Expérience factorielle fractionnaire — Plan d'expériences factorielles fractionnaires
- Introduite par
- D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
- Année
- 1945 (Finney); broader development 1950s–1970s by Box, Hunter
- 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 fractionnaire est un plan d'expériences économe en ressources qui ne teste qu'une fraction soigneusement choisie de toutes les combinaisons possibles de niveaux de facteurs.
En exploitant le principe selon lequel les interactions d'ordre supérieur sont généralement négligeables, elle identifie les effets principaux et les interactions d'ordre inférieur de k facteurs en utilisant beaucoup moins d'essais qu'un plan factoriel complet — ce qui en fait l'outil de prédilection des expériences de criblage industrielles et d'ingénierie.
L’intuition derrière la méthode
Supposons que vous souhaitiez étudier 7 facteurs, chacun à deux niveaux. Un plan factoriel complet nécessiterait 128 essais — peu pratique et coûteux. Un plan factoriel fractionnaire utilise une moitié (ou un quart) stratégiquement sélectionnée de ces combinaisons : 64 ou 32 essais. L'astuce est que chaque essai omis correspond à une interaction d'ordre supérieur qui est presque certainement nulle en pratique. Vous sacrifiez la capacité d'estimer ces interactions improbables pour une réduction spectaculaire des coûts expérimentaux, tout en capturant les effets les plus importants. La clé est de savoir exactement quels effets sont confondus (aliassés) les uns avec les autres, afin de pouvoir interpréter correctement les résultats.
Histoire
Les plans factoriels fractionnaires sont issus des travaux fondamentaux de Ronald Fisher sur les plans factoriels à la Rothamsted Experimental Station dans les années 1920 et 1930. D. J. Finney a formellement introduit la réplication fractionnaire dans un article de 1945 dans les Annals of Eugenics, montrant qu'un sous-ensemble soigneusement choisi d'essais pouvait estimer les effets principaux en ne sacrifiant que les interactions d'ordre supérieur. George Box, J. Stuart Hunter et William Hunter ont popularisé et systématisé la méthodologie pour l'expérimentation industrielle à travers leur série de manuels influents à partir de 1978, établissant la résolution et l'aliassement comme les concepts clés utilisés par les praticiens aujourd'hui. Ces plans restent une pierre angulaire de la formation Six Sigma, du Design of Experiments (DOE) et de l'ingénierie de la qualité dans le monde entier.
Quand l’utiliser
Utiliser un plan d'expériences factorielles fractionnaires lorsque vous avez de nombreux facteurs (typiquement cinq ou plus) à cribler et que vous ne pouvez pas vous permettre un plan factoriel complet, lorsque les ressources (temps, matériel, coût) sont limitées, et lorsque les interactions d'ordre supérieur sont supposées négligeables — une hypothèse raisonnable dans la plupart des contextes physiques, chimiques et d'ingénierie. C'est la première étape standard d'une stratégie d'expérimentation séquentielle (criblage → optimisation). NE PAS l'utiliser lorsque vous avez besoin d'estimer toutes les interactions d'ordre supérieur (utilisez un plan factoriel complet à la place), lorsque vous avez moins de quatre ou cinq facteurs (un plan factoriel complet est abordable), lorsque l'aliassement des interactions à deux facteurs est inacceptable sans essais de suivi, ou lorsque la surface de réponse doit être caractérisée en détail (utilisez la méthodologie des surfaces de réponse à la place).
Limites et points d’attention
- L'aliassement signifie que certains effets ne peuvent pas être estimés indépendamment au sein d'une seule fraction ; la résolution des alias nécessite des essais supplémentaires.
- L'hypothèse selon laquelle les interactions d'ordre supérieur sont négligeables peut ne pas être valable dans les systèmes biologiques, sociaux ou complexes.
- Nécessite une littératie statistique pour spécifier correctement les générateurs, vérifier la résolution et interpréter le motif d'aliassement.
- Avec très peu d'essais (par exemple, un plan de résolution III de 8 essais pour 7 facteurs), il y a peu de puissance pour détecter tous les effets sauf les plus importants.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Réduit considérablement le nombre d'essais expérimentaux par rapport à un plan factoriel complet, économisant ainsi du temps et des ressources.
- La structure systématique d'aliassement signifie que le chercheur sait toujours exactement quels effets sont confondus — il n'y a pas d'ambiguïtés cachées.
- Séquentiel et combinable : les fractions peuvent être repliées (folded over) ou combinées avec de nouvelles fractions pour désaliasser les effets importants dans une seconde étape.
- Largement pris en charge par les logiciels statistiques (R, SAS, JMP, Minitab) et abondamment documenté dans la littérature.
- La structure de plan orthogonale rend l'estimation des paramètres simple et statistiquement efficace.
Applications
- Criblage de dizaines de variables de processus dans la fabrication chimique ou pharmaceutique pour identifier les quelques-unes qui affectent le plus le rendement ou la pureté.
- Optimisation des traitements agricoles — combinaisons d'engrais, d'irrigation, de pesticides — sur une saison de croissance avec des parcelles limitées.
- Études de conception de produits d'ingénierie où les paramètres de matériaux, de géométrie et de processus doivent tous être explorés dans un budget de prototype fixe.
- Expérimentation logicielle et web (fonctionnalités, éléments d'interface utilisateur) lorsqu'il est impossible d'exécuter un plan factoriel complet sur de nombreuses fonctionnalités simultanément.
- Développement de méthodes en chimie analytique — identification des concentrations de réactifs, températures et paramètres d'instruments qui influencent la performance du dosage.
- Projets d'amélioration de la qualité dans la fabrication utilisant les cadres DMAIC ou Six Sigma.
Comment ça marche
Comment ça marche
Identifier tous les k facteurs à étudier et définir leurs niveaux (typiquement deux niveaux — bas et haut — codés -1 et +1). Clarifier la ou les variables de réponse à mesurer. Avec plus de cinq ou six facteurs, un plan fractionnaire est généralement justifié ; avec moins de quatre, un plan factoriel complet est généralement réalisable.
Choisir la fraction 2^(k-p), où p définit combien de colonnes de facteurs sont générées en multipliant les colonnes existantes. Une demi-fraction (p=1) utilise 2^(k-1) essais ; un quart de fraction (p=2) utilise 2^(k-2) essais. La résolution du plan (III, IV, V) détermine quels effets sont aliassés : la résolution III confond les effets principaux avec les interactions à deux facteurs ; la résolution IV confond les interactions à deux facteurs entre elles ; la résolution V ou supérieure maintient les effets principaux et les interactions à deux facteurs distincts les uns des autres.
Formule
2^{k-p}Construire la matrice de plan en écrivant d'abord un plan factoriel complet dans les k-p facteurs de base, puis en créant les p colonnes supplémentaires en multipliant les colonnes existantes selon le(s) générateur(s) choisi(s). Vérifier la structure d'aliassement (motif d'aliassement) pour confirmer qu'elle est acceptable pour la question de recherche.
Effectuer les essais expérimentaux dans un ordre aléatoire pour se prémunir contre les biais systématiques liés au temps. Appliquer le blocage s'il existe un facteur de nuisance tel que le lot, le jour ou l'opérateur. Enregistrer la réponse mesurée pour chaque essai, y compris les essais répétés ou les points centraux inclus pour estimer l'erreur pure.
Estimer les effets principaux et les effets d'interaction à l'aide des moindres carrés ordinaires ou de l'algorithme de Yates. Calculer les magnitudes des effets et leurs erreurs standard. Utiliser un graphique de probabilité normale des effets, un graphique demi-normal, ou la méthode de Lenth pour distinguer les effets actifs (réels) du bruit, surtout lorsqu'il n'y a pas d'essais répétés pour fournir une estimation directe de l'erreur.
Interpréter chaque effet estimé à la lumière de la structure d'aliassement : une estimation significative peut refléter l'effet nommé, son alias, ou les deux. Utiliser les connaissances du domaine, des essais de confirmation de suivi, ou un plan de repli (fold-over) pour désaliasser les effets qui ne peuvent pas être résolus à partir de la fraction actuelle. Rapporter la résolution et le motif d'aliassement de manière transparente afin que les lecteurs puissent évaluer ce qui était et ce qui n'était pas estimable.
Pièges courants
- Choisir une résolution trop basse (par exemple, résolution III) lorsque les interactions à deux facteurs sont plausibles — les estimations des effets principaux sont alors biaisées par ces interactions, et les résultats peuvent être sérieusement trompeurs.
- Ignorer la randomisation : exécuter le plan dans l'ordre standard introduit une confusion avec les tendances temporelles que la structure d'aliassement n'a pas été conçue pour gérer.
- Omettre de rapporter le motif d'aliassement dans la publication, rendant impossible pour les lecteurs (ou les examinateurs) d'évaluer quels effets sont estimables.
- Traiter un résultat de criblage comme définitif sans essai de confirmation ou phase d'optimisation de suivi — les plans factoriels fractionnaires sont intrinsèquement une première étape, pas le dernier mot.
Questions fréquentes
Que signifie la 'résolution' dans un plan d'expériences factorielles fractionnaires ?
La résolution décrit quels effets sont aliassés (confondus) avec quels autres. Résolution III : les effets principaux sont aliassés avec les interactions à deux facteurs — à utiliser uniquement lorsque les interactions à deux facteurs sont connues pour être négligeables. Résolution IV : les effets principaux sont clairs des interactions à deux facteurs, mais les interactions à deux facteurs sont aliassées entre elles. Résolution V ou supérieure : les effets principaux et les interactions à deux facteurs sont estimables indépendamment — préférable lorsque les interactions à deux facteurs sont plausibles.
Comment choisir entre une demi-fraction et un quart de fraction ?
Une demi-fraction (2^(k-1)) conserve une résolution plus élevée mais ne divise que par deux le nombre d'essais. Un quart de fraction (2^(k-2)) est plus petit mais a généralement une résolution plus faible, augmentant le problème d'aliassement. Si vous avez sept facteurs ou plus et que les ressources sont très limitées, commencez par un quart de fraction de résolution IV ; si vous avez quatre à six facteurs, une demi-fraction à résolution IV ou V est généralement réalisable et préférable.
Quelle est la différence entre un plan factoriel fractionnaire et un plan de Plackett-Burman ?
Ce sont tous deux des plans de criblage pour de nombreux facteurs en peu d'essais, mais ils utilisent des principes de construction différents. Les plans factoriels fractionnaires (2^(k-p)) sont basés sur des plans factoriels complets à deux niveaux et ont une structure d'aliassement claire et interprétable. Les plans de Plackett-Burman utilisent des matrices de Hadamard ; ils sont plus flexibles en termes de nombre d'essais (tout multiple de 4) mais ont une structure d'aliassement plus complexe et non hiérarchique qui rend l'interprétation des interactions à deux facteurs plus difficile.
Que dois-je faire après qu'un plan factoriel fractionnaire ait identifié des facteurs actifs ?
Un plan factoriel fractionnaire est un plan de criblage, pas un plan d'optimisation. Une fois les facteurs actifs identifiés, passez à une phase de suivi : repliez (fold-over) la fraction d'origine pour résoudre les effets aliassés, puis utilisez une méthode de surface de réponse (plan composite centré ou Box-Behnken) ou un nouveau plan factoriel complet sur uniquement les facteurs actifs pour caractériser et optimiser la réponse.
Puis-je utiliser un plan factoriel fractionnaire avec plus de deux niveaux par facteur ?
Oui. Des plans factoriels fractionnaires à trois niveaux (par exemple, plans 3^(k-p)) existent et sont utilisés lorsque la courbure est suspectée. Cependant, ils nécessitent beaucoup plus d'essais que les plans à deux niveaux. Pour le criblage initial, les plans factoriels fractionnaires à deux niveaux sont presque toujours utilisés ; les plans à trois niveaux ou à niveaux mixtes sont plus courants dans la phase d'optimisation.
Méthodes associées
Sources
Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.
ISBN : 978-0471718130Copié.Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.
Ouvrir la référence DOICopié.