Skip to content
Retour aux résultats

Expérience factorielle complète en blocs

Introduite par
R. A. Fisher (blocking principle); full factorial DOE tradition
Année
1935 (Fisher); systematized through 20th-century DOE literature
Type
Experimental design
Famille
Experimental design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Une expérience factorielle complète en blocs teste toutes les combinaisons des niveaux de tous les facteurs tout en regroupant les essais expérimentaux en blocs homogènes pour isoler une variable parasite connue.

Cette conception préserve la puissance de détection de tous les effets principaux et interactions des facteurs d'intérêt tout en empêchant la variabilité lot à lot, jour à jour ou machine à machine d'amplifier l'erreur expérimentale.

L’intuition derrière la méthode

Imaginez tester trois types d'engrais à deux doses sur quatre champs différents. Les champs varient en qualité de sol, ce que vous ne pouvez pas contrôler mais pouvez prendre en compte. Une conception factorielle complète en blocs exécute toutes les combinaisons engrais-dose (six) dans chaque champ (bloc), de sorte que les différences entre champs sont séparées des effets des traitements. Au sein de chaque bloc, les essais sont randomisés. Le résultat : vous obtenez une image complète de la manière dont le type d'engrais et la dose interagissent, sans que cette image ne soit brouillée par l'hétérogénéité du sol. Le blocage apporte de la précision ; la couverture factorielle complète apporte de l'exhaustivité.

Histoire

Le blocage comme méthode de contrôle de la variation parasite a été formalisé par R. A. Fisher à la Rothamsted Experimental Station et décrit dans The Design of Experiments (1935), motivé par des essais agricoles sur le terrain. Le principe factoriel complet a été développé parallèlement à l'analyse de variance à la même période. L'intégration du blocage avec la structure factorielle complète est devenue une pratique standard de la DOE grâce aux travaux influents de Box, Hunter et Hunter dans Statistics for Experimenters (1978) et de Douglas Montgomery dans Design and Analysis of Experiments, publié pour la première fois en 1976 et maintenant dans sa neuvième édition.

Quand l’utiliser

Utiliser une expérience factorielle complète en blocs lorsque vous devez estimer tous les effets principaux et toutes les interactions parmi un ensemble gérable de facteurs ET qu'une variable parasite connue (lot, jour, opérateur, unité d'équipement) menace d'augmenter l'erreur si elle est ignorée. Elle est appropriée lorsque le nombre de facteurs est suffisamment petit (typiquement k = 2-4 facteurs à 2-3 niveaux) pour que l'exécution de toutes les combinaisons soit réalisable et que la nuisance puisse être regroupée en blocs homogènes discrets. NE PAS l'utiliser lorsque le nombre total d'essais requis dépasse la capacité pratique — préférez une conception factorielle fractionnaire ou de surface de réponse à la place. NE PAS bloquer lorsqu'aucune variable parasite significative ne peut être identifiée, car un blocage inutile gaspille des degrés de liberté.

Limites et points d’attention

  • Le nombre d'essais est égal au (nombre de blocs) fois (toutes les combinaisons facteur-niveau), ce qui devient très important pour plus de trois ou quatre facteurs ou trois niveaux.
  • Nécessite une variable parasite connue et groupable ; si une telle variable n'existe pas, le blocage n'apporte aucun bénéfice et gaspille des degrés de liberté.
  • Suppose que les interactions bloc-traitement sont négligeables ; si les traitements répondent différemment selon les blocs, le modèle additif est mal spécifié.
  • Non applicable lorsque la taille du bloc ne peut pas accueillir une réplication complète de toutes les combinaisons de traitements — une conception en blocs incomplets est nécessaire à la place.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Fournit des estimations non confondues de tous les effets principaux et de toutes les interactions parmi les facteurs étudiés.
  • Le blocage élimine une source parasite connue, réduisant l'erreur expérimentale et augmentant la puissance statistique sans nécessiter de réplicats de traitement supplémentaires.
  • Produit les informations les plus complètes sur les effets des facteurs au sein de l'ensemble de facteurs choisi — aucune confusion des effets principaux ou des interactions.
  • Les résultats sont directement interprétables via des tableaux ANOVA standard et des graphiques d'interaction une fois les effets de bloc séparés.
  • Pris en charge par des logiciels statistiques standard (R, SAS, Minitab, JMP) avec des routines d'analyse bien établies.

Applications

  • Fabrication et ingénierie des procédés : étude de l'influence de la température, de la pression et de la concentration du catalyseur sur le rendement du produit à travers différents lots de production servant de blocs.
  • Recherche agricole : évaluation de toutes les combinaisons de niveaux d'irrigation et de types d'engrais sur des champs aux caractéristiques de sol différentes servant de blocs.
  • Développement pharmaceutique : test de facteurs de formulation tels que le pH et le type d'excipient, avec le jour de production ou l'analyste de laboratoire comme variable de blocage.
  • Science alimentaire : évaluation des effets des combinaisons d'ingrédients sur les profils de saveur à travers des sessions de panels sensoriels servant de blocs.
  • Recherche comportementale et éducative : investigation des combinaisons de méthodes d'enseignement à travers des cohortes scolaires ou des périodes de temps, en bloquant sur la cohorte.
  • Amélioration de la qualité : identification des réglages de machine qui contrôlent les taux de défauts lorsque les expériences doivent être réparties sur plusieurs équipes de travail ou opérateurs.

Comment ça marche

Comment ça marche

1

Identifier tous les facteurs expérimentaux et leurs niveaux. Dans une conception factorielle complète, chaque combinaison facteur-niveau est incluse : pour k facteurs, chacun à deux niveaux, cela donne 2^k combinaisons de traitements. Avec plus de niveaux ou de facteurs, le nombre d'essais augmente rapidement, il faut donc confirmer la faisabilité des ressources avant de s'engager dans une structure factorielle complète.

2

Identifier une ou plusieurs sources parasites — lots temporels, opérateurs, machines, jours ou lots de matières premières — qui introduisent une variation systématique mais incontrôlable. Celles-ci deviennent la variable de blocage. Chaque bloc doit être homogène en interne, et le nombre d'essais par bloc doit permettre une réplication complète de toutes les combinaisons de traitements.

3

Au sein de chaque bloc, assigner aléatoirement l'ensemble complet des combinaisons de traitements aux unités expérimentales. La randomisation au sein des blocs protège contre les tendances inconnues au sein du bloc ; le blocage lui-même élimine les différences connues entre les blocs. Si la taille du bloc ne peut pas accueillir toutes les combinaisons de traitements, une extension en blocs incomplets est nécessaire.

4

Exécuter l'expérience strictement selon le plan de randomisation en blocs. Enregistrer toutes les réponses comme prévu et documenter toute déviation, changement d'équipement ou anomalie environnementale. Maintenir la fidélité du protocole au sein de chaque bloc est essentiel pour préserver la séparation prévue entre les effets des traitements et des blocs.

5

Ajuster un modèle linéaire qui inclut le facteur de blocage comme terme additif aux côtés de tous les effets principaux et interactions factoriels : Y = mu + bloc + A + B + AB + ... + erreur. Le terme de bloc absorbe la variance inter-blocs, réduisant l'erreur résiduelle et augmentant la précision des estimations des effets factoriels. Les tableaux ANOVA sont ensuite examinés pour les effets principaux et interactions significatifs.

6

Rapporter les effets factoriels estimés et les graphiques d'interaction avec les effets de blocage supprimés. Évaluer la signification pratique et statistique des effets principaux et des interactions. Vérifier les hypothèses du modèle — normalité des résidus et variance constante au sein des blocs. Rapporter la structure de bloc de manière transparente afin que les lecteurs comprennent quelle nuisance a été contrôlée.

Pièges courants

  • Omettre le terme de bloc du modèle d'analyse : analyser une conception en blocs comme complètement randomisée annule la réduction de variance obtenue par le blocage et augmente l'erreur, réduisant la puissance.
  • Traiter la variable de blocage comme un facteur d'intérêt scientifique : les blocs sont des contrôles parasites, pas des facteurs de traitement ; les mal classifier fausse les objectifs de l'étude et l'allocation des degrés de liberté.
  • Ne pas randomiser les essais au sein des blocs : sans randomisation intra-bloc, les tendances temporelles ou les effets d'apprentissage de l'opérateur contaminent les comparaisons de traitements.
  • Inadéquation de la taille des blocs : si chaque bloc ne peut pas accueillir une réplication complète de toutes les combinaisons de traitements, les hypothèses d'analyse standard s'effondrent — utiliser une conception en blocs incomplets équilibrés à la place.
  • Prolifération des facteurs : l'ajout de plus de facteurs multiplie rapidement les essais requis ; au-delà de quatre ou cinq facteurs, une conception factorielle fractionnaire ou de criblage est presque toujours le choix pratique.

Questions fréquentes

Quelle est la différence entre une conception factorielle complète en blocs et une conception en blocs randomisés complets (RCBD) ?

Une RCBD teste généralement un seul ensemble de traitements (un facteur) au sein de chaque bloc. Une conception factorielle complète en blocs teste toutes les combinaisons de deux facteurs ou plus au sein de chaque bloc, permettant l'estimation des interactions. La RCBD est un cas spécial à facteur unique ; la conception factorielle complète en blocs la généralise à plusieurs facteurs avec estimation complète des interactions.

Puis-je avoir plus d'une variable de blocage ?

Oui. Les conceptions avec deux variables de blocage (par exemple, lignes et colonnes) sont appelées extensions ligne-colonne ou carrés latins. Cependant, l'ajout de facteurs de blocage contraint davantage l'assignation et l'hypothèse de non-interaction bloc-par-bloc-par-traitement devient plus exigeante. Consultez un spécialiste de la DOE lors de l'utilisation de plusieurs variables de blocage.

Que se passe-t-il si ma taille de bloc est inférieure au nombre de combinaisons de traitements ?

L'analyse standard factorielle complète en blocs exige que chaque bloc contienne exactement une réplication complète de toutes les combinaisons de traitements. Si les blocs sont plus petits, vous avez besoin d'une conception en blocs incomplets — telle qu'une conception en blocs incomplets équilibrés (BIBD) — où tous les traitements n'apparaissent pas dans tous les blocs mais où l'équilibre global est maintenu.

Dois-je inclure une interaction bloc-traitement dans mon modèle ?

Par défaut, non. L'hypothèse standard est que les effets de bloc sont purement additifs. L'inclusion d'interactions bloc-traitement consomme des degrés de liberté et est généralement injustifiée. Si vous suspectez réellement de telles interactions, envisagez un modèle à effets mixtes traitant les blocs comme aléatoires plutôt que fixes.

Mon nombre de facteurs est de cinq ou plus — dois-je quand même utiliser une factorielle complète avec blocage ?

Presque certainement pas. Une conception factorielle complète 2^5 nécessite 32 essais par bloc, multipliés par le nombre de blocs. C'est généralement prohibitif. Une conception factorielle fractionnaire ou de criblage de Plackett-Burman suivie d'une conception factorielle complète ciblée sur les facteurs clés est une stratégie beaucoup plus pratique.

Méthodes associées

Sources

  1. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN : 978-1119113478
    Copié.
  2. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    Ouvrir la référence de la publication
    Copié.