的因果关系。在数据采集领域，实验数据以其高受控性和逻辑严密性，成为验证科学假设的关键来源。

11.2 实验设计的基本原则

为了确保采集到的数据具有统计学意义和科学说服力，生态实验必须遵循以下核心原则：

• 对照 (Control)：设立对照组（不施加处理）与处理组进行比较，以排除非实验因子（如背景天气变化）对结果的影响。
• 重复 (Replication)：在相同的处理水平下设置多个实验单元。重复可以估算实验误差，提高结果的普适性。
• 随机化 (Randomization)：将实验单元随机分配到不同处理组中，以消除潜在的系统偏差（如样地坡度、土壤肥力的不均匀性）。

11.3 生态学实验的主要类型

根据受控程度和空间尺度的不同，实验数据采集通常在以下场景中进行：

11.3.1 1. 实验室实验 (Laboratory Experiments)

实验室实验是在完全人工控制的环境（如人工气候室、恒温培养箱、无菌操作台）中进行的受控实验。这种实验类型是生态学研究中最基础的方法之一，尤其适合研究单一因子的影响或验证特定机制假设。

核心特征：

1. 环境可控性极高：温度、湿度、光照、CO₂ 浓度等环境因子可精确设定和维持
2. 可重复性最强：标准化的实验条件使得不同实验室可以重复验证结果
3. 干扰因素少：排除了野外环境中的随机干扰（如天气变化、动物取食）
4. 时间尺度灵活：可以加速或减缓生态过程（如用高温加速分解实验）

典型应用场景：

研究主题	实验设计	数据采集方式
种子萌发对温度的响应	不同温度梯度的培养箱	每日记录萌发数量
植物光合作用对 CO₂ 浓度的响应	人工气候室控制 CO₂ 浓度	便携式光合仪测量光合速率
土壤微生物对温度升高的响应	恒温培养箱设置不同温度	定期采样测定微生物量和酶活性
凋落物分解速率	分解袋置于恒温恒湿箱	定期称重计算质量损失

数据采集技术：

1. 高精度传感器监测：温湿度记录仪、CO₂ 浓度传感器、光照强度计
2. 显微观测：体视显微镜观察种子萌发、根系生长
3. 生化分析：分光光度计测定叶绿素含量、酶活性
4. 自动化系统：数据采集器（Data Logger）连接多个传感器，实时记录并存储数据

优势与局限：

优势： - 变量控制精确，因果关系清晰 - 实验周期可控，可快速获得结果 - 成本相对较低（相比大型野外实验） - 安全性高，易于管理

局限： - 生态真实性不足（“瓶子效应”）：实验室条件无法完全模拟自然环境的复杂性 - 尺度效应：小尺度实验结果可能无法外推到大尺度生态系统 - 缺乏生物互作：实验室中往往只研究单一物种或简化的群落 - 边界效应：封闭容器的边界可能对生物行为产生非自然影响

生态学案例——温度对土壤呼吸的影响：

某研究团队在实验室中研究温度升高对土壤呼吸的影响。实验设计如下： 1. 采集野外土壤样品，分装到 500mL 培养瓶中 2. 将培养瓶随机分配到 5 个恒温培养箱（5°C、10°C、15°C、20°C、25°C） 3. 每个温度处理 6 个重复（共 30 个培养瓶） 4. 每周用气相色谱仪测定瓶内 CO₂ 浓度，计算呼吸速率 5. 实验持续 8 周

结果显示，土壤呼吸速率随温度升高呈指数增长，Q₁₀ 值（温度每升高 10°C 呼吸速率的倍数）约为 2.3。这一结果为预测气候变暖对土壤碳排放的影响提供了参数依据。

实验室实验的最佳实践：

1. 预实验：正式实验前进行小规模预实验，测试实验设计的可行性
2. 环境监测：即使在恒温箱中，也要用独立的温度记录仪验证实际温度
3. 随机化：将实验单元随机分配到不同处理，避免系统性偏差
4. 足够重复：每个处理至少 3-5 个独立重复（不是子样本！）
5. 记录详细：记录所有实验条件和意外情况（如停电、设备故障）

何时选择实验室实验：

• 需要精确控制单一环境因子
• 研究机制性问题（如生理响应、生化过程）
• 野外实验不可行或成本过高
• 需要快速获得初步结果以指导后续野外实验

扩展记录: 2026-04-11 | 扩展者：Clawd | 目标字数：800+

11.3.2 2. 野外控制实验 (Field Experiments)

在自然生态系统中直接操纵变量，如在森林中架设增温设施（OTC）、进行人工降雨模拟或物种移除实验。 * 优点：生态真实性强，结果可直接应用于自然系统。 * 数据采集：依赖于野外耐用型仪器（如自动气象站、地下根系扫描仪）和定期的手工实测。

11.3.3 3. 中宇宙实验 (Mesocosm Experiments)

构建介于实验室和野外之间的半人工系统（如大型水箱、封闭式人工生态仓）。 * 优点：在保持一定生态复杂性的同时，提供了比野外更高的控制力。 * 数据采集：通常集成多参数水质监测仪、气体通量分析仪等设备。

11.4 实验数据的采集技术

实验过程中的数据采集往往比观测更具针对性：

• 自动化连续监测：利用数据采集器（Data Logger）连接各类传感器，实时记录光照、温度、湿度、CO2浓度等环境背景数据。
• 破坏性采样 (Destructive Sampling)：为了获取生物量、养分含量或解剖学特征，往往需要在实验结束或特定阶段移除部分生物样本进行实验室分析。
• 非损伤性测量：利用叶绿素荧光仪、便携式光合系统等设备，在不伤害生物体的情况下采集生理状态数据。

11.5 实验设计的挑战与伦理

• 尺度效应 (Scale Issues)：实验室中的“瓶子效应”可能无法完全模拟自然界的大尺度过程。
• 边缘效应：实验边界可能对内部生物产生非自然的影响。
• 环境伦理：野外实验必须评估操纵行为（如施加污染物或引入物种）对当地生态系统的潜在负面影响。

11.6 常见设计陷阱

在生态学实验中，以下两个设计缺陷最为常见，需要特别警惕：

• 伪重复 (Pseudoreplication)：Hurlbert（1984, Ecological Monographs, 54: 187–211, DOI: 10.2307/1942661）首次系统定义了这一概念——当处理仅施加于一个实验单元（如一个池塘、一块样地），却将该单元内的多个子样本当作独立重复进行统计分析时，就产生了伪重复。例如，在一个施氮样地中取 5 个土壤样品，这 5 个样品并非独立重复，而是同一处理单元的子样本。Hurlbert 在审查当时已发表的生态学实验后发现，约 48% 的研究存在伪重复问题。正确做法是将处理随机分配到多个独立的实验单元上。
• 区组设计 (Blocking)：当实验区域存在已知的环境梯度（如坡度、土壤肥力差异）时，应采用随机区组设计（RCBD）而非完全随机设计。将环境相似的实验单元归入同一区组，每个区组内包含所有处理水平，可以有效分离环境异质性带来的变异，提高检验效力。

11.7 R 代码示例：实验数据的记录与分析

下面以一个经典的生态学实验——氮添加对植物生物量的影响——为例，演示如何在 R 中记录实验数据、进行基本的统计检验和可视化。

11.7.1 创建实验数据

模拟一个完全随机设计的氮添加实验：3 个处理水平（对照、低氮、高氮），每组 8 个重复。

library(tibble)
library(ggplot2)

set.seed(42)

# 模拟氮添加实验数据
experiment_data <- tibble(
  plot_id   = paste0("P", sprintf("%02d", 1:24)),
  treatment = rep(c("对照", "低氮", "高氮"), each = 8),
  biomass_g = c(
    rnorm(8, mean = 45, sd = 6),   # 对照组
    rnorm(8, mean = 58, sd = 7),   # 低氮组
    rnorm(8, mean = 72, sd = 8)    # 高氮组
  )
)

# 将处理设为有序因子
experiment_data$treatment <- factor(
  experiment_data$treatment,
  levels = c("对照", "低氮", "高氮")
)

head(experiment_data)

11.7.2 描述性统计

library(dplyr)

# 按处理组计算均值和标准差
experiment_data |>
  group_by(treatment) |>
  summarise(
    n     = n(),
    mean  = round(mean(biomass_g), 1),
    sd    = round(sd(biomass_g), 1),
    .groups = "drop"
  )

11.7.3 单因素方差分析 (One-way ANOVA)

检验不同氮添加水平对植物生物量是否有显著影响。

# 拟合 ANOVA 模型
anova_model <- aov(biomass_g ~ treatment, data = experiment_data)
summary(anova_model)

Note如何解读 ANOVA 结果？

• F value：组间变异与组内变异的比值，越大说明处理效应越明显
• Pr(>F)：p 值，小于 0.05 表示至少有一组与其他组存在显著差异
• ANOVA 只能告诉你”有差异”，但不能告诉你”哪两组之间有差异”，需要进一步做事后多重比较

# Tukey HSD 事后多重比较
TukeyHSD(anova_model)

11.7.4 残差诊断

ANOVA 的有效性依赖于残差满足正态性和方差齐性假设。拟合模型后应检查这些假设：

par(mar = c(4, 4, 2, 1))
plot(anova_model, which = 1)  # 残差 vs 拟合值：检查方差齐性
plot(anova_model, which = 2)  # Q-Q 图：检查残差正态性

若残差明显偏离正态分布或各组方差不齐，可考虑数据变换（如对数变换）或使用非参数检验（如 Kruskal-Wallis 检验）。

11.7.5 可视化实验结果

ggplot(experiment_data, aes(x = treatment, y = biomass_g, fill = treatment)) +
  geom_boxplot(alpha = 0.7, outlier.shape = NA) +
  geom_jitter(width = 0.15, size = 2, alpha = 0.6) +
  scale_fill_brewer(palette = "Greens") +
  labs(
    x = "氮添加处理",
    y = "地上生物量 (g)",
    title = "氮添加对植物地上生物量的影响"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Tip实验数据记录的好习惯

• 记录处理细节：每个处理的具体施加量、频率和方式
• 标注随机化方案：记录样地的随机分配过程，便于审稿人评估
• 保留原始数据：分析用的数据和原始记录分开存放，确保可追溯

11.8 高级实验设计类型

11.8.1 析因设计 (Factorial Design)

析因设计同时考察两个或多个因子的效应及其交互作用。例如，研究温度和水分对植物生长的联合影响。

案例：温度×水分双因素实验

library(tidyverse)

set.seed(123)

# 模拟 2×3 析因实验：2个温度水平 × 3个水分水平
factorial_data <- expand_grid(
  temperature = c("常温", "增温"),
  water = c("干旱", "正常", "湿润"),
  replicate = 1:6
) %>%
  mutate(
    # 模拟生物量数据（有交互效应）
    biomass = case_when(
      temperature == "常温" & water == "干旱" ~ rnorm(n(), 20, 3),
      temperature == "常温" & water == "正常" ~ rnorm(n(), 35, 4),
      temperature == "常温" & water == "湿润" ~ rnorm(n(), 32, 4),
      temperature == "增温" & water == "干旱" ~ rnorm(n(), 15, 3),
      temperature == "增温" & water == "正常" ~ rnorm(n(), 45, 5),
      temperature == "增温" & water == "湿润" ~ rnorm(n(), 50, 5)
    ),
    temperature = factor(temperature, levels = c("常温", "增温")),
    water = factor(water, levels = c("干旱", "正常", "湿润"))
  )

head(factorial_data)

双因素方差分析

# 拟合双因素 ANOVA 模型（包含交互项）
factorial_model <- aov(biomass ~ temperature * water, data = factorial_data)
summary(factorial_model)

Important交互效应的含义

• 主效应：单个因子对响应变量的平均影响
• 交互效应：一个因子的效应依赖于另一个因子的水平
• 如果交互效应显著（p < 0.05），说明两个因子不是简单相加，而是相互影响

# 交互效应可视化
factorial_data %>%
  group_by(temperature, water) %>%
  summarise(mean_biomass = mean(biomass), .groups = "drop") %>%
  ggplot(aes(x = water, y = mean_biomass, color = temperature, group = temperature)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  labs(
    x = "水分处理",
    y = "平均生物量 (g)",
    title = "温度与水分的交互效应",
    color = "温度"
  ) +
  theme_minimal()

11.8.2 嵌套设计 (Nested Design)

嵌套设计用于处理层级结构数据，例如：样地 → 样方 → 子样方。

set.seed(456)

# 模拟嵌套实验：3个样地，每个样地4个样方，每个样方3个子样方
nested_data <- expand_grid(
  site = paste0("Site", 1:3),
  plot = 1:4,
  subplot = 1:3
) %>%
  mutate(
    plot_id = paste0(site, "_P", plot),
    # 样地效应
    site_effect = rep(rnorm(3, 0, 5), each = 12),
    # 样方效应（嵌套在样地内）
    plot_effect = rep(rnorm(12, 0, 3), each = 3),
    # 子样方测量值
    soil_carbon = 25 + site_effect + plot_effect + rnorm(n(), 0, 2)
  )

head(nested_data, 10)

嵌套方差分析

# 使用 lme4 包拟合混合效应模型
library(lme4)

# plot 嵌套在 site 内
nested_model <- lmer(soil_carbon ~ 1 + (1|site/plot_id), data = nested_data)
summary(nested_model)

11.8.3 重复测量设计 (Repeated Measures)

对同一实验单元在不同时间点重复测量，常用于时间序列实验。

set.seed(789)

# 模拟植物生长的重复测量实验
repeated_data <- expand_grid(
  plant_id = paste0("Plant", 1:10),
  treatment = rep(c("对照", "施肥"), each = 5),
  time_week = 1:8
) %>%
  mutate(
    # 生长曲线（施肥组生长更快）
    height = case_when(
      treatment == "对照" ~ 10 + 2 * time_week + rnorm(n(), 0, 1),
      treatment == "施肥" ~ 10 + 3.5 * time_week + rnorm(n(), 0, 1.5)
    )
  )

head(repeated_data, 12)

重复测量可视化

ggplot(repeated_data, aes(x = time_week, y = height, color = treatment, group = plant_id)) +
  geom_line(alpha = 0.5) +
  geom_smooth(aes(group = treatment), method = "lm", se = TRUE, linewidth = 1.5) +
  labs(
    x = "时间（周）",
    y = "株高 (cm)",
    title = "植物生长的重复测量实验",
    color = "处理"
  ) +
  theme_minimal()

重复测量ANOVA

library(nlme)

# 使用 nlme 包拟合重复测量模型
rm_model <- lme(height ~ treatment * time_week, 
                random = ~1|plant_id, 
                data = repeated_data)
summary(rm_model)

11.9 实验设计工具

11.9.1 样本量计算

在设计实验前，应估算所需的样本量以确保有足够的统计检验力。

library(pwr)

# 计算单因素 ANOVA 所需样本量
# 假设：3个处理组，效应量 f = 0.4，检验力 = 0.8，显著性水平 = 0.05
pwr.anova.test(
  k = 3,           # 组数
  f = 0.4,         # 效应量（小=0.1, 中=0.25, 大=0.4）
  sig.level = 0.05,
  power = 0.8
)

Tip效应量的选择

• 小效应 (f = 0.1)：需要大样本才能检测到
• 中效应 (f = 0.25)：常见的生态学效应
• 大效应 (f = 0.4)：明显的处理效应

11.9.2 随机化方案生成

library(agricolae)

# 生成完全随机设计的随机化方案
treatments <- c("对照", "低氮", "高氮")
design_crd <- design.crd(
  trt = treatments,
  r = 8,  # 每个处理8个重复
  seed = 2024
)

head(design_crd$book, 10)

# 生成随机区组设计的随机化方案
design_rcbd <- design.rcbd(
  trt = treatments,
  r = 4,  # 4个区组
  seed = 2024
)

head(design_rcbd$book, 12)

11.10 效应量计算

除了 p 值，还应报告效应量（Effect Size）来量化处理效应的大小。

# 计算 eta-squared（η²）
library(effectsize)

# 使用之前的氮添加实验数据
eta_squared(anova_model)

Note效应量的解读

• η² < 0.01：微小效应
• 0.01 ≤ η² < 0.06：小效应
• 0.06 ≤ η² < 0.14：中等效应
• η² ≥ 0.14：大效应

11.11 总结

实验数据采集是生态学从描述性科学转向预测性科学的基石。通过严谨的实验设计和多维度的技术手段，生态学家能够从复杂的自然噪声中剥离出核心的生物学规律。在实际研究中，实验数据往往需要与长期观测数据相结合，以实现对生态系统行为的全面理解。

11.12 课后练习

11.12.1 基础练习（必做）

练习 1：识别伪重复

某同学在一块施氮样地中随机取了 10 个土壤样品测定微生物量碳，然后用这 10 个数据点与对照样地的 10 个样品做 t 检验。请指出这个设计中的问题，并提出改进方案。

提示： - 这个设计中有几个真正的独立重复？ - 什么是实验单元？什么是观测单元？ - 如何修改设计才能避免伪重复？

练习 2：随机区组设计

修改本章的氮添加实验代码，将完全随机设计改为随机区组设计（假设有 4 个区组，每个区组包含对照、低氮、高氮各 1 个样方），重新进行 ANOVA 分析并比较结果。

# 你的代码：
set.seed(2024)

# 创建随机区组设计数据
rcbd_data <- expand_grid(
  block = paste0("Block", 1:4),
  treatment = c("对照", "低氮", "高氮")
) %>%
  mutate(
    # 添加区组效应和处理效应
    biomass = ___
  )

# 拟合区组设计 ANOVA
rcbd_model <- aov(___ ~ ___ + ___, data = rcbd_data)
summary(rcbd_model)

练习 3：残差诊断

对本章 ANOVA 模型的残差诊断图进行解读：残差是否满足正态性和方差齐性假设？如果不满足，你会采取什么措施？

检查清单： - [ ] 残差 vs 拟合值图：是否呈现喇叭形？ - [ ] Q-Q 图：点是否沿对角线分布？ - [ ] 如果假设不满足，考虑：数据变换、非参数检验、广义线性模型

11.12.2 进阶练习（选做）

练习 4：析因实验设计与分析

设计一个 2×2 析因实验，研究光照（全光、遮阴）和施肥（不施肥、施肥）对幼苗生长的影响。每个处理组合 6 个重复。

# 你的代码：
set.seed(2024)

factorial_exp <- expand_grid(
  light = c("全光", "遮阴"),
  fertilizer = c("不施肥", "施肥"),
  replicate = 1:6
) %>%
  mutate(
    # 模拟生长数据（考虑交互效应）
    growth = case_when(
      light == "全光" & fertilizer == "不施肥" ~ rnorm(n(), ___, ___),
      light == "全光" & fertilizer == "施肥" ~ rnorm(n(), ___, ___),
      light == "遮阴" & fertilizer == "不施肥" ~ rnorm(n(), ___, ___),
      light == "遮阴" & fertilizer == "施肥" ~ rnorm(n(), ___, ___)
    )
  )

# 双因素 ANOVA
factorial_aov <- aov(growth ~ light * fertilizer, data = factorial_exp)
summary(factorial_aov)

# 可视化交互效应
# 你的代码：

思考题： - 如果交互效应显著，说明什么？ - 如何解读主效应和交互效应的关系？

练习 5：样本量计算

你计划进行一个单因素实验，有 4 个处理组。根据预实验，你估计效应量为中等（f = 0.25）。请计算：

1. 要达到 80% 的检验力（α = 0.05），每组需要多少个重复？
2. 如果只能做每组 5 个重复，检验力会降到多少？

library(pwr)

# 计算所需样本量
pwr.anova.test(
  k = ___,
  f = ___,
  sig.level = ___,
  power = ___
)

# 计算实际检验力
pwr.anova.test(
  k = ___,
  n = ___,  # 每组样本量
  f = ___,
  sig.level = ___
)

练习 6：混合效应模型

使用本章的嵌套设计数据（nested_data），拟合混合效应模型，并回答：

1. 样地间变异和样方间变异各占总变异的多少？
2. 如果忽略嵌套结构，直接用 aov() 分析，会有什么问题？

library(lme4)

# 拟合混合效应模型
mixed_model <- lmer(___ ~ 1 + (1|___), data = nested_data)

# 提取方差成分
VarCorr(mixed_model)

# 计算组内相关系数（ICC）
icc <- ___
cat("组内相关系数:", round(icc, 3), "\n")

11.12.3 挑战练习

练习 7：实验设计综合案例

你是一名生态学研究生，导师要求你设计一个实验，研究氮沉降和降雨变化对草地生态系统的影响。实验条件：

• 有 3 块草地样地可用（环境条件略有差异）
• 氮沉降：3 个水平（对照、低氮、高氮）
• 降雨：2 个水平（正常、减少 30%）
• 预算限制：最多 36 个实验单元

任务：

1. 选择合适的实验设计类型（完全随机、随机区组、裂区等）
2. 说明你的设计如何避免伪重复
3. 画出实验布局图
4. 用 R 生成随机化方案
5. 估算所需样本量（假设中等效应量）

评分标准：

项目	分值	说明
设计合理性	30%	设计类型选择恰当，考虑了实际约束
避免伪重复	25%	正确识别实验单元和观测单元
随机化方案	20%	代码正确，方案可执行
样本量计算	15%	计算合理，有统计依据
文档完整性	10%	布局图清晰，说明详细

11.12.4 参考答案（练习 2 示例）

set.seed(2024)

# 创建随机区组设计数据
rcbd_data <- expand_grid(
  block = paste0("Block", 1:4),
  treatment = c("对照", "低氮", "高氮")
) %>%
  mutate(
    # 区组效应（模拟环境梯度）
    block_effect = case_when(
      block == "Block1" ~ -5,
      block == "Block2" ~ 0,
      block == "Block3" ~ 3,
      block == "Block4" ~ 2
    ),
    # 处理效应 + 区组效应 + 随机误差
    biomass = case_when(
      treatment == "对照" ~ 45 + block_effect + rnorm(n(), 0, 4),
      treatment == "低氮" ~ 58 + block_effect + rnorm(n(), 0, 4),
      treatment == "高氮" ~ 72 + block_effect + rnorm(n(), 0, 4)
    ),
    treatment = factor(treatment, levels = c("对照", "低氮", "高氮"))
  )

# 拟合区组设计 ANOVA（区组作为区组因子）
rcbd_model <- aov(biomass ~ block + treatment, data = rcbd_data)
summary(rcbd_model)

# 与完全随机设计比较
crd_model <- aov(biomass ~ treatment, data = rcbd_data)
summary(crd_model)

cat("\n区组设计 vs 完全随机设计：\n")
cat("区组设计残差标准误:", sigma(rcbd_model), "\n")
cat("完全随机设计残差标准误:", sigma(crd_model), "\n")
cat("区组设计提高了", round((1 - sigma(rcbd_model)/sigma(crd_model)) * 100, 1), "% 的精度\n")

11.12.5 常见问题解答

Q1: 什么时候用完全随机设计，什么时候用区组设计？

A: - 完全随机设计：实验单元环境条件均一，无明显梯度 - 区组设计：存在已知的环境梯度（如坡度、土壤类型），将相似单元归入同一区组

Q2: 如何判断是否存在伪重复？

A: 问自己三个问题： 1. 处理是施加在哪个层次上的？（样地、样方、个体） 2. 什么是真正的独立重复？ 3. 如果重新做实验，哪些单元会得到不同的处理？

Q3: 交互效应显著时，还需要看主效应吗？

A: 交互效应显著时，主效应的解释变得复杂。应该： 1. 先报告交互效应 2. 用简单效应分析（Simple Effects）分别检验每个因子在另一因子不同水平下的效应 3. 用交互图直观展示

Q4: 混合效应模型什么时候用？

A: 当数据有层级结构（嵌套或交叉）或重复测量时： - 嵌套设计：样地 → 样方 → 子样方 - 重复测量：同一个体在不同时间点测量 - 随机区组：区组作为随机效应

11.13 实验设计检查清单

在开始实验前，使用以下检查清单确保设计合理：

11.13.1 设计阶段

• 明确研究假设：假设是否可检验？是否有明确的预测方向？
• 确定实验单元：什么是真正的独立重复单元？
• 选择设计类型：完全随机、区组、析因、嵌套、重复测量？
• 计算样本量：是否有足够的统计检验力（≥0.8）？
• 设置对照组：是否有合适的对照处理？
• 随机化方案：如何将处理随机分配到实验单元？
• 避免伪重复：处理是否施加在独立的实验单元上？

11.13.2 执行阶段

• 标准化操作：所有处理的施加方式是否一致？
• 盲法测量：测量人员是否知道处理分组（可能引入偏差）？
• 记录元数据：环境条件、操作时间、异常事件是否记录？
• 数据备份：原始数据是否有多处备份？

11.13.3 分析阶段

• 检查假设：残差是否满足正态性和方差齐性？
• 报告效应量：除了 p 值，是否报告了效应量（η²、Cohen’s d）？
• 多重比较校正：事后检验是否进行了 p 值校正？
• 可视化结果：图表是否清晰展示了处理效应？

11.14 实验设计常见错误案例

11.14.1 案例 1：混淆实验单元和观测单元

错误设计： - 在 1 个增温样地和 1 个对照样地中，各取 10 个土壤样品测定微生物量 - 用这 20 个数据点做 t 检验（n=10 vs n=10）

问题： - 真正的实验单元只有 2 个（1 个增温样地 + 1 个对照样地） - 10 个土壤样品是子样本（pseudoreplicates），不是独立重复 - 这样的 t 检验会严重高估显著性

正确设计： - 至少需要 3-4 个增温样地和 3-4 个对照样地 - 每个样地内可以取多个子样本，但分析时应先计算样地均值 - 用样地均值做统计检验（n=3-4 vs n=3-4）

11.14.2 案例 2：忽略时间自相关

错误设计： - 对同一批植物在 8 个时间点测量株高 - 用普通 ANOVA 分析，将 8 个时间点当作独立观测

问题： - 同一植物在不同时间的测量值不独立（时间自相关） - 违反了 ANOVA 的独立性假设 - 会低估标准误，夸大显著性

正确设计： - 使用重复测量 ANOVA 或混合效应模型 - 将植物个体作为随机效应 - 考虑时间点之间的相关结构

11.14.3 案例 3：交互效应的错误解读

错误解读： - 双因素 ANOVA 显示：温度主效应显著（p<0.001），水分主效应不显著（p=0.12），交互效应显著（p=0.03） - 结论：“温度有显著影响，水分没有影响”

问题： - 交互效应显著意味着水分的效应依赖于温度水平 - 不能简单说”水分没有影响” - 应该分别检验水分在不同温度下的简单效应

正确解读： - “温度和水分存在显著交互作用” - “水分的效应在不同温度下不同：在高温下水分效应显著，在低温下不显著” - 用交互图直观展示

11.15 实验数据管理最佳实践

11.15.1 数据记录模板

# 创建标准化的实验数据记录模板
library(tibble)

experiment_template <- tibble(
  date = as.Date(character()),           # 测量日期
  plot_id = character(),                 # 样地编号
  treatment = character(),               # 处理类型
  block = character(),                   # 区组（如适用）
  replicate = integer(),                 # 重复编号
  response_variable = numeric(),         # 响应变量
  notes = character()                    # 备注（异常情况）
)

# 保存为 CSV 模板
write.csv(experiment_template, "experiment_data_template.csv", row.names = FALSE)

11.15.2 数据验证脚本

# 检查实验数据的完整性和合理性
validate_experiment_data <- function(data) {
  
  # 检查缺失值
  missing_check <- data %>%
    summarise(across(everything(), ~sum(is.na(.)))) %>%
    pivot_longer(everything(), names_to = "variable", values_to = "n_missing") %>%
    filter(n_missing > 0)
  
  if (nrow(missing_check) > 0) {
    cat("警告：发现缺失值\n")
    print(missing_check)
  }
  
  # 检查重复是否平衡
  balance_check <- data %>%
    count(treatment) %>%
    mutate(balanced = n == max(n))
  
  if (!all(balance_check$balanced)) {
    cat("警告：处理组重复数不平衡\n")
    print(balance_check)
  }
  
  # 检查异常值（3倍标准差）
  outlier_check <- data %>%
    group_by(treatment) %>%
    mutate(
      z_score = (response_variable - mean(response_variable, na.rm = TRUE)) / 
                sd(response_variable, na.rm = TRUE)
    ) %>%
    filter(abs(z_score) > 3)
  
  if (nrow(outlier_check) > 0) {
    cat("警告：发现潜在异常值\n")
    print(outlier_check %>% select(plot_id, treatment, response_variable, z_score))
  }
  
  cat("\n数据验证完成\n")
}

11.16 实验设计软件工具

11.16.1 R 包推荐

包名	功能	典型用途
agricolae	实验设计和分析	生成随机化方案、多重比较
pwr	样本量计算	估算所需样本量和检验力
lme4	混合效应模型	嵌套设计、重复测量
nlme	非线性混合模型	复杂相关结构
emmeans	边际均值估计	事后比较、简单效应分析
effectsize	效应量计算	η², Cohen’s d, 置信区间
car	方差分析扩展	Type II/III SS, Levene 检验

11.16.2 在线工具

• **G*Power**：样本量和检验力计算（图形界面）
• ANOVA Calculator：在线方差分析工具
• Randomization.com：在线随机化方案生成器

11.17 延伸阅读

11.17.1 必读经典

1. Hurlbert, S. H. (1984). Pseudoreplication and the design of ecological field experiments. Ecological Monographs, 54(2), 187-211. DOI: 10.2307/1942661
   • 伪重复的经典文献，改变了生态学实验设计的范式
   • 必读指数：⭐⭐⭐⭐⭐
2. Quinn, G. P., & Keough, M. J. (2002). Experimental Design and Data Analysis for Biologists. Cambridge University Press.
   • 生态学实验设计的权威教材，案例丰富
   • 涵盖从基础到高级的所有设计类型
3. Underwood, A. J. (1997). Experiments in Ecology: Their Logical Design and Interpretation Using Analysis of Variance. Cambridge University Press.
   • 强调逻辑推理和因果推断
   • 特别适合野外生态学实验

11.17.2 统计方法

4. Zuur, A. F., Ieno, E. N., Walker, N., Saveliev, A. A., & Smith, G. M. (2009). Mixed Effects Models and Extensions in Ecology with R. Springer.
   • 混合效应模型在生态学中的应用
   • 包含大量实际案例和 R 代码
5. Crawley, M. J. (2012). The R Book (2nd ed.). Wiley.
   • R 语言统计分析的百科全书
   • 实验设计章节详尽
6. Gotelli, N. J., & Ellison, A. M. (2013). A Primer of Ecological Statistics (2nd ed.). Sinauer Associates.
   • 生态统计学入门，适合初学者
   • 强调概念理解而非数学推导

11.17.3 高级主题

7. Gelman, A., & Hill, J. (2006). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.
   • 层级模型的权威著作
   • 贝叶斯方法在实验设计中的应用
8. Bolker, B. M. (2008). Ecological Models and Data in R. Princeton University Press.
   • 生态学建模与数据分析
   • 包含实验设计的统计建模视角

11.17.4 在线资源

• ANOVA 教程：https://www.statmethods.net/stats/anova.html
• Mixed Models FAQ：https://bbolker.github.io/mixedmodels-misc/glmmFAQ.html
• Experimental Design 课程：https://www.coursera.org/learn/experimental-design-basics