Cũng như trong các cách thiết kế thí nghiệm thông thường, ta cũng có thể phân phối các đơn vị thí nghiệm và/hay các nghiệm thức vào các khối để giảm bớt sai số hệ thống. Tuy nhiên các khối này cũng phải thỏa mãn điều kiện trực giao. Thí dụ ta xét thí nghiệm hai yếu tố được thiết kế bằng phương pháp phối hợp có tâm được chia thành hai khối. Ma trận yếu tố mã hóa (MYM) của thí nghiệm này được trình bày trên Bảng 1.

Ta có thể tham khảo thêm thí dụ ở phần thiết kế phối hợp có tâm.

Với mỗi đơn vị thí nghiệm `i`, một đáp ứng nào đó sẽ có hai giá trị, một là giá trị thực `y_i` và một là giá trị ước tính `y_(io)`. Như vậy tổng phương sai sai số `SS_E` là:

Nếu ta chia `SS_E` cho độ tự do `df_E` của sai số thì ta có `MS_E`; giá trị này còn được gọi là phương sai sai số (error variance). Phương sai này có liên quan đến phương sai của một số thành phần, một số đối tượng trong mô hình khảo sát.

Trước khi thí nghiệm, ta chưa biết được giá trị của phương sai sai số và ta tạm gán cho nó giá trị là 1. Từ đó ước lượng giá trị cho phương sai của các thành phần khác, các đối tượng khác trong thí nghiệm, thí dụ như các thừa số của phương trình hồi quy. Khi ấy giá trị của các phương sai thành phần được gọi là phương sai tương đối (relative variance).

Các giá trị này thường được dùng để khảo sát, đánh giá (evaluation, diagnosis), hay so sánh các thiết kế thí nghiệm, đặc biệt là các thiết kế phi mẫu mực. Giá trị của nó càng nhỏ càng tốt.

Sau khi thu được kết quả, để thu được phương trình hồi quy mà các thừa số đều có ý nghĩa, ta cần phải qua một quá trình sàng loại. Cho đến nay, phương pháp được áp dụng phổ biến hơn cả vẫn là phương pháp thực hiện qua nhiều bước (stepwise).

Việc chuyển từ một bước sang một bước kế tiếp có thể thực hiện theo hai cách là thêm một (hay một số) thừa số vào mô hình hay rút bớt một (hay một số) thừa số ra khỏi mô hình. Sau khi thêm hoặc bớt thừa số, ta so sánh mô hình mới với mô hình ở bước trước đó. Nếu mức độ tương thích tăng lên, ta giữ lại mô hình này, nếu mức độ tương thích giảm đi, ta lấy lại mô hình cũ.

Quá trình này lặp lại nhiều lần cho đến khi thu được mô hình tốt nhất. Trong một quá trình, có thể chỉ sử dụng một cách chuyển - hoặc là thêm vào, hoặc là bớt đi - hoặc có thể sử dụng phối hợp cả hai cách chuyển.

Khi so sánh mức độ tương thích giữa các mô hình mới và cũ với nhau, người ta thường không dùng `R^2` hay `R_(hc)^2` hiệu chỉnh mà sử dụng các thông số khác. Phổ biến nhất là AICc và BIC:

• AICc : corrected Akaike information criterion,
• BIC : Bayesian information criteron.

Giá trị của các thông số này càng bé, tính tương thích càng cao.

Lưu ý là AICc và BIC dùng để so sánh tương đối giữa hai hay nhiều phương trình hồi quy, cho biết tính tương thích của phương trình nào tốt hơn. Còn bản thân phương trình có tốt hay không thì hai thông số này không cho biết được. Vì thế AICc và BIC thường chỉ dùng trong các thí nghiệm phức tạp, có nhiều yếu tố, nhiều tương tác, bậc cao, xử lý số liệu phức tạp.