试验设计之所以需要，是因为我们的实验往往存在许多不同的情况，如果情况很多，通过排列组合一一验证费时费力，有些情况甚至难以施展。有时我们刻意设计一系列试验，以便筛选出所需的“阳性”。另一种情况是为解释自然界的某种现象时，需用统计学原理模拟与验证，从而得以让人信服为之而提出的假说，验证思想与试验设计思想不谋而合。
从中可以明了，试验设计的目的是为实验提供科学指南与分析模式，通过减少实验次数降低成本（时间、人力、物力）；减少数据量，但不减少信息，有利于分析。下面简介3种常用的试验设计方法。
一、完全随机化试验（completely randomalized design）
又称“随机完全区组设计”等。这种方法最简单，但有时却万分有效。用该方法设计实验的目的是要验证一种因素对实验对象的影响。通常在相同条件下，设计n个区组，区组通常是条带状。某一因素在各区组间水平（值）不同，但区组内因素的水平（值）是恒定的。区组里的实验对象为无差别的随机个体。
例如，在三个不同来源统一年龄的杉木幼苗（三个家系）中，有其中一个家系看上去较高大，似乎能够区别于其它，但无法确定的是这一性状是否稳定，或许是否在统计上有差别时。此时通过完全随机化试验进行评估。将三个家系的所有幼苗种植于相同的环境中，相同家系的种在一起。该例所谓的“一种因素”是家系，其余条件均相同。获取的树高用于单因素方差分析（one-way ANOVA），结果能评估“家系”这一因素对杉木生长产生的效果。
二、随机区组设计（randomized block design）
由于多数实验的影响因素不只一个，或难以控制为一个，此时就需进行随机区组设计。该设计的目的是评价一个实验中实验对象受两个因素同时作用时，这两个因素的主次与效果。通常的做法是在完全随机化试验的基础上，每个区组内部有由某因素不同水平的处理。
例如，上述3个家系的杉木，现在不再种植于相同的环境中，而是种在3种不同氮素含量的土地上。该设计的目的不再是评价家系对杉木生长的影响，而变为生长最好的杉木，家系以及土壤氮素含量是怎样的，以及这种最好的生长状况相较于平均水平有显著性吗？因为我们想知道各家系的喜氮偏好性并获得最优单株。有时，经双因素方差分析（two-way ANOVA）后开展多重比较（multiple comparisons），还能发现各因素实际作用的相对贡献，从而发现真正导致结果显著的因子。
三、正交试验设计（Orthogonal Experimental Design）
该方法是真正的可减少实验次数的方法，而且非常常用。对两个因素以上的试验，随机区组设计无能为力，而两个因素以上的试验的次数又通常较多，因此根据正交性从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备均匀分散，齐整可比的特点。（图1）
应注意区分试验设计与数据分析，这是两个过程。前者仅仅提供方案，要对所获取的数据进行分析，需依靠方差分析与假设检验等。具体过程参考“试验设计”相关参考书；分析参考《数理统计》等。
