Faktorielles Experiment — Faktorielles Versuchsdesign
- Eingeführt von
- Ronald A. Fisher
- Jahr
- 1926–1935
- Typ
- Quantitative experimental design
- Familie
- Experimental design
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Ein faktorielles Experiment ist ein Versuchsdesign, bei dem zwei oder mehr unabhängige Variablen (Faktoren) gleichzeitig manipuliert werden und jede Kombination ihrer Stufen getestet wird.
Dieses von Ronald Fisher in den 1920er- und 1930er-Jahren eingeführte Verfahren ist der Standardansatz, wenn ein Forscher nicht nur die Haupteffekte jedes Faktors, sondern auch feststellen möchte, ob die Wirkung eines Faktors von der Stufe eines anderen abhängt – den Interaktionseffekten.
Die Intuition hinter der Methode
Stellen Sie sich vor, Sie testen einen neuen Dünger (ja/nein) und zwei Bewässerungsstufen (niedrig/hoch) auf den Ernteertrag. Ein Ansatz, bei dem jeweils nur ein Faktor getestet wird, würde zwei separate Experimente erfordern. Ein faktorielles Experiment testet alle vier Kombinationen – Dünger-ja/Bewässerung-niedrig, Dünger-ja/Bewässerung-hoch, Dünger-nein/Bewässerung-niedrig, Dünger-nein/Bewässerung-hoch – in einer einzigen Studie. Dies spart nicht nur Ressourcen, sondern ist auch der einzige Weg, um herauszufinden, ob der Dünger bei hoher Bewässerung besser wirkt als bei niedriger. Dieses Kreuzmuster ist eine Interaktion, und faktorielle Designs sind speziell darauf ausgelegt, diese zu erkennen.
Geschichte
Ronald Fisher formalisierte die Logik faktorieller Experimente in seinem Aufsatz von 1926 über landwirtschaftliche Experimente und entwickelte die Theorie in seinem wegweisenden Buch The Design of Experiments von 1935 weiter, wo er die Konzepte der Randomisierung, Replikation und faktoriellen Kreuzung als Grundlage für fundierte empirische Schlussfolgerungen einführte. Fishers Arbeit wurde durch die praktische Notwendigkeit motiviert, mehrere agronomische Interventionen gleichzeitig und nicht nacheinander zu testen. Mitte des 20. Jahrhunderts wurden faktorielle Designs in Psychologie, Ingenieurwesen, Medizin und Sozialwissenschaften übernommen. Douglas Montgomerys weit verbreitetes Lehrbuch Design and Analysis of Experiments (erste Auflage 1976) brachte faktorielle und fraktionierte faktorielle Methoden einem Publikum aus Ingenieurwesen und Industrie näher und festigte den Ansatz als Eckpfeiler der experimentellen Methodik.
Wann wird sie eingesetzt?
Verwenden Sie ein faktorielle Experiment, wenn Sie zwei oder mehr Faktoren in einer Studie untersuchen möchten und wenn die Erkennung von Interaktionen wissenschaftlich wichtig ist. Es ist den Ansätzen, bei denen jeweils nur ein Faktor getestet wird, vorzuziehen, wann immer die Ressourcen es zulassen, da es die gleichen Informationen über jeden Faktor zu geringeren Gesamtkosten liefert und zusätzlich Interaktionsschätzungen liefert. Vermeiden Sie es, wenn die Anzahl der Faktoren groß ist (vier oder mehr Faktoren mit mehreren Stufen pro Faktor ergeben eine unüberschaubare Anzahl von Zellen); in diesen Fällen bevorzugen Sie ein fraktionielles faktorielles Design oder eine Response-Surface-Methode. Verwenden Sie kein vollständiges faktorielle Design, wenn Sie nur einen Faktor haben – ein einfaches RCT oder eine Einweg-ANOVA ist ausreichend. Vermeiden Sie es auch, wenn es betrieblich unmöglich ist, alle Kombinationen von Faktorstufen zu liefern.
Grenzen und Hinweise
- Der Bedarf an Stichprobengröße wächst multiplikativ mit der Anzahl der Faktoren und Stufen, was große Designs teuer macht.
- Vollständige faktorielle Designs mit vielen Faktoren sind oft nicht durchführbar; Forscher müssen auf fraktionierte Designs mit Informationsverlust zurückgreifen.
- Die Interpretation wird komplex, wenn mehrere Interaktionen höherer Ordnung signifikant sind und sorgfältige grafische Darstellungen und Analysen einfacher Effekte erfordern.
- Alle Standardannahmen der faktoriellen ANOVA (Normalität, Varianzhomogenität, Unabhängigkeit) müssen überprüft und gegebenenfalls behoben werden.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Das einzige Design, das Interaktionseffekte zwischen Faktoren schätzen kann – das informativste Merkmal der multifaktoriellen Forschung.
- Statistisch effizienter als separate Einzelfaktorstudien: Jede Beobachtung trägt zur Schätzung jedes Haupteffekts bei.
- Unterstützt kausale Schlussfolgerungen, wenn Faktoren vollständig randomisiert sind und denselben Standard wie eine randomisierte kontrollierte Studie erfüllen.
- Hochflexibel: Faktoren können zwischen-Subjects, innerhalb-Subjects (wiederholte Messungen) oder gemischt sein.
- Generalisierbare Ergebnisse: Schlussfolgerungen über Faktor A gelten für alle getesteten Stufen von Faktor B und nicht unter einer einzigen willkürlichen Bedingung.
Anwendungen
- Psychologie: Untersuchung, wie sich die Effekte einer kognitiven Intervention nach Teilnehmer-Altersgruppe oder Geschlecht unterscheiden (2 × 2 Between-Subjects-Design).
- Landwirtschaft und Biologie: Testen von Kombinationen aus Düngertyp und Bewässerungsstufe auf den Ernteertrag.
- Ingenieurwesen und Fertigung: Optimierung der Produktqualität durch gleichzeitige Variation von Prozesstemperatur, Druck und Materialgüte.
- Pharmakologie: Bewertung von Kombinationen aus Medikamentendosis und Verabreichungsweg auf die Bioverfügbarkeit.
- Bildung: Bewertung, ob eine neue Lehrmethode über verschiedene Klassengrößen und Fachgebiete hinweg gleich wirksam ist.
- Marketing: Testen von Kombinationen aus Botschaftsrahmung und Medienkanal auf die Kaufabsicht der Verbraucher.
So funktioniert es
So funktioniert es
Identifizieren Sie alle theoretisch oder praktisch relevanten unabhängigen Variablen (Faktoren) und legen Sie die Stufen für jede fest. Ein 2 x 3-Design hat beispielsweise einen Faktor mit 2 Stufen und einen zweiten Faktor mit 3 Stufen, was zu 6 Behandlungsbedingungen führt. Die Wahl der Stufen sollte auf früheren Forschungen oder substantiver Theorie basieren und nicht auf willkürlicher Bequemlichkeit.
Bilden Sie jede mögliche Kombination von Faktorstufen. Dieses Kreuzen definiert das faktorielle Design: Wenn Faktor A a Stufen und Faktor B b Stufen hat, enthält das Design a × b Behandlungszellen. Die vollständige Kreuzung stellt sicher, dass Haupteffekte und alle Interaktionen ohne Verwechslung schätzbar sind.
Weisen Sie experimentelle Einheiten (Teilnehmer, Parzellen, Chargen) zufällig den Behandlungszellen zu oder randomisieren Sie bei einer Within-Subjects-Variante die Reihenfolge, in der jede Einheit alle Bedingungen erhält. Eine ordnungsgemäße Randomisierung ist unerlässlich für gültige kausale Schlussfolgerungen und für die Erfüllung der Unabhängigkeitsannahme, die der faktoriellen ANOVA zugrunde liegt.
Verabreichen Sie jede Behandlungsbedingung gemäß dem Protokoll und erfassen Sie die Ergebnisvariable für jede Einheit. Die Aufrechterhaltung konsistenter Verfahren über alle Zellen hinweg – mit Ausnahme der beabsichtigten Manipulation der Faktoren – ist entscheidend für den Ausschluss von Störvariablen.
Passen Sie ein faktorielle ANOVA-Modell (oder ein Regressionsmodell mit Interaktionstermen) an: Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Signifikanztests und Effektstärkenschätzungen (Eta-Quadrat, Omega-Quadrat) werden für jeden Haupteffekt und jeden Interaktionsterm berechnet. Das F-Verhältnis für jede Quelle vergleicht ihr mittleres Quadrat mit dem Restmittelquadrat.
Formel
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
Untersuchen Sie Interaktionsdiagramme (Zellenmittelwerte, bei denen ein Faktor auf der x-Achse und Linien für den anderen Faktor aufgetragen sind). Nicht-parallele Linien signalisieren eine Interaktion: Die Wirkung eines Faktors ist nicht über die Stufen des anderen einheitlich. Wenn eine signifikante Interaktion gefunden wird, müssen Haupteffekte mit Vorsicht interpretiert werden – Analysen der einfachen Effekte (ein Faktor auf jeder Stufe des anderen) verdeutlichen das Muster.
Häufige Fallstricke
- Ignorieren signifikanter Interaktionen und isolierte Interpretation von Haupteffekten – wenn eine Interaktion vorhanden ist, ist ein Haupteffekt ein irreführender Durchschnitt über heterogene Untergruppen; immer zuerst die Zellenmittelwerte grafisch darstellen.
- Unterdimensionierung einzelner Zellen – die Power in einem faktoriellen Design muss für den kleinsten erwarteten Effekt (oft die Interaktion) und die gewünschten Alpha- und Power-Werte berechnet werden, nicht nur für die Haupteffekte; die Verwendung von Formeln für die Power von Haupteffekten führt zu unterdimensionierten Interaktionstests.
- Fehlende Randomisierung oder unausgeglichene Zellgrößen – ungleiche Zellgrößen führen zu Nicht-Orthogonalität, was die Varianzaufteilung erschwert; verwenden Sie Typ-III-Summen der Quadrate und berichten Sie die Ungleichheit explizit.
- Behandlung eines faktoriellen Designs, als wären es separate Einweg-ANOVAs – das Durchführen einzelner ANOVAs für jeden Faktor ignoriert die gekreuzte Struktur und erhöht den Typ-I-Fehler; analysieren Sie immer das vollständige faktorielle Modell.
- Einbeziehung zu vieler Faktoren – jeder hinzugefügte Faktor multipliziert die Anzahl der Zellen und die Komplexität von Interaktionsdiagrammen; vier oder mehr Faktoren erfordern normalerweise einen fraktionierten oder Response-Surface-Ansatz.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem faktoriellen Experiment und einem vollständigen faktoriellen Experiment?
Jedes vollständige faktorielle Experiment ist ein faktorielles Experiment – die Begriffe werden oft austauschbar verwendet. Wenn Forscher sie unterscheiden, ist 'faktorielles Experiment' die allgemeine Kategorie (einschließlich vollständiger und fraktionierter Varianten), und 'vollständig faktoriell' spezifiziert, dass jede mögliche Kombination von Faktorstufen enthalten ist. Ein fraktionielles faktorielles Design lässt eine systematische Teilmenge von Zellen weg, um Kosten zu senken, auf Kosten der Verwechslung von Interaktionen höherer Ordnung.
Wie viele Teilnehmer benötige ich pro Zelle?
Mindestens zwei oder drei Beobachtungen pro Zelle sind erforderlich, um die Varianz innerhalb der Zelle zu schätzen, aber dies ist selten ausreichend für eine angemessene Power. Eine formale Power-Analyse unter Verwendung der erwarteten Effektstärke für die Interaktion (typischerweise kleiner als die Haupteffekte) und der gewünschten Alpha- und Power-Werte sollte die Zellgröße bestimmen. Fünf bis zwanzig Teilnehmer pro Zelle sind ein üblicher Arbeitsbereich in der Verhaltensforschung, aber Ingenieurstudien können drei oder weniger bei hoher Messgenauigkeit verwenden.
Was ist, wenn meine Interaktion signifikant ist – berichte ich dann immer noch Haupteffekte?
Ja, aber mit Vorsicht. Wenn eine signifikante Interaktion vorhanden ist, beschreiben Haupteffekte Durchschnittswerte über heterogene Bedingungen, was irreführend sein kann. Berichten Sie sie, aber konzentrieren Sie die Interpretation auf die Interaktion: Führen Sie Analysen einfacher Effekte durch (Testen eines Faktors separat auf jeder Stufe des anderen) und präsentieren Sie Interaktionsdiagramme, damit die Leser das Muster direkt sehen können.
Können faktorielle Designs mit Within-Subjects-Faktoren (wiederholte Messungen) verwendet werden?
Ja. Gemischte faktorielle Designs kombinieren mindestens einen Between-Subjects-Faktor mit mindestens einem Within-Subjects-Faktor. Vollständig Within-Subjects-faktorielle Designs sind ebenfalls möglich. Diese Designs erhöhen die statistische Power, da individuelle Unterschiede kontrolliert werden, aber sie führen zu Übertragungs- und Reihenfolgeeffekten, die durch Konterbalancierung oder Auswaschperioden behandelt werden müssen.
Wann sollte ich stattdessen ein fraktionielles faktorielles Design verwenden?
Wenn die Anzahl der Faktoren groß ist (typischerweise vier oder mehr mit jeweils mehreren Stufen), wird die Durchführung aller Behandlungspermutationen unerschwinglich teuer. Ein fraktionielles faktorielles Design testet einen sorgfältig ausgewählten Bruchteil der Zellen – es opfert Schätzungen von Interaktionen höherer Ordnung (die in der Praxis oft vernachlässigbar sind) im Austausch für eine drastische Reduzierung der Laufzahl. Wenn Interaktionen jenseits von Zwei-Wege-Interaktionen theoretisch unwahrscheinlich sind, ist ein Halb- oder Viertel-Fraktionsdesign oft die bessere Wahl.
Verwandte Methoden
Quellen
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Publikationsreferenz öffnenKopiert.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119320937Kopiert.