Expérience factorielle — Plan d'expériences factorielles
- Introduite par
- Ronald A. Fisher
- Année
- 1926–1935
- Type
- Quantitative experimental design
- Famille
- Experimental design
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Une expérience factorielle est un plan expérimental dans lequel deux variables indépendantes ou plus (facteurs) sont manipulées simultanément, et toutes les combinaisons de leurs niveaux sont testées.
Introduite par Ronald Fisher dans les années 1920-1930, elle est l'approche standard lorsqu'un chercheur a besoin de détecter non seulement l'effet principal de chaque facteur, mais aussi si l'effet d'un facteur dépend du niveau d'un autre — l'effet d'interaction.
L’intuition derrière la méthode
Imaginez tester un nouvel engrais (oui/non) et deux niveaux d'irrigation (faible/élevé) sur le rendement des cultures. Une approche « un facteur à la fois » nécessiterait deux expériences distinctes. Une expérience factorielle teste les quatre combinaisons — engrais-oui/irrigation-faible, engrais-oui/irrigation-élevée, engrais-non/irrigation-faible, engrais-non/irrigation-élevée — en une seule étude. Cela permet non seulement d'économiser des ressources, mais c'est aussi le seul moyen de découvrir si l'engrais fonctionne mieux sous irrigation élevée que sous irrigation faible. Ce schéma croisé est une interaction, et les plans factoriels sont spécifiquement conçus pour la détecter.
Histoire
Ronald Fisher a formalisé la logique des expériences factorielles dans son article de 1926 sur les expériences agricoles et a élaboré la théorie dans son livre fondateur The Design of Experiments en 1935, où il a introduit les concepts de randomisation, de réplication et de croisement factoriel comme base d'une inférence empirique solide. Les travaux de Fisher étaient motivés par le besoin pratique de tester simultanément plusieurs interventions agronomiques plutôt qu'une seule à la fois. Au milieu du XXe siècle, les plans factoriels avaient été adoptés dans les domaines de la psychologie, de l'ingénierie, de la médecine et des sciences sociales. Le manuel largement utilisé de Douglas Montgomery, Design and Analysis of Experiments (première édition 1976), a introduit les méthodes factorielles et factorielles fractionnaires auprès des publics de l'ingénierie et de l'industrie, cimentant cette approche comme une pierre angulaire de la méthodologie expérimentale.
Quand l’utiliser
Utiliser une expérience factorielle lorsque vous avez deux facteurs ou plus que vous souhaitez étudier dans une seule étude et lorsque la détection des interactions est scientifiquement importante. Elle est préférable aux plans « un facteur à la fois » lorsque les ressources le permettent, car elle fournit les mêmes informations sur chaque facteur à un coût total d'échantillon inférieur et fournit en outre des estimations d'interaction. Évitez-la lorsque le nombre de facteurs est élevé (quatre facteurs ou plus avec plusieurs niveaux chacun crée un nombre de cellules ingérable) ; dans ces cas, préférez un plan factoriel fractionnaire ou une méthode de surface de réponse. N'utilisez pas un plan factoriel complet lorsque vous n'avez qu'un seul facteur — un essai contrôlé randomisé simple ou une ANOVA à un facteur est suffisant. Évitez-la également lorsqu'il est opérationnellement impossible de fournir toutes les combinaisons de niveaux de facteurs.
Limites et points d’attention
- L'exigence de taille d'échantillon augmente multiplicativement avec le nombre de facteurs et de niveaux, rendant les grands plans coûteux.
- Les plans factoriels complets avec de nombreux facteurs sont souvent irréalisables ; les chercheurs doivent recourir à des plans fractionnaires au prix d'une certaine perte d'information.
- L'interprétation devient complexe lorsque plusieurs interactions d'ordre supérieur sont significatives, nécessitant des graphiques soignés et des analyses d'effets simples de suivi.
- Toutes les hypothèses standard de l'ANOVA factorielle (normalité, homogénéité des variances, indépendance) doivent être vérifiées et, si elles sont violées, traitées.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Le seul plan qui peut estimer les effets d'interaction entre les facteurs — la caractéristique la plus informative de la recherche multi-facteurs.
- Plus efficace statistiquement que des études séparées à un seul facteur : chaque observation contribue à l'estimation de chaque effet principal.
- Supporte l'inférence causale lorsque les facteurs sont entièrement randomisés, répondant aux mêmes normes qu'un essai contrôlé randomisé.
- Très flexible : les facteurs peuvent être inter-sujets, intra-sujets (mesures répétées), ou mixtes.
- Conclusions généralisables : les conclusions sur le facteur A s'appliquent à tous les niveaux testés du facteur B plutôt qu'à une seule condition arbitraire.
Applications
- Psychologie : étudier comment les effets d'une intervention cognitive diffèrent selon le groupe d'âge ou le sexe des participants (plan inter-sujets 2 × 2).
- Agriculture et biologie : tester des combinaisons de type d'engrais et de niveau d'irrigation sur le rendement des cultures.
- Ingénierie et fabrication : optimiser la qualité du produit en faisant varier simultanément la température du processus, la pression et la qualité du matériau.
- Pharmacologie : évaluer les combinaisons de dose de médicament et de voie d'administration sur la biodisponibilité.
- Éducation : évaluer si une nouvelle méthode d'enseignement est également efficace dans différentes tailles de classes et domaines d'études.
- Marketing : tester des combinaisons de cadrage du message et de canal médiatique sur l'intention d'achat du consommateur.
Comment ça marche
Comment ça marche
Identifier toutes les variables indépendantes (facteurs) d'intérêt théorique ou pratique et fixer l'ensemble des niveaux pour chacune. Un plan 2 x 3, par exemple, a un facteur à 2 niveaux et un second à 3 niveaux, produisant 6 conditions de traitement. Le choix des niveaux doit être fondé sur des recherches antérieures ou une théorie substantielle, et non sur une commodité arbitraire.
Former toutes les combinaisons possibles de niveaux de facteurs. Ce croisement est ce qui définit un plan factoriel : si le facteur A a des niveaux et le facteur B a b niveaux, le plan contient a × b cellules de traitement. Le croisement complet garantit que les effets principaux et toutes les interactions sont estimables sans confusion.
Attribuer aléatoirement des unités expérimentales (participants, parcelles, lots) aux cellules de traitement ou, dans une variante intra-sujet, randomiser l'ordre dans lequel chaque unité reçoit toutes les conditions. Une randomisation appropriée est essentielle pour une inférence causale valide et pour satisfaire l'hypothèse d'indépendance sous-jacente à l'ANOVA factorielle.
Administrer chaque condition de traitement conformément au protocole et enregistrer la variable de résultat pour chaque unité. Maintenir des procédures cohérentes dans toutes les cellules — à l'exception de la manipulation intentionnelle des facteurs — est essentiel pour exclure les facteurs de confusion.
Ajuster un modèle d'ANOVA factorielle (ou de régression avec termes d'interaction) : Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Des tests de signification et des estimations de la taille de l'effet (eta-carré, oméga-carré) sont calculés pour chaque effet principal et chaque terme d'interaction. Le rapport F pour chaque source compare sa somme des carrés moyenne à la somme des carrés résiduelle moyenne.
Formule
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
Examiner les graphiques d'interaction (moyennes des cellules tracées avec un facteur sur l'axe des x et des lignes pour l'autre facteur). Des lignes non parallèles signalent une interaction : l'effet d'un facteur n'est pas uniforme sur les niveaux de l'autre. Lorsqu'une interaction significative est trouvée, les effets principaux doivent être interprétés avec prudence — les analyses d'effets simples (un facteur à chaque niveau de l'autre) clarifient le schéma.
Pièges courants
- Ignorer les interactions significatives et interpréter les effets principaux isolément — lorsqu'une interaction est présente, un effet principal est une moyenne trompeuse sur des sous-groupes hétérogènes ; tracez toujours d'abord les moyennes des cellules.
- Sous-dimensionnement des cellules individuelles — la puissance dans un plan factoriel doit être calculée pour l'effet attendu le plus faible (souvent l'interaction), et non pour les effets principaux seuls ; l'utilisation de formules de puissance pour les effets principaux conduit à des tests d'interaction sous-dimensionnés.
- Omission de randomiser ou d'équilibrer les tailles de cellules — des tailles de cellules inégales introduisent une non-orthogonalité, compliquant la partition de la variance ; utilisez des sommes des carrés de type III et signalez explicitement le déséquilibre.
- Traiter un plan factoriel comme s'il s'agissait d'ANOVAs séparées à un facteur — exécuter des ANOVAs individuelles pour chaque facteur ignore la structure croisée et gonfle l'erreur de type I ; analysez toujours le modèle factoriel complet.
- Inclure trop de facteurs — chaque facteur ajouté multiplie le nombre de cellules et la complexité des graphiques d'interaction ; quatre facteurs ou plus nécessitent généralement une approche fractionnaire ou de surface de réponse.
Questions fréquentes
Quelle est la différence entre une expérience factorielle et une expérience factorielle complète ?
Toute expérience factorielle complète est une expérience factorielle — les termes sont souvent utilisés de manière interchangeable. Lorsque les chercheurs les distinguent, « expérience factorielle » est la catégorie générale (incluant les variantes complètes et fractionnaires), et « factorielle complète » spécifie que toutes les combinaisons possibles de niveaux de facteurs sont incluses. Une factorielle fractionnaire omet un sous-ensemble systématique de cellules pour réduire le coût, au prix de la confusion des interactions d'ordre supérieur.
Combien de participants ai-je besoin par cellule ?
Au minimum, deux ou trois observations par cellule sont nécessaires pour estimer la variance intra-cellulaire, mais cela est rarement suffisant pour une puissance adéquate. Une analyse de puissance formelle utilisant la taille de l'effet attendue pour l'interaction (typiquement plus petite que les effets principaux) et les niveaux alpha et de puissance souhaités devrait déterminer la taille de la cellule. Cinq à vingt participants par cellule est une plage de travail courante dans la recherche comportementale, mais les études d'ingénierie peuvent en utiliser trois ou moins avec une grande précision de mesure.
Et si mon interaction est significative — dois-je quand même rapporter les effets principaux ?
Oui, mais avec prudence. Lorsqu'une interaction significative est présente, les effets principaux décrivent des moyennes sur des conditions hétérogènes, ce qui peut être trompeur. Rapportez-les, mais centrez l'interprétation sur l'interaction : effectuez des analyses d'effets simples (testant un facteur séparément à chaque niveau de l'autre) et présentez des graphiques d'interaction afin que les lecteurs puissent voir directement le schéma.
Les plans factoriels peuvent-ils être utilisés avec des facteurs intra-sujets (mesures répétées) ?
Oui. Les plans factoriels mixtes combinent au moins un facteur inter-sujets avec au moins un facteur intra-sujet. Des plans factoriels entièrement intra-sujets sont également possibles. Ces plans augmentent la puissance statistique car les différences individuelles sont contrôlées, mais ils introduisent des effets de report et d'ordre qui doivent être traités par contrebalancement ou périodes de rémission.
Quand devrais-je utiliser un plan factoriel fractionnaire à la place ?
Lorsque le nombre de facteurs est élevé (typiquement quatre ou plus avec plusieurs niveaux chacun), l'exécution de toutes les combinaisons de traitement devient prohibitivement coûteuse. Un plan factoriel fractionnaire teste une fraction soigneusement choisie des cellules — sacrifiant les estimations des interactions d'ordre supérieur (qui sont souvent négligeables en pratique) en échange d'une réduction spectaculaire du nombre d'essais. Si les interactions au-delà du deux voies sont théoriquement invraisemblables, un plan à moitié fractionnaire ou à quart fractionnaire est souvent le meilleur choix.
Méthodes associées
Sources
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Ouvrir la référence de la publicationCopié.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN : 978-1119320937Copié.