不管用什麼方法，比率資料(二項分佈資料)必須原始樣本量很大，幾百，最好幾千。

如果想做定量分析，一般都是用logistic迴歸。這個網上、書上都有。注意實驗條件非正交的話，要處理共線性。軟體上操作很簡單。

如果條件不是人為控制的，想了解條件之間的相關性(聚類)，比如低溫條件是否容易和低光照、少水同時出現，可以採取對應分析。統計軟體上都有。

如果是有控制的正交安排的實驗設計，可以進行析因實驗或響應曲面法(最小二乘)。但由於每個出芽率P的標準差不等且二項分佈非正態，所以需要將P進行變換:

先按國標推薦的方法將P進行修正，即P=(x+0.5)/(n+1)。然後將ln(P/(1-P))作為響應變數進行迴歸，當然也就同時完成了方差分析。這種方法較為成熟。

也可以將arcsin√P作為響應變數進行迴歸。

提醒一下，最好不要浪費樣本資訊。這組樣本不但可以分析出最高出芽率的培養條件，還可以分析出最高健康出芽率(或高等級出芽率）的培養條件。以及兩者綜合最佳的條件。

另外，引數的穩健性也很重要。如果有些因子很重要，但是實際工作中會波動(無法精確控制或無法完全控制），結果實際培育中，每批出芽率波動很大。這個有時也會成為困擾。所以需要找出合適的引數組合，利用互動作用，使得出芽率對於不穩定的培育條件不敏感。

例如，如果某因子處於低水平時，其它因子小幅變化，出芽率相對穩定。而處於高水平時，其它因子小幅變化，出芽率很不穩定。那麼該因子的低水平對於穩定性是有好處的。

穩定性有時會與高比率產生矛盾，但常常能找到緩解矛盾的因子。如果找不到，則分清主次，尋找平衡點。