DOE（実験計画法）の基礎｜要因を効率的に絞り込む実験設計の手順

「不良率が下がらない」「条件をいろいろ変えて試しているが、何が効いているのか分からない」——こうした行き詰まりの多くは、実験の進め方そのものに原因がある。1つの条件を変えては結果を見る、という「一度に1要因」のやり方では、要因どうしの相互作用を見逃すうえ、実験回数だけが膨れ上がる。

DOE（実験計画法）は、限られた回数の実験で「どの要因が、どれだけ効いているか」を統計的に切り分ける手法である。勘と経験の総当たりから抜け出し、改善のレバーを最短で特定するための設計図と言ってよい。本記事では、要因と水準の決め方から直交表による実験削減、分散分析での効果判定まで、現場の品質改善で使える手順を整理する。

実験で絞り込んだ要因を「なぜそれが効くのか」まで掘り下げたい場合は、AIがなぜなぜ分析を支援する WhyTrace Plus が、要因の因果構造を可視化する起点になる。

1. DOE（実験計画法）とは――総当たりとの違い

DOE（Design of Experiments：実験計画法）とは、評価したい特性（結果）と、それに影響すると考えられる複数の要因との関係を、最小限の実験回数で効率的に調べるための方法体系である。開発・設計・製造の各局面で、品質や歩留まりを左右する条件を統計的に突き止める目的で使われる。

従来の「一度に1要因（One-Factor-At-a-Time）」のアプローチは、ある要因だけを動かして残りを固定する。直感的だが、2つの弱点がある。

相互作用を捉えられない：温度と圧力のように、組み合わせで初めて効く要因の影響を見逃す。
実験回数が増える：要因が増えるほど、固定→変更の繰り返しで試行数が膨張する。

DOEは複数の要因を計画的に同時に振ることで、少ない実験回数で主効果と相互作用の両方を分離して評価できる。実験計画法とは、こうした「効率」と「情報量」を両立させるための設計思想である（参考：実験計画法（DoE）とは？ものづくりドットコム、2026年時点）。

DOEが向く場面

場面	DOEが有効な理由
不良要因の絞り込み	候補が多く、総当たりでは時間が足りない
工程条件の最適化	温度・圧力・速度など複数条件の最適点を探す
新製品の設計検証	設計パラメータの感度を定量的に把握したい
ばらつきの低減	どの要因がばらつきを生むかを切り分けたい

2. DOEの基本用語――因子・水準・特性値・交互作用

DOEの設計を始める前に、共通言語となる4つの基本用語を押さえる必要がある。これらは実験計画法のあらゆる手法に共通する土台である。

因子（要因）と水準

因子（factor）とは、結果に影響を与えると考えられる入力条件のことである。製造工程なら「加熱温度」「成形圧力」「材料ロット」などが因子にあたる。

水準（level）とは、各因子に設定する具体的な値や区分である。たとえば加熱温度を「180℃」「200℃」「220℃」の3つで試すなら、これは3水準である。因子と水準の組み合わせ数が、実験の規模を直接決める。

特性値

特性値（response）とは、実験で測定する結果の指標である。「引張強度」「寸法誤差」「不良率」「歩留まり」など、改善したい対象そのものを数値で表す。特性値は「大きいほど良い（望大特性）」「小さいほど良い（望小特性）」「目標値に近いほど良い（望目特性）」の3類型で整理すると、評価方針が明確になる。

交互作用

交互作用（interaction）とは、ある因子の効果が、別の因子の水準によって変わる現象である。「温度が高いときだけ圧力の影響が出る」といった関係がこれにあたる。一度に1要因のやり方では絶対に見えない情報であり、DOEの最大の価値はこの交互作用を定量化できる点にある。

用語	意味	製造現場の例
因子	結果に影響する入力条件	加熱温度、成形圧力
水準	因子に設定する値・区分	180℃／200℃／220℃
特性値	測定する結果指標	引張強度、不良率
交互作用	因子どうしの組み合わせ効果	温度×圧力

3. 実験設計の5ステップ――要因の洗い出しから解析まで

DOEの実験設計は、大きく5つのステップで進む。順序を守ることで、後戻りや無駄な再実験を避けられる。

ステップ1：目的と特性値の明確化

何を改善したいのかを一文で定義する。「成形品の反りを0.3mm以下に抑える」のように、特性値と目標を数値で固定する。ここが曖昧だと、実験全体の評価軸がぶれる。

ステップ2：因子と水準の選定

特性値に効きそうな因子を洗い出す。ここでは4M（Man／Machine／Material／Method）の視点で漏れなく挙げると抜けが減る。挙げた因子のうち、制御可能で効果が見込めるものを実験因子として採用し、各因子に2〜3水準を割り当てる。因子を欲張りすぎると実験規模が爆発するため、事前の要因整理が肝になる。

ステップ3：実験計画の設計

採用した因子・水準・予算（実験できる回数）に応じて、完全実施要因計画にするか、直交表を使った一部実施要因計画にするかを決める。同時に、繰り返し回数とランダム化の方針も決定する（詳細は後述）。

ステップ4：実験の実施

計画に従って実験を行う。重要なのはランダム化である。実験順序を無作為にすることで、時間経過に伴う装置の温度ドリフトや作業者の慣れといった、計画外の要因（系統誤差）が特定の条件に偏って乗るのを防ぐ。

ステップ5：データ解析と結論

得られたデータを分散分析（ANOVA）にかけ、どの因子・交互作用が統計的に有意かを判定する。有意な因子について最適水準を選び、確認実験で再現性を検証してから本採用する。

現場の壁

「実験はやったが、結果を解析しきれず、結局ベテランの勘で条件を決めてしまった」——DOEで因子を絞り込んでも、なぜその因子が効くのかが言語化されないと組織のナレッジにならない。

WhyTrace Plus は、DOEで特定した有意な因子を起点に、AIが「なぜそれが特性値に効くのか」をなぜなぜ分析で深掘りし、因果構造をツリー図で可視化する。実験結果を「数字」から「再利用できる知見」へ変える。

4. 直交表による実験回数の削減――一部実施要因計画

直交表（orthogonal array）とは、複数の因子を効率よく割り付け、少ない実験回数で各因子の主効果を分離して評価できるように設計された割付表である。一部実施要因計画の中核をなすツールで、DOEを実務で使えるものにしている。

なぜ実験回数を減らせるのか

完全実施要因計画では、すべての因子・水準の組み合わせを試す。たとえば2水準の因子が7個あると、組み合わせは2の7乗で128通りになり、現実的に回しきれない。

直交表は、この組み合わせの「バランスの良い一部」だけを抜き出す。代表的なL8直交表を使えば、2水準の因子を最大7個、わずか8回の実験で主効果を評価できる。128回が8回に圧縮される計算であり、ここに直交表の威力がある（参考：実験計画法とは何か？ econoshift、2026年時点）。

主な直交表

直交表	実験回数	扱える因子（目安）	用途
L4	4回	2水準・最大3因子	小規模な絞り込み
L8	8回	2水準・最大7因子	標準的なスクリーニング
L9	9回	3水準・最大4因子	3水準で最適点を探る
L16	16回	2水準・最大15因子	多数因子のスクリーニング
L18	18回	混合水準（2水準1個＋3水準7個）	混合水準の実用設計

交絡というトレードオフ

一部実施要因計画には代償がある。実験を間引く分、ある主効果と別の交互作用の効果が**交絡（confounding）**し、両者を分離できなくなる場合がある。そのため、評価したい交互作用が事前に分かっているときは、その効果が主効果と交絡しないよう割付を設計する必要がある。「とりあえずL8に全部詰め込む」運用は、重要な交互作用を見えなくするリスクがある点に注意したい。

5. 分散分析（ANOVA）による効果の判定

分散分析（ANOVA：Analysis of Variance）とは、観測されたデータのばらつき（変動）を、各因子による変動と偶然誤差による変動に分解し、因子の効果が統計的に意味があるかを判定する手法である。DOEの解析パートの中心に位置する。

何を見ているのか

実験データのばらつきは、「因子の水準を変えたことによるばらつき」と「同じ条件でも生じる偶然のばらつき（誤差）」に分けられる。分散分析は、前者が後者に対して十分に大きいかをF値で評価する。

因子による変動が誤差変動に比べて大きい → その因子は効いている（有意）
因子による変動が誤差変動と同程度 → その因子は効いているとは言えない

判定の流れ

平方和の分解：全体のばらつきを各因子・交互作用・誤差の平方和に分解する。
分散比（F値）の算出：各因子の分散を誤差分散で割り、F値を求める。
有意性の判定：F値とp値を見て、あらかじめ定めた有意水準（一般に5%）を下回る因子を「有意」と判断する。
寄与率の確認：各因子が全体のばらつきにどれだけ寄与しているかを百分率で見て、改善インパクトの大きい因子を優先する。

解析で陥りやすい誤り

統計的に「有意」であることと、実務的に「重要」であることは別である。p値が小さくても寄与率がごく小さい因子は、コストをかけて制御する価値が低いこともある。逆に、有意とまでは言えなくても寄与率が高い因子は、追加実験で確認する価値がある。p値と寄与率の両方で判断するのが、現場で使えるDOE解析の勘所である。

6. DOEとなぜなぜ分析・FMEAの使い分け

DOEは「どの因子が、どれだけ効くか」を定量化する手法だが、品質改善の現場では他の手法と組み合わせてこそ力を発揮する。それぞれの役割を切り分けて理解しておきたい。

3手法の役割分担

手法	問いの形	強み	適した局面
FMEA	どんな故障が起こりうるか	潜在リスクの網羅的な洗い出し	設計・工程設計の事前段階
DOE	どの因子がどれだけ効くか	効果の定量化と最適条件の特定	条件最適化・ばらつき低減
なぜなぜ分析	なぜそれが起きるのか	根本原因への深掘り	不良・事故の発生後

連携の流れ

実務では、この3手法を一本の流れにつなぐと効果的である。まずFMEAで潜在的な故障モードと候補因子を広く洗い出す。次にDOEで、その候補因子のうちどれが実際に特性値へ効くかを実験的に絞り込む。最後に、有意と判明した因子について「なぜそれが特性値を悪化させるのか」をなぜなぜ分析で掘り下げ、根本原因に対する恒久対策を立てる。

FMEAの進め方については FMEAの進め方｜故障モード影響解析の実践ガイドで詳しく解説しているので、DOEと組み合わせる際の参考にしてほしい。

DOEで「圧力が高いと反りが増える」と分かっても、それだけでは「圧力を下げる」という対症療法に終わりがちである。なぜ圧力が反りを生むのか——金型温度のばらつきか、樹脂の充填バランスか——をなぜなぜ分析で掘ると、圧力そのものではなく上流の管理項目に手を打てる。DOEの定量結果となぜなぜ分析の因果掘り下げは、補完関係にある。

DOEで絞り込んだ有意因子を、AIで根本原因まで掘り下げませんか？

WhyTrace Plus は、5Why分析・FTA・対策管理をAIが支援する根本原因分析プラットフォームである。DOEで特定した因子を登録すると、AIが「なぜその因子が効くのか」を対話形式で深掘りし、因果関係をインタラクティブなツリー図で可視化する。Excelでのバラバラ管理を卒業し、実験知見を組織のナレッジとして蓄積できる。

WhyTrace Plusを無料で試してみる →

7. 応答曲面法（RSM）――最適条件を精密に探る

応答曲面法（RSM：Response Surface Methodology）とは、因子と特性値の関係を曲面（モデル式）で近似し、最適条件を精密に探索する手法である。直交表によるスクリーニングで重要因子を絞り込んだあとの「最終調整」段階で使われる。

スクリーニングと最適化の二段構え

DOEの実務は、しばしば2つのフェーズに分かれる。

第1フェーズ（スクリーニング）：直交表や一部実施要因計画で、多数の候補から効く因子を少数に絞る。実験回数を抑え、当たりをつける段階。
第2フェーズ（最適化）：絞り込んだ少数因子について、応答曲面法で曲線的な関係まで含めて最適点を探る。

スクリーニングで使う2水準計画は直線的な関係しか捉えられない。しかし現実の特性値は、ある温度を境に悪化に転じるような曲線を描くことが多い。応答曲面法は中心複合計画やボックス・ベンケン計画といった配置で曲面を推定し、こうした最適点（極大・極小）を見つけ出す（参考：実験計画法（DOE）とはサイバネット、2026年時点）。

使い分けの目安

フェーズ	手法の例	ねらい
スクリーニング	L8・L16などの直交表、プラケット・バーマン計画	効く因子を少数に絞る
最適化	中心複合計画、ボックス・ベンケン計画	曲面で最適点を精密に探す

いきなり最適化から入ると因子が多すぎて実験が回らない。まずスクリーニングで因子を絞り、その後に最適化へ進む二段構えが、DOEを破綻させずに進めるコツである。

よくある質問（FAQ）

Q. DOEは統計の専門知識がないと使えませんか？

基本的な進め方であれば、統計の深い理論を理解していなくても運用できる。直交表は割付表をそのまま使えばよく、分散分析も表計算ソフトや統計ツールが計算を担う。重要なのは因子と水準の選定、ランダム化、結果の解釈であり、ここは現場知識のある担当者ほど精度が上がる。

Q. 完全実施要因計画と一部実施要因計画はどう選びますか？

因子の数と実験できる回数で決まる。因子が2〜3個で実験回数に余裕があれば、交互作用も含めて完全に評価できる完全実施が望ましい。因子が4個以上で実験回数を抑えたい場合は、直交表による一部実施を選ぶ。ただし一部実施では交絡が生じるため、評価したい交互作用が交絡しないよう割付を設計する必要がある。

Q. 水準は2水準と3水準のどちらにすべきですか？

スクリーニング段階では、効く因子を効率よく絞ることが目的なので2水準で十分なことが多い。一方、最適点が曲線的に現れそうな因子（温度や時間など）は、3水準にしないと極大・極小を捉えられない。まず2水準で当たりをつけ、重要因子だけ3水準や応答曲面法で詰める進め方が効率的である。

Q. DOEとタグチメソッドは何が違いますか？

DOEは因子の効果と最適条件を統計的に求めることに主眼を置く。タグチメソッド（品質工学）は、これに加えて「外乱があってもばらつきが小さい頑健な条件」を求める点に特徴があり、SN比という指標でばらつきの安定性を評価する。両者は対立する手法ではなく、目的に応じて使い分け、または併用する関係にある。詳しくはタグチメソッド（品質工学）の基礎を参照してほしい。

Q. 実験が再現しないのはなぜですか？

ランダム化が不十分で系統誤差が特定条件に偏っている、あるいは制御していない外乱因子（室温・湿度・材料ロットなど）が影響している可能性が高い。確認実験で再現しない場合は、誤差変動が大きすぎないか、見落とした因子がないかを分散分析の残差から点検するとよい。

まとめ

DOE（実験計画法）は、勘と総当たりに頼った実験を、統計に裏打ちされた効率的な改善活動へ転換する手法である。本記事の要点を整理する。

DOEとは：複数因子を計画的に同時に振り、最小限の実験回数で主効果と交互作用を分離評価する方法体系。一度に1要因のやり方の限界を超える。
基本用語：因子・水準・特性値・交互作用の4つが共通言語。交互作用を捉えられる点がDOE最大の価値。
5ステップ：目的明確化 → 因子・水準選定 → 計画設計 → ランダム化した実施 → 分散分析による解析。
直交表：一部実施要因計画の中核。L8なら128通りを8回に圧縮できる。ただし交絡というトレードオフに注意。
分散分析と応答曲面法：ANOVAで有意因子を判定し、p値と寄与率の両面で評価。最適化フェーズではRSMで曲面から最適点を精密に探る。

DOEで絞り込んだ有意因子を、Excelの横並び表ではなくAIとツリー図で「なぜ効くのか」まで可視化したい場合は、WhyTrace Plus をぜひ試してほしい。5Why分析・FTA・対策管理を一体で運用でき、実験知見を組織全体で共有する基盤が整う。

Sources: