Imidlertid, i komplekse situasjoner kan man aldri finne den rette modellen. Den eksperimentelle læringsprosess er i sin natur iterativ og et hvert nytt eksperiment gir økt kunnskap. Svært viktig er det derfor å benytte en strategi som gir oss den viktigste og nyttigste informasjonen først. Når det er et stort antall mulige forklaringsvariable, bør de innledende forsøkene brukes til å identifisere de viktigste variablene. For dette formålet er fraksjonelle faktorielle design svært effektive.
Statistiske verktøy er nyttige når man skal trekke konklusjoner fra eksperimentelle data. Likevel får kan man mye informasjon ved bare å se på dataene. Statistiske verktøy brukes for å få mest mulig informasjon fra et begrenset antall forsøk. Statistiske metoder er nødvendig fordi eksperimentelle data alltid er beheftet med usikkerhet (støy). Spesielt kan statistiske hypotesetester besvare spørsmål om hvorvidt man kan stole på observerte sammenhenger.
Denne avhandlingen tar for seg problemet med å identifisere de viktige variablene i fraksjonelle faktorielle eksperimenter ved hjelp av hypotesetestings-teknikker. I slike eksperimenter utfører man ikke gjentak av forsøkene og dette fører til spesielle statistiske problemer. I dag kan ofte problemer relatert til hypotesetester løses ved bruk av datamaskinens regnekraft. Når man ikke kan regne ut p-verdier analytisk, kan man utføre såkalte Monte Carlo simuleringer. I denne avhandlingen benyttes slike simuleringer til å forbedre eksisterende enkeltrespons-metoder for fraksjonelle design.
Moderne analyseinstrumenter måler ofte mange variable og vanligvis er disse variablene sterkt korrelerte. Multirespons-tester for fraksjonelle design som til nå har vært ikkeeksisterende utvikles i denne avhandlingen. De spesielle problemene som knytter seg til den sterke korrelasjonen løses ved bruk av prinsipal komponent dekomposisjoner.
I tillegg tar avhandlingen for seg de underliggende og mer generelle prinsippene for testing av hypoteser under den multivariable multiple regresjonsmodellen. De klassiske testene formuleres geometrisk som resamplingstester hvor rotasjonsmatriser har samme funksjon som permutasjonsmatriser i permutasjonstester. Generaliserte tester kan formuleres på samme måte. Testene som er utviklet for fraksjonelle design er eksempler på slike generaliserte tester.