آزمایش فاکتوریل کامل — طرح آزمایش فاکتوریل کامل
- معرفیشده توسط
- Ronald A. Fisher
- سال
- 1926 (Fisher's foundational paper); codified by the 1950s–1960s
- نوع
- Experimental design
- خانواده
- Experimental design
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
آزمایش فاکتوریل کامل، هر ترکیب ممکن از تمام سطوح عاملهای انتخابشده را اجرا میکند و به همین دلیل، معیار طلایی برای برآورد همزمان اثرات اصلی، اثرات متقابل دوطرفه، و اثرات متقابل مرتبه بالاتر بین چندین متغیر مستقل محسوب میشود. این روش که از طریق کار بنیادی رونالد فیشر در مورد طرحهای فاکتوریل در دهه 1920 معرفی و توسط باکس، هانتر و مونتگومری نظاممند شد، اطلاعات کاملی در مورد نحوه عملکرد عاملها به صورت فردی و ترکیبی بر یک پیامد ارائه میدهد.
شهود پشت روش
فرض کنید دو نوع کود (A، B) و سه برنامه آبیاری (روزانه، هفتگی، ماهانه) را بر عملکرد محصول آزمایش میکنید. یک طرح فاکتوریل کامل به این معنی است که شما محصولات را تحت هر 2 × 3 = 6 ترکیب پرورش میدهید، نه فقط هر عامل را به صورت جداگانه. این روش قدرتمند است زیرا ممکن است اثر کود به دفعات آبیاری بستگی داشته باشد — یک اثر متقابل که مطالعات تکعاملی آن را به طور کامل نادیده میگیرند. فاکتوریل کامل با اطمینان از اینکه هر سطح از یک عامل با هر سطح از هر عامل دیگر ظاهر میشود، تمام اثرات متقابل را ثبت میکند و دیدگاهی متعادل و بدون آمیختگی از کل فضای عامل ارائه میدهد.
تاریخ
رونالد فیشر مفهوم آزمایش فاکتوریل را در مقاله برجسته خود در سال 1926 معرفی کرد و آن را به طور کامل در کتاب «طراحی آزمایشها» (1935) توسعه داد و استدلال کرد که مطالعه همزمان چندین عامل کارآمدتر از رویکردهای تکعاملی است. فرانک ییتس نمادگذاری و محاسبه اثرات فاکتوریل را در دهه 1930 رسمی کرد. جورج باکس، جی. استوارت هانتر و ویلیام هانتر کاربرد عملی طرحهای فاکتوریل را برای محیطهای صنعتی و علمی در کتاب درسی مهم خود در سال 1978 (بهروزرسانی شده در 2005) نظاممند کردند. کتاب درسی داگلاس مونتگومری که به طور گسترده پذیرفته شده است (ویرایش اول 1976) از آن زمان طرح فاکتوریل کامل را در برنامههای درسی مهندسی و علوم کاربردی در سراسر جهان مرکزی کرده است.
چه زمانی استفاده شود
زمانی از یک آزمایش فاکتوریل کامل استفاده کنید که تعداد عاملهای کمی دارید (معمولاً k ≤ 4 یا 5 برای طرحهای دو سطحی) و نیاز به برآورد تمام اثرات اصلی و اثرات متقابل بدون ابهام دارید. این انتخاب صحیح است زمانی که انتظار اثرات متقابل وجود دارد یا حضور آنها از نظر علمی مهم است، زمانی که منابع اجازه تکمیل هر ترکیب را میدهند، و زمانی که پیامد تحت شرایط کنترلشده قابل اندازهگیری است. از طرح فاکتوریل کامل زمانی که k بزرگ است (مثلاً k ≥ 6 در دو سطح) استفاده نکنید، زیرا 64+ اجرای مورد نیاز غیرقابل اجرا میشوند — در عوض طرحهای فاکتوریل کسری یا سطح پاسخ را ترجیح دهید. همچنین زمانی که هزینه اجرا یا محدودیتهای مواد باعث میشود N = 2^k (یا 3^k) غیرقابل توجیه باشد، یا زمانی که فقط به اثرات اصلی اهمیت میدهید و دلایل نظری قوی برای فرض عدم وجود اثرات متقابل دارید، از آن اجتناب کنید.
محدودیتها و ملاحظات
- تعداد اجراها با تعداد عاملها به صورت نمایی رشد میکند: 2^k = 32 اجرا برای 5 عامل، 64 برای 6 عامل — که به سرعت غیرعملی میشود.
- اثرات متقابل مرتبه بالا (سه عاملی و بالاتر) قابل برآورد هستند اما به ندرت قابل تفسیر یا از نظر علمی معنیدار هستند، که بسیاری از اجراها را از نظر اطلاعاتی زائد میکند.
- فرض میکند که عاملها میتوانند دقیقاً در سطوح مشخصشده تنظیم شوند؛ کنترل عامل اغلب در آزمایشگاه آسانتر از محیطهای میدانی یا سازمانی است.
- تکرار منابع زیادی میطلبد؛ بدون آن، برآورد خطا به تجمیع مجموع مربعات از اثرات متقابل مرتبه بالای ناچیز (که صفر فرض میشوند) متکی است، که یک فرض پرخطر است.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- تمام اثرات اصلی و تمام اثرات متقابل را بدون آمیختگی یا خلط برآورد میکند — کاملترین تصویر ممکن از یک آزمایش کنترلشده.
- طرح متعامد: تمام برآوردهای اثر از نظر آماری مستقل هستند، که تفسیر را ساده میکند.
- در صورت تکرار اجراها، برآورد خطای خالص را فراهم میکند و امکان آزمون فرضیه دقیق از طریق ANOVA را میدهد.
- ساختار انعطافپذیر: با انواع عاملهای پیوسته، طبقهای یا ترکیبی کار میکند و میتواند بلوکبندی را برای کنترل عوامل مزاحم در خود جای دهد.
- مقیاسپذیری طبیعی: یک طرح 2^k با اجراهای نقطه مرکزی میتواند به یک طرح سطح پاسخ (ترکیبی مرکزی یا باکس-بنکن) برای تشخیص انحنا گسترش یابد.
کاربردها
- فرمولاسیون دارویی: بهینهسازی همزمان غلظت دارو، نوع ماده جانبی و دما برای به حداکثر رساندن سرعت انحلال.
- علوم کشاورزی: آزمایش ترکیبات کود، سطح آبیاری و تراکم کاشت بر عملکرد محصول.
- بهبود فرآیند تولید: شناسایی چگونگی تأثیر مشترک سرعت دستگاه، دما و درجه مواد بر استحکام کششی محصول.
- آزمایشهای رفتاری و آموزشی: بررسی چگونگی تعامل روش تدریس، اندازه کلاس و نوع ارزیابی برای تأثیرگذاری بر نتایج یادگیری.
- تحقیقات بالینی و بهداشتی: ارزیابی ترکیبات اجزای مداخله رفتاری برای شناسایی اینکه کدام ترکیبات اثر درمانی را ایجاد میکنند.
- مهندسی نرمافزار: آزمایش تأثیر نوع الگوریتم، اندازه مجموعه داده و پیکربندی سختافزار بر عملکرد محاسباتی.
چگونه کار میکند
چگونه کار میکند
k عامل آزمایشی را شناسایی کرده و سطوح هر یک را مشخص کنید. یک طرح دو سطحی (هر عامل در سطح پایین/بالا) با 2^k نشان داده میشود؛ یک طرح سه سطحی با 3^k. سطوح عامل باید به گونهای انتخاب شوند که دامنه علاقه عملی یا علمی را پوشش دهند. تعداد کل ترکیبات تیمار برابر با حاصلضرب تعداد تمام سطوح در بین عاملها است.
تعداد کل آزمایشها N = حاصلضرب تعداد تمام سطوح (مثلاً 2^3 = 8 برای سه عامل دو سطحی) است. این تعداد با افزایش تعداد عاملها به صورت نمایی رشد میکند، بنابراین طرحهای فاکتوریل کامل زمانی بیشترین کارایی را دارند که k کوچک باشد (معمولاً k ≤ 5 برای عاملهای دو سطحی). یک ماتریس طرح که هر ترکیب را فهرست میکند، ساخته میشود؛ تکرار هر ترکیب، تخمین خطا را تقویت میکند.
فرمول
N = \prod_{i=1}^{k} l_iواحدهای آزمایشی به صورت تصادفی به هر ترکیب تیمار اختصاص داده میشوند، یا ترتیب اجراها به طور کامل تصادفی میشود. تصادفیسازی در برابر سوگیری سیستماتیک ناشی از روندهای زمانی، خستگی یا رانش تجهیزات محافظت میکند. اگر برخی متغیرهای مزاحم شناخته شده باشند (مثلاً دسته، اپراتور، روز)، بلوکبندی برای جداسازی واریانس آنها بدون آمیختگی برآوردهای عامل اضافه میشود.
متغیر پاسخ برای هر اجرای آزمایشی تحت ترکیب اختصاصیافته از سطوح عامل اندازهگیری میشود. دادهها به صورت سیستماتیک ثبت میشوند و ارتباط بین ترتیب اجرا، تنظیمات عامل و پیامد مشاهدهشده حفظ میشود. در صورت امکان منابع، چندین تکرار در هر سلول توصیه میشود، زیرا آنها برآورد خالصی از خطای آزمایشی ارائه میدهند.
اثرات اصلی و تمام اثرات متقابل با استفاده از روش حداقل مربعات (یا ANOVA) برآورد میشوند. در یک طرح 2^k، هر برآورد اثر برابر با یک کنتراست خطی از میانگینهای سلول است؛ فرمول beta-hat = (X'X)^{-1} X'y که در آن X ماتریس مدل تنظیمات عامل کدگذاری شده است، اعمال میشود. از آنجا که هر ترکیب آزمایش میشود، تمام اثرات متعامد و بدون آمیختگی قابل برآورد هستند.
فرمول
\hat{\beta} = (X^\top X)^{-1} X^\top yجداول ANOVA واریانس کل را به اثرات اصلی، اثرات متقابل دو عاملی، اثرات متقابل سه عاملی و غیره تقسیم میکنند. اثرات متقابل معنیدار با استفاده از نمودارهای اثر متقابل تفسیر میشوند: خطوط موازی نشاندهنده عدم وجود اثر متقابل هستند؛ خطوط متقاطع یا واگرا نشان میدهند که اثر یک عامل در سطوح مختلف عامل دیگر تغییر میکند. اثرات متقابل مرتبه بالاتر (سه عاملی یا بالاتر) در عمل نادر هستند اما در یک طرح فاکتوریل کامل قابل برآورد و آزمون هستند.
دامهای رایج
- نادیده گرفتن اثرات متقابل هنگام انتخاب طرح: اگر انتظار اثرات متقابل ندارید، یک فاکتوریل کامل اجراها را هدر میدهد — اما اگر اثرات متقابل وجود داشته باشند و شما از رویکرد تکعاملی استفاده کرده باشید، آنها را به طور کامل از دست خواهید داد.
- استفاده از سطوح بیش از حد بدون توجیه: یک طرح 3^k دارای 3^5 = 243 اجرا برای پنج عامل است؛ مگر اینکه انحنا به طور خاص فرضیهسازی شده باشد، طرحهای دو سطحی معمولاً کافی و بسیار کارآمدتر هستند.
- اشتباه گرفتن فاکتوریل کامل با فاکتوریل کسری: یک فاکتوریل کسری عمداً ترکیبات خاصی را حذف میکند و برخی اثرات متقابل را آمیخته میکند — اگر به تمام اثرات متقابل قابل برآورد نیاز دارید، فقط فاکتوریل کامل این امکان را فراهم میکند.
- عدم تصادفیسازی ترتیب اجرا: روندهای سیستماتیک (گرم شدن تجهیزات، یادگیری اپراتور، تخریب معرف) اگر اجراها به ترتیب ثابت و غیرتصادفی انجام شوند، برآوردهای اثر را افزایش یا کاهش میدهند.
- تجزیه و تحلیل اثرات اصلی به صورت جداگانه زمانی که اثرات متقابل معنیدار هستند: یک اثر متقابل از نظر آماری معنیدار به این معنی است که نتایج اثر اصلی به سطح عامل تعدیلکننده بستگی دارد و باید به صورت مشروط تفسیر شود.
پرسشهای متداول
تفاوت بین طرح فاکتوریل کامل و فاکتوریل کسری چیست؟
یک فاکتوریل کامل هر ترکیب ممکن از سطوح عامل را اجرا میکند و تمام اثرات اصلی و اثرات متقابل را بدون آمیختگی برآورد میکند. یک فاکتوریل کسری تنها کسری با دقت انتخابشده از آن ترکیبات را اجرا میکند و عمداً اثرات متقابل مرتبه بالاتر خاصی را آمیخته میکند تا تعداد اجراها را کاهش دهد. از فاکتوریل کامل زمانی استفاده کنید که اثرات متقابل مهم هستند و منابع اجازه میدهند؛ از فاکتوریل کسری زمانی استفاده کنید که k بزرگ است و مایلید فرض کنید که برخی اثرات متقابل مرتبه بالا ناچیز هستند.
چگونه تعداد سطوح را برای هر عامل انتخاب کنم؟
دو سطح (پایین و بالا) زمانی کافی است که انتظار پاسخ تقریباً خطی در محدوده عامل را دارید و عمدتاً به جهت و بزرگی اثرات علاقهمند هستید. سه سطح زمانی لازم است که به انحنا (پاسخ غیرخطی) مشکوک هستید، اما آنها تعداد اجراها را برای هر عامل اضافی به توان سه میرسانند. یک استراتژی عملی این است که با طرحهای 2^k که با اجراهای نقطه مرکزی تقویت شدهاند، شروع کنید تا قبل از تعهد به یک طرح 3^k، انحنا را غربالگری کنید.
آیا نیاز به تکرار هر ترکیب تیمار دارم؟
تکرار به شدت توصیه میشود. بدون تکرار، تنها منبع برآورد خطا، مجموع مربعات تجمیعشده از اثرات متقابل مرتبه بالای ناچیز (که صفر فرض میشوند) است، که یک فرض پرخطر است. حتی با یک تکرار کامل (دو برابر کردن تمام اجراها) یک برآورد خطای خالص واقعی، فواصل اطمینان دقیقتر و آزمونهای معنیداری قابل اعتمادتر به دست میآورید.
برای تجزیه و تحلیل یک آزمایش فاکتوریل کامل از چه آزمون آماری استفاده کنم؟
تجزیه و تحلیل استاندارد یک ANOVA فاکتوریل (یا معادل مدل رگرسیونی آن) است که واریانس کل را به مؤلفههایی که به هر اثر اصلی و هر جمله اثر متقابل نسبت داده میشوند، تقسیم میکند. معنیداری اثر با آزمونهای F قضاوت میشود. هنگامی که پیامد غیرعادی یا ترتیبی است، به جای آن از جایگزینهای ناپارامتری یا مدلهای خطی تعمیمیافته استفاده میشود.
در چه نقطهای باید به جای آن به یک طرح سطح پاسخ تغییر دهم؟
اگر فاکتوریل کامل 2^k شما (احتمالاً با نقاط مرکزی) انحنای معنیداری از نظر آماری در پاسخ نشان دهد، مدل فاکتوریل خطی ناکافی است و باید از یک طرح سطح پاسخ — مانند یک طرح ترکیبی مرکزی یا باکس-بنکن — استفاده شود. طرحهای سطح پاسخ نقاط محوری (ستارهای) را برای برآورد جملات درجه دوم و ترسیم انحنای کامل سطح پاسخ اضافه میکنند.
روشهای مرتبط
منابع
Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.
شابک: 978-0471718130کپی شد.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
شابک: 978-1119492443کپی شد.