Skip to content
بازگشت به نتایج جست‌وجو

آزمایش عاملی — طرح آزمایشی عاملی

معرفی‌شده توسط
Ronald A. Fisher
سال
1926–1935
نوع
Quantitative experimental design
خانواده
Experimental design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

آزمایش عاملی، طرح آزمایشی است که در آن دو یا چند متغیر مستقل (عامل) به طور همزمان دستکاری می‌شوند و تمامی ترکیبات سطوح آن‌ها مورد سنجش قرار می‌گیرند. این روش که توسط رونالد فیشر در دهه‌های ۱۹۲۰ تا ۱۹۳۰ معرفی شد، رویکرد استاندارد در مواقعی است که پژوهشگر نیاز دارد نه تنها اثر اصلی هر عامل را تشخیص دهد، بلکه دریابد آیا اثر یک عامل به سطح عامل دیگر بستگی دارد یا خیر — یعنی اثر متقابل.

شهود پشت روش

تصور کنید که یک کود جدید (بله/خیر) و دو سطح آبیاری (کم/زیاد) را بر بازده محصول آزمایش می‌کنید. رویکرد «یک عامل در هر زمان» به دو آزمایش جداگانه نیاز دارد. آزمایش عاملی، هر چهار ترکیب — کود-بله/آبیاری-کم، کود-بله/آبیاری-زیاد، کود-خیر/آبیاری-کم، کود-خیر/آبیاری-زیاد — را در یک مطالعه آزمایش می‌کند. این کار نه تنها منابع را صرفه‌جویی می‌کند، بلکه تنها راه کشف این است که آیا کود تحت آبیاری زیاد بهتر از آبیاری کم عمل می‌کند یا خیر. این الگوی متقاطع یک اثر متقابل است و طرح‌های عاملی به طور خاص برای تشخیص آن ساخته شده‌اند.

تاریخ

رونالد فیشر منطق آزمایش‌های عاملی را در مقاله سال ۱۹۲۶ خود در مورد آزمایش‌های کشاورزی تدوین کرد و نظریه را در کتاب برجسته خود «طراحی آزمایش‌ها» (۱۹۳۵) بسط داد، جایی که او مفاهیم تصادفی‌سازی، تکرار و تقاطع عاملی را به عنوان اساس استنتاج تجربی صحیح معرفی کرد. کار فیشر با نیاز عملی به آزمایش همزمان چندین مداخله زراعی به جای یکی یکی برانگیخته شد. تا اواسط قرن بیستم، طرح‌های عاملی در روانشناسی، مهندسی، پزشکی و علوم اجتماعی پذیرفته شده بودند. کتاب درسی پرکاربرد داگلاس مونتگومری «طراحی و تحلیل آزمایش‌ها» (ویرایش اول ۱۹۷۶) روش‌های عاملی و عاملی کسری را به مخاطبان مهندسی و صنعتی معرفی کرد و این رویکرد را به عنوان سنگ بنای روش‌شناسی تجربی تثبیت کرد.

چه زمانی استفاده شود

هنگامی که دو یا چند عامل دارید که می‌خواهید در یک مطالعه بررسی کنید و تشخیص اثرات متقابل از نظر علمی مهم است، از آزمایش عاملی استفاده کنید. این روش در مواردی که منابع اجازه می‌دهند، ارجحیت دارد، زیرا اطلاعات یکسانی را در مورد هر عامل با هزینه کل نمونه کمتر ارائه می‌دهد و علاوه بر آن برآوردهای اثر متقابل را نیز به دست می‌دهد. از آن زمانی که تعداد عوامل زیاد است (چهار عامل یا بیشتر با سطوح متعدد برای هر کدام، تعداد غیرقابل مدیریتی از سلول‌ها ایجاد می‌کند) اجتناب کنید؛ در این موارد، طرح عاملی کسری یا روش سطح پاسخ را ترجیح دهید. زمانی که تنها یک عامل دارید از طرح عاملی کامل استفاده نکنید — یک کارآزمایی تصادفی کنترل شده ساده یا ANOVA یک‌طرفه کافی است. همچنین زمانی که از نظر عملیاتی امکان ارائه تمامی ترکیبات سطوح عامل وجود ندارد، از آن اجتناب کنید.

محدودیت‌ها و ملاحظات

  • نیاز به حجم نمونه با تعداد عوامل و سطوح به صورت ضربی رشد می‌کند و طرح‌های بزرگ را پرهزینه می‌سازد.
  • طرح‌های عاملی کامل با عوامل زیاد اغلب غیرممکن هستند؛ پژوهشگران باید با از دست دادن مقداری اطلاعات به طرح‌های کسری متوسل شوند.
  • تفسیر زمانی پیچیده می‌شود که چندین اثر متقابل مرتبه بالا معنادار باشند، که نیازمند ترسیم دقیق نمودار و پیگیری اثرات ساده است.
  • تمامی مفروضات استاندارد ANOVA عاملی (نرمال بودن، همگنی واریانس، استقلال) باید بررسی شده و در صورت نقض، رسیدگی شوند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تنها طرحی که می‌تواند اثرات متقابل بین عوامل را تخمین بزند — آموزنده‌ترین ویژگی تحقیقات چند عاملی.
  • از مطالعات جداگانه تک عاملی از نظر آماری کارآمدتر است: هر مشاهده به تخمین هر اثر اصلی کمک می‌کند.
  • هنگامی که عوامل به طور کامل تصادفی شده‌اند، از استنتاج علی پشتیبانی می‌کند و همان استاندارد کارآزمایی تصادفی کنترل شده را برآورده می‌کند.
  • بسیار انعطاف‌پذیر: عوامل می‌توانند بین‌نمونه‌ای، درون‌نمونه‌ای (اندازه‌گیری‌های تکراری) یا ترکیبی باشند.
  • یافته‌های قابل تعمیم: نتایج مربوط به عامل A در تمامی سطوح آزمایش شده عامل B اعمال می‌شود، نه تحت یک شرط دلخواه واحد.

کاربردها

  • روانشناسی: مطالعه اینکه چگونه اثرات یک مداخله شناختی در گروه‌های سنی یا جنسیتی شرکت‌کنندگان متفاوت است (طرح بین‌نمونه‌ای ۲ × ۲).
  • کشاورزی و زیست‌شناسی: آزمایش ترکیبات نوع کود و سطح آبیاری بر بازده محصول.
  • مهندسی و تولید: بهینه‌سازی کیفیت محصول با تغییر همزمان دما، فشار فرآیند و درجه مواد.
  • داروشناسی: ارزیابی ترکیبات دوز دارو و مسیر تجویز بر فراهمی زیستی.
  • آموزش: ارزیابی اینکه آیا یک روش تدریس جدید در اندازه‌های مختلف کلاس و حوزه‌های موضوعی به طور مساوی مؤثر است.
  • بازاریابی: آزمایش ترکیبات قاب‌بندی پیام و کانال رسانه بر قصد خرید مصرف‌کننده.

چگونه کار می‌کند

چگونه کار می‌کند

1

تمامی متغیرهای مستقل (عوامل) مورد علاقه نظری یا عملی را شناسایی کرده و مجموعه سطوح را برای هر کدام تعیین کنید. به عنوان مثال، یک طرح ۲ × ۳، یک عامل را در ۲ سطح و عامل دوم را در ۳ سطح دارد که منجر به ۶ شرط آزمایشی می‌شود. انتخاب سطوح باید بر اساس تحقیقات قبلی یا نظریه اساسی باشد، نه راحتی دلخواه.

2

هر ترکیب ممکن از سطوح عامل را تشکیل دهید. این تقاطع همان چیزی است که طرح عاملی را تعریف می‌کند: اگر عامل A دارای a سطح و عامل B دارای b سطح باشد، طرح شامل a × b سلول آزمایشی است. تقاطع کامل تضمین می‌کند که اثرات اصلی و تمامی اثرات متقابل بدون تداخل قابل تخمین باشند.

3

واحدهای آزمایشی (شرکت‌کنندگان، قطعات، دسته‌ها) را به طور تصادفی به سلول‌های آزمایشی اختصاص دهید یا در نوع درون‌نمونه‌ای، ترتیب دریافت تمامی شرایط توسط هر واحد را تصادفی کنید. تصادفی‌سازی مناسب برای استنتاج علی معتبر و برآورده کردن فرض استقلال زیربنای ANOVA عاملی ضروری است.

4

هر شرط آزمایشی را طبق پروتکل اجرا کرده و متغیر پیامد را برای هر واحد ثبت کنید. حفظ رویه‌های سازگار در تمامی سلول‌ها — به جز دستکاری عمدی عوامل — برای حذف عوامل مخدوش‌کننده حیاتی است.

5

یک مدل ANOVA عاملی (یا رگرسیون با جملات متقابل) را برازش دهید: Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. آزمون‌های معناداری و برآوردهای اندازه اثر (eta-squared, omega-squared) برای هر اثر اصلی و هر جمله اثر متقابل محاسبه می‌شوند. نسبت F برای هر منبع، مجذور میانگین آن را با مجذور میانگین باقی‌مانده مقایسه می‌کند.

فرمول
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
6

نمودارهای اثر متقابل را بررسی کنید (میانگین سلول‌ها که با یک عامل در محور x و خطوطی برای عامل دیگر ترسیم شده‌اند). خطوط غیرموازی نشان‌دهنده اثر متقابل هستند: اثر یک عامل در سطوح عامل دیگر یکنواخت نیست. هنگامی که یک اثر متقابل معنادار یافت می‌شود، اثرات اصلی باید با احتیاط تفسیر شوند — تحلیل اثرات ساده (یک عامل در هر سطح عامل دیگر) الگو را روشن می‌کند.

دام‌های رایج

  • نادیده گرفتن اثرات متقابل معنادار و تفسیر جداگانه اثرات اصلی — هنگامی که اثر متقابل وجود دارد، اثر اصلی میانگین گمراه‌کننده‌ای در میان زیرگروه‌های ناهمگن است؛ همیشه ابتدا میانگین سلول‌ها را ترسیم کنید.
  • کم‌توان کردن سلول‌های منفرد — توان در طرح عاملی باید برای کوچکترین اثر مورد انتظار (اغلب اثر متقابل) محاسبه شود، نه فقط برای اثرات اصلی؛ استفاده از فرمول‌های توان اثر اصلی منجر به آزمون‌های اثر متقابل کم‌توان می‌شود.
  • عدم تصادفی‌سازی یا متعادل‌سازی اندازه‌های سلول — اندازه‌های نامتعادل سلول، عدم تعامد را معرفی می‌کنند و تقسیم واریانس را پیچیده می‌سازند؛ از مجذورهای مجموع نوع III استفاده کنید و عدم تعادل را به صراحت گزارش دهید.
  • رفتار با طرح عاملی به گونه‌ای که گویی ANOVAهای یک‌طرفه جداگانه است — اجرای ANOVAهای منفرد برای هر عامل، ساختار متقاطع را نادیده گرفته و خطای نوع اول را افزایش می‌دهد؛ همیشه مدل عاملی کامل را تحلیل کنید.
  • گنجاندن عوامل بیش از حد — هر عامل اضافه شده، تعداد سلول‌ها و پیچیدگی نمودارهای اثر متقابل را ضرب می‌کند؛ چهار عامل یا بیشتر معمولاً نیازمند رویکرد کسری یا سطح پاسخ است.

پرسش‌های متداول

تفاوت بین آزمایش عاملی و آزمایش عاملی کامل چیست؟

هر آزمایش عاملی کامل یک آزمایش عاملی است — این اصطلاحات اغلب به جای یکدیگر استفاده می‌شوند. هنگامی که پژوهشگران تمایز قائل می‌شوند، «آزمایش عاملی» دسته کلی است (شامل هر دو نوع کامل و کسری) و «عاملی کامل» مشخص می‌کند که تمامی ترکیبات ممکن سطوح عامل گنجانده شده‌اند. یک طرح عاملی کسری زیرمجموعه منظمی از سلول‌ها را برای کاهش هزینه حذف می‌کند، به قیمت تداخل اثرات متقابل مرتبه بالا (که اغلب در عمل ناچیز هستند) در ازای کاهش چشمگیر تعداد اجراها.

به چند شرکت‌کننده در هر سلول نیاز دارم؟

حداقل، دو یا سه مشاهده در هر سلول برای تخمین واریانس درون سلولی لازم است، اما این به ندرت برای توان کافی است. تحلیل توان رسمی با استفاده از اندازه اثر مورد انتظار برای اثر متقابل (معمولاً کوچکتر از اثرات اصلی) و سطوح آلفا و توان مورد نظر باید اندازه سلول را تعیین کند. پنج تا بیست شرکت‌کننده در هر سلول یک محدوده کاری رایج در تحقیقات رفتاری است، اما مطالعات مهندسی ممکن است با دقت اندازه‌گیری بالا از سه یا کمتر استفاده کنند.

اگر اثر متقابل من معنادار باشد — آیا هنوز اثرات اصلی را گزارش می‌کنم؟

بله، اما با احتیاط. هنگامی که یک اثر متقابل معنادار وجود دارد، اثرات اصلی میانگین‌هایی را در شرایط ناهمگن توصیف می‌کنند که می‌تواند گمراه‌کننده باشد. آن‌ها را گزارش کنید، اما تفسیر را بر اثر متقابل متمرکز کنید: تحلیل اثرات ساده (آزمایش یک عامل به طور جداگانه در هر سطح عامل دیگر) را انجام دهید و نمودارهای اثر متقابل را ارائه دهید تا خوانندگان بتوانند الگو را مستقیماً ببینند.

آیا می‌توان از طرح‌های عاملی با عوامل درون‌نمونه‌ای (اندازه‌گیری‌های تکراری) استفاده کرد؟

بله. طرح‌های عاملی ترکیبی حداقل یک عامل بین‌نمونه‌ای را با حداقل یک عامل درون‌نمونه‌ای ترکیب می‌کنند. طرح‌های عاملی کاملاً درون‌نمونه‌ای نیز امکان‌پذیر هستند. این طرح‌ها توان آماری را افزایش می‌دهند زیرا تفاوت‌های فردی کنترل می‌شوند، اما اثرات انتقالی و ترتیبی را معرفی می‌کنند که باید از طریق تعادل‌بندی یا دوره‌های پاکسازی به آن‌ها رسیدگی شود.

چه زمانی باید به جای آن از طرح عاملی کسری استفاده کنم؟

هنگامی که تعداد عوامل زیاد است (معمولاً چهار عامل یا بیشتر با سطوح متعدد برای هر کدام)، اجرای تمامی ترکیبات آزمایشی بسیار پرهزینه می‌شود. طرح عاملی کسری کسری از سلول‌ها را که با دقت انتخاب شده است آزمایش می‌کند — تخمین اثرات متقابل مرتبه بالا (که اغلب در عمل ناچیز هستند) را به قیمت کاهش چشمگیر تعداد اجراها فدا می‌کند. اگر اثرات متقابل فراتر از دو طرفه از نظر نظری غیرمحتمل باشند، طرح نیم‌کسری یا ربع‌کسری اغلب انتخاب بهتری است.

روش‌های مرتبط

منابع

  1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    باز کردن مرجع انتشار
    کپی شد.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    شابک: 978-1119320937
    کپی شد.