分裂图经常在必要时使用，但在对比精度方面可能有统计优势（或劣势）。这是我对使用裂图的直觉的初步理解：

首先，让我确定裂区设计中的两个常用术语是“全区因子”和“子区因子”。在一项农业研究中，整个地块因素处于更大的空间尺度上，比如整个田地，它们代表了某些处理的不同水平，例如排水效率。子样区因子在空间上嵌套在整个样区因子中。子图因素通常可以在较小的空间尺度上应用，例如作物类型。

除了实用性的原因（我上面写的例子中可能就是这种情况），分权可能是有效的（或低效的！）。Federer 和 King 2007 建议使用拆分图的一个原因是，与 2 路 ANOVA 相比，您通常可以提高精度来检测子图因素之间的对比。此外，交互效应可能更容易检测。相反，检测整区因子之间对比的精度通常会降低。

这些差异可以通过使用两个单独的残差项进行假设检验的事实来解释。整区误差项是通过首先对每个整区中的子区进行平均来计算的。

Spit plot 有时也被用作时间上的分裂图，据我了解，这类似于重复测量，通常用于主题。我不确定这种或另一种方式的优势是什么。术语映射如下：

 split-plot design = repeated-measures design
 whole plot        = subject
 whole plot factor = between-subject factor
 split-plot factor = within-subject factor = repeated-measures factor

关于裂区理论和实现的非常全面的参考资料是：Federer WT & King F (2007) Variations on split plot and split block experimental designs (John Wiley & Sons)。

一个很好的资源是 Mead 的“实验设计”（1988 年）第 14 章。我认为这里有一个新版本。但是你并不真的需要新版本来理解分裂情节，我假设你可以在你当地的图书馆访问这些书。

我可以给你我的 2 美分。在理想的世界中，如果您有 2 个处理，您会想要进行因子设计。它可能是您可以使用的最有效的设计。但是，通常存在实际限制。也许这 2 种处理必须应用于单元的不同级别（1 个较大，1 个较小），那么您将不得不应对裂区。所以我对裂区的看法是，它源于实际的限制。

与受限随机化的概念相关联，是的，裂区图是受限随机化的一种。应用于主要单元（“更大”图）的处理在有限的意义上是随机的。但是限制是由实际限制而不是统计理想造成的。