Zum Inhalt springen
Zurück zu den Suchergebnissen

Vollfaktorielle Versuchsplanung — Vollständiges faktorielles Versuchsdesign

Eingeführt von
Ronald A. Fisher
Jahr
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Typ
Experimental design
Familie
Experimental design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Ein vollfaktorielle Versuchsplanung führt jede mögliche Kombination aller gewählten Faktorstufen durch und ist damit der Goldstandard für die gleichzeitige Schätzung von Haupteffekten, zweifachen Wechselwirkungen und Wechselwirkungen höherer Ordnung zwischen mehreren unabhängigen Variablen.

Eingeführt durch Ronald Fishers grundlegende Arbeiten zu faktoriellen Designs in den 1920er Jahren und systematisiert von Box, Hunter und Montgomery, liefert sie vollständige Informationen darüber, wie Faktoren einzeln und in Kombination auf ein Ergebnis wirken.

Die Intuition hinter der Methode

Angenommen, Sie testen zwei Düngemitteltypen (A, B) und drei Bewässerungspläne (täglich, wöchentlich, monatlich) auf den Ernteertrag. Ein vollfaktorielle Design bedeutet, dass Sie Pflanzen unter allen 2 × 3 = 6 Kombinationen anbauen, nicht nur jeden Faktor isoliert. Dies ist leistungsfähig, da die Wirkung des Düngemittels von der Bewässerungshäufigkeit abhängen kann — eine Wechselwirkung, die Ein-Faktor-Studien vollständig übersehen. Das vollfaktorielle Design erfasst jede Wechselwirkung, indem sichergestellt wird, dass jede Stufe eines Faktors mit jeder Stufe jedes anderen Faktors vorkommt, was eine ausgewogene, unverfälschte Sicht auf den gesamten Faktorraum ermöglicht.

Geschichte

Ronald Fisher führte das Konzept der faktoriellen Versuchsplanung in seinem wegweisenden Artikel von 1926 ein und entwickelte es vollständig in 'The Design of Experiments' (1935), wobei er argumentierte, dass die gleichzeitige Untersuchung mehrerer Faktoren effizienter sei als Ein-Faktor-Ansätze. Frank Yates formalisierte die Notation und Berechnung faktorieller Effekte in den 1930er Jahren. George Box, J. Stuart Hunter und William Hunter systematisierten die praktische Anwendung faktorieller Designs für industrielle und wissenschaftliche Settings in ihrem wegweisenden Lehrbuch von 1978 (aktualisiert 2005). Douglas Montgomerys weit verbreitetes Lehrbuch (erste Auflage 1976) hat seitdem die vollfaktorielle Versuchsplanung zum Kern von Lehrplänen in Ingenieur- und angewandten Wissenschaften weltweit gemacht.

Wann wird sie eingesetzt?

Verwenden Sie ein vollfaktorielle Versuchsplanung, wenn Sie eine geringe Anzahl von Faktoren haben (typischerweise k ≤ 4 oder 5 für zweistufige Designs) und alle Haupteffekte und Wechselwirkungen ohne Mehrdeutigkeit schätzen müssen. Es ist die richtige Wahl, wenn Wechselwirkungen erwartet werden oder ihre Anwesenheit wissenschaftlich wichtig ist, wenn die Ressourcen die Durchführung jeder Kombination zulassen und wenn das Ergebnis unter kontrollierten Bedingungen messbar ist. Verwenden Sie KEIN vollfaktorielle Design, wenn k groß ist (z. B. k ≥ 6 bei zwei Stufen), da die erforderlichen 64+ Läufe unpraktisch werden — bevorzugen Sie stattdessen fraktionierte faktorielle oder Response-Surface-Designs. Vermeiden Sie es auch, wenn die Kosten pro Lauf oder Materialbeschränkungen N = 2^k (oder 3^k) unerschwinglich machen oder wenn Sie sich nur für Haupteffekte interessieren und starke theoretische Gründe haben, keine Wechselwirkungen anzunehmen.

Grenzen und Hinweise

  • Die Anzahl der Läufe wächst exponentiell mit der Anzahl der Faktoren: 2^k = 32 Läufe für 5 Faktoren, 64 für 6 — schnell unpraktisch werdend.
  • Wechselwirkungen höherer Ordnung (dreifach und höher) sind schätzbar, aber selten interpretierbar oder wissenschaftlich bedeutsam, was viele Läufe informationsmäßig redundant macht.
  • Geht davon aus, dass Faktoren präzise auf die angegebenen Stufen eingestellt werden können; die Faktorsteuerung ist oft im Labor einfacher als in Feld- oder Organisationseinstellungen.
  • Replikation ist ressourcenintensiv; ohne sie stützt sich die Fehlerschätzung auf die Bündelung vernachlässigbarer Wechselwirkungen höherer Ordnung, was Urteilsvermögen erfordert.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Schätzt jeden Haupteffekt und jede Wechselwirkung ohne Aliasing oder Verwechslung — das vollständigste Bild, das aus einem kontrollierten Experiment möglich ist.
  • Orthogonales Design: Alle Effektschätzungen sind statistisch unabhängig, was die Interpretation vereinfacht.
  • Liefert eine reine Fehlerschätzung bei replizierten Läufen, was rigorose Hypothesentests mittels ANOVA ermöglicht.
  • Flexible Struktur: Funktioniert mit kontinuierlichen, kategorialen oder gemischten Faktortypen und kann Blockbildung zur Kontrolle von Störvariablen integrieren.
  • Skaliert natürlich: Ein 2^k-Design mit Mittelpunktdurchläufen kann zu einem Response-Surface-Design (zentrales Komposit- oder Box-Behnken-Design) erweitert werden, um Krümmung zu erkennen.

Anwendungen

  • Pharmazeutische Formulierung: Gleichzeitige Optimierung von Wirkstoffkonzentration, Hilfsstofftyp und Temperatur zur Maximierung der Auflösungsgeschwindigkeit.
  • Agrarwissenschaft: Testen von Kombinationen aus Dünger, Bewässerungsniveau und Pflanzdichte auf den Ernteertrag.
  • Verbesserung von Fertigungsprozessen: Ermittlung, wie Maschinengeschwindigkeit, Temperatur und Materialgüte gemeinsam die Zugfestigkeit des Produkts beeinflussen.
  • Verhaltens- und Bildungsversuche: Untersuchung, wie Lehrmethode, Klassengröße und Bewertungsart interagieren, um Lernergebnisse zu beeinflussen.
  • Klinische und gesundheitsbezogene Forschung: Bewertung von Kombinationen von Verhaltensinterventionskomponenten, um festzustellen, welche Kombinationen den therapeutischen Effekt antreiben.
  • Softwaretechnik: Testen des Einflusses von Algorithmentyp, Datensatzgröße und Hardwarekonfiguration auf die Rechenleistung.

So funktioniert es

So funktioniert es

1

Identifizieren Sie k experimentelle Faktoren und spezifizieren Sie die Stufen für jeden. Ein zweistufiges Design (jeder Faktor auf niedrig/hoch) wird als 2^k bezeichnet; ein dreistufiges Design als 3^k. Die Faktorstufen sollten so gewählt werden, dass sie den Bereich des praktischen oder wissenschaftlichen Interesses abdecken. Die Gesamtzahl der Behandlungskombinationen entspricht dem Produkt aller Stufenzahlen über die Faktoren hinweg.

2

Die Gesamtzahl der experimentellen Läufe ist N = das Produkt aller Stufenzahlen (z. B. 2^3 = 8 für drei zweistufige Faktoren). Diese Zahl wächst exponentiell mit der Anzahl der Faktoren, sodass vollfaktorielle Designs am praktikabelsten sind, wenn k klein ist (typischerweise k ≤ 5 für zweistufige Faktoren). Eine Designmatrix wird erstellt, die jede Kombination auflistet; die Wiederholung jeder Kombination stärkt die Fehlerschätzung.

Formel
N = \prod_{i=1}^{k} l_i
3

Experimentelle Einheiten werden zufällig jeder Behandlungskombination zugewiesen, oder die Reihenfolge der Läufe wird vollständig randomisiert. Die Randomisierung schützt vor systematischen Verzerrungen durch Zeittrends, Ermüdung oder Geräteabweichungen. Wenn einige Störvariablen bekannt sind (z. B. Charge, Bediener, Tag), wird eine Blockbildung hinzugefügt, um deren Varianz zu isolieren, ohne die Schätzungen der Faktoren zu verzerren.

4

Die Antwortvariable wird für jeden experimentellen Lauf unter der zugewiesenen Kombination von Faktorstufen gemessen. Die Daten werden systematisch erfasst, wobei die Verbindung zwischen Laufreihenfolge, Faktoreinstellungen und beobachtetem Ergebnis erhalten bleibt. Mehrere Wiederholungen pro Zelle werden nach Möglichkeit empfohlen, da sie eine reine Schätzung des experimentellen Fehlers liefern.

5

Haupteffekte und alle Wechselwirkungseffekte werden mit der Methode der kleinsten Quadrate (oder ANOVA) geschätzt. In einem 2^k-Design entspricht jede Effektschätzung einem linearen Kontrast der Zellmittelwerte; die Formel beta-Hut = (X'X)^{-1} X'y gilt, wobei X die Modellmatrix der kodierten Faktoreinstellungen ist. Da jede Kombination getestet wird, sind alle Effekte orthogonal und schätzbar, ohne Aliasing.

Formel
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

ANOVA-Tabellen zerlegen die Gesamtvarianz in Haupteffekte, zweifache Wechselwirkungen, dreifache Wechselwirkungen usw. Signifikante Wechselwirkungen werden mithilfe von Wechselwirkungsdiagrammen interpretiert: parallele Linien deuten auf keine Wechselwirkung hin; kreuzende oder divergierende Linien signalisieren, dass die Wirkung eines Faktors über die Stufen eines anderen variiert. Wechselwirkungen höherer Ordnung (dreifach oder höher) sind in der Praxis selten, aber in einem vollfaktorielle Design schätzbar und testbar.

Häufige Fallstricke

  • Ignorieren von Wechselwirkungen bei der Wahl des Designs: Wenn Sie keine Wechselwirkungen erwarten, verschwendet ein vollfaktorielle Design Läufe — aber wenn Wechselwirkungen bestehen und Sie einen Ein-Faktor-Ansatz verwendet haben, werden Sie diese vollständig verpassen.
  • Verwendung von zu vielen Stufen ohne Rechtfertigung: Ein 3^k-Design hat 3^5 = 243 Läufe für fünf Faktoren; es sei denn, Krümmung wird speziell vermutet, sind zweistufige Designs normalerweise ausreichend und weitaus effizienter.
  • Verwechslung eines vollfaktorielle mit einem fraktionierten faktoriellen Design: Ein fraktioniertes faktorielles Design lässt bewusst bestimmte Kombinationen aus und aliast bestimmte Wechselwirkungen — wenn Sie alle schätzbaren Wechselwirkungen benötigen, bietet nur das vollfaktorielle Design dies.
  • Fehlende Randomisierung der Laufreihenfolge: Systematische Trends (Aufwärmen von Geräten, Lernen des Bedieners, Abbau von Reagenzien) erhöhen oder verringern die Effektschätzungen, wenn Läufe in einer festen, nicht zufälligen Reihenfolge ausgeführt werden.
  • Analyse von Haupteffekten isoliert, wenn Wechselwirkungen signifikant sind: Eine statistisch signifikante Wechselwirkung bedeutet, dass die Schlussfolgerungen zu den Haupteffekten von der Stufe des moderierenden Faktors abhängen und bedingt interpretiert werden müssen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem vollfaktorielle und einem fraktionierten faktoriellen Design?

Ein vollfaktorielle Design führt jede mögliche Kombination von Faktorstufen durch und schätzt alle Haupteffekte und Wechselwirkungen ohne Aliasing. Ein fraktioniertes faktorielles Design führt nur einen sorgfältig ausgewählten Bruchteil dieser Kombinationen durch und aliast bewusst bestimmte Wechselwirkungen höherer Ordnung, um die Anzahl der Läufe zu reduzieren. Verwenden Sie das vollfaktorielle Design, wenn Wechselwirkungen wichtig sind und die Ressourcen es zulassen; verwenden Sie das fraktionierte faktorielles Design, wenn k groß ist und Sie bereit sind, bestimmte Wechselwirkungen höherer Ordnung als vernachlässigbar anzunehmen.

Wie wähle ich die Anzahl der Stufen für jeden Faktor?

Zwei Stufen (niedrig und hoch) sind ausreichend, wenn Sie eine annähernd lineare Reaktion über den Faktorbereich erwarten und sich hauptsächlich für Richtung und Größe der Effekte interessieren. Drei Stufen sind erforderlich, wenn Sie Krümmung (eine nichtlineare Reaktion) vermuten, aber sie verdreifachen die Anzahl der Läufe für jeden zusätzlichen Faktor. Eine praktische Strategie ist, mit 2^k-Designs zu beginnen, die mit Mittelpunktdurchläufen ergänzt werden, um auf Krümmung zu prüfen, bevor Sie sich für ein 3^k-Design entscheiden.

Muss ich jede Behandlungskombination replizieren?

Replikation wird dringend empfohlen. Ohne Replikation ist die einzige Quelle für die Fehlerschätzung die gebündelte Summe der Quadrate aus vernachlässigbaren Wechselwirkungen höherer Ordnung (angenommen null), was eine riskante Annahme ist. Mit auch nur einer vollständigen Replikation (Verdoppelung aller Läufe) erhalten Sie eine echte reine Fehlerschätzung, engere Konfidenzintervalle und zuverlässigere Signifikanztests.

Welchen statistischen Test verwende ich zur Analyse eines vollfaktorielle Experiments?

Die Standardanalyse ist eine faktorielle ANOVA (oder ihr äquivalentes Regressionsmodell), die die Gesamtvarianz in Komponenten zerlegt, die jedem Haupteffekt und jedem Wechselwirkungsterm zuzuordnen sind. Die Signifikanz der Effekte wird durch F-Tests beurteilt. Wenn das Ergebnis nicht normalverteilt oder ordinal ist, werden stattdessen nichtparametrische Alternativen oder verallgemeinerte lineare Modelle verwendet.

An welchem Punkt sollte ich stattdessen zu einem Response-Surface-Design wechseln?

Wenn Ihr 2^k vollfaktorielle Design (möglicherweise mit Mittelpunkten) statistisch signifikante Krümmung in der Antwort aufzeigt, ist das lineare faktorielle Modell unzureichend und ein Response-Surface-Design — wie ein zentrales Komposit- oder Box-Behnken-Design — sollte verwendet werden. Response-Surface-Designs fügen axiale (Stern-)Punkte hinzu, um quadratische Terme zu schätzen und die volle Krümmung der Antwortfläche abzubilden.

Verwandte Methoden

Quellen

  1. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.

    ISBN: 978-0471718130
    Kopiert.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Kopiert.