Skip to content
Retour aux résultats

Expérience factorielle complète — Plan expérimental factoriel complet

Introduite par
Ronald A. Fisher
Année
1926 (Fisher's foundational paper); codified by the 1950s–1960s
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 exécute toutes les combinaisons possibles de tous les facteurs choisis, ce qui en fait la référence absolue pour estimer simultanément les effets principaux, les interactions à deux facteurs et les interactions d'ordre supérieur parmi plusieurs variables indépendantes.

Introduit par les travaux fondamentaux de Ronald Fisher sur les plans factoriels dans les années 1920 et systématisé par Box, Hunter et Montgomery, il fournit des informations complètes sur la manière dont les facteurs agissent individuellement et en combinaison sur un résultat.

L’intuition derrière la méthode

Supposons que vous testiez deux types d'engrais (A, B) et trois calendriers d'arrosage (quotidien, hebdomadaire, mensuel) sur le rendement des cultures. Un plan factoriel complet signifie que vous cultivez des plantes selon les 2 × 3 = 6 combinaitions possibles, et non pas seulement chaque facteur isolément. Ceci est puissant car l'effet de l'engrais peut dépendre de la fréquence d'arrosage — une interaction que les études un facteur à la fois manquent complètement. Le plan factoriel complet capture toutes les interactions en s'assurant que chaque niveau d'un facteur apparaît avec chaque niveau de tous les autres facteurs, offrant une vue équilibrée et non confondue de l'ensemble de l'espace des facteurs.

Histoire

Ronald Fisher a introduit le concept d'expérimentation factorielle dans son article fondateur de 1926 et l'a pleinement développé dans The Design of Experiments (1935), arguant que l'étude de plusieurs facteurs simultanément est plus efficace que les approches un facteur à la fois. Frank Yates a formalisé la notation et le calcul des effets factoriels dans les années 1930. George Box, J. Stuart Hunter et William Hunter ont systématisé l'application pratique des plans factoriels pour les contextes industriels et scientifiques dans leur livre séminal de 1978 (mis à jour en 2005). Le manuel largement adopté de Douglas Montgomery (première édition 1976) a depuis fait du plan factoriel complet un élément central des cursus d'ingénierie et de sciences appliquées dans le monde entier.

Quand l’utiliser

Utilisez une expérience factorielle complète lorsque vous avez un petit nombre de facteurs (typiquement k ≤ 4 ou 5 pour les plans à deux niveaux) et que vous devez estimer tous les effets principaux et les interactions sans ambiguïté. C'est le bon choix lorsque des interactions sont attendues ou que leur présence est scientifiquement importante, lorsque les ressources permettent de réaliser toutes les combinaisons, et lorsque le résultat est mesurable dans des conditions contrôlées. N'utilisez PAS un plan factoriel complet lorsque k est grand (disons k ≥ 6 à deux niveaux), car les 64+ essais requis deviennent impraticables — préférez plutôt les plans factoriels fractionnaires ou les plans de surface de réponse. Évitez-le également lorsque le coût des essais ou les limites de matériaux rendent N = 2^k (ou 3^k) prohibitif, ou lorsque vous ne vous souciez que des effets principaux et avez de fortes raisons théoriques de supposer aucune interaction.

Limites et points d’attention

  • Le nombre d'essais croît exponentiellement avec le nombre de facteurs : 2^k = 32 essais pour 5 facteurs, 64 pour 6 — devenant rapidement impraticable.
  • Les interactions d'ordre supérieur (trois voies et plus) sont estimables mais rarement interprétables ou scientifiquement significatives, rendant de nombreux essais informationnellement redondants.
  • Suppose que les facteurs peuvent être réglés précisément aux niveaux spécifiés ; le contrôle des facteurs est souvent plus facile en laboratoire que dans des contextes de terrain ou organisationnels.
  • La réplication est coûteuse en ressources ; sans elle, l'estimation de l'erreur repose sur la mise en commun des interactions d'ordre supérieur négligeables, ce qui nécessite un jugement.

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

Points forts

  • Estime chaque effet principal et chaque interaction sans confusion ni aliasing — l'image la plus complète possible d'une expérience contrôlée.
  • Plan orthogonal : toutes les estimations d'effets sont statistiquement indépendantes, rendant l'interprétation simple.
  • Fournit une estimation d'erreur pure lorsque les essais sont répliqués, permettant des tests d'hypothèses rigoureux via ANOVA.
  • Structure flexible : fonctionne avec des types de facteurs continus, catégoriels ou mixtes et peut intégrer le blocage pour le contrôle des variables parasites.
  • Évolue naturellement : un plan 2^k avec des points centraux peut être augmenté en un plan de surface de réponse (plan composite centré ou plan de Box-Behnken) pour la détection de courbure.

Applications

  • Formulation pharmaceutique : optimisation simultanée de la concentration du médicament, du type d'excipient et de la température pour maximiser le taux de dissolution.
  • Sciences agricoles : test des combinaisons d'engrais, de niveau d'irrigation et de densité de plantation sur le rendement des cultures.
  • Amélioration des processus de fabrication : identification de la manière dont la vitesse de la machine, la température et la qualité du matériau affectent conjointement la résistance à la traction du produit.
  • Expériences comportementales et éducatives : examen de la manière dont la méthode d'enseignement, la taille de la classe et le type d'évaluation interagissent pour affecter les résultats d'apprentissage.
  • Recherche clinique et de santé : évaluation des combinaisons de composants d'intervention comportementale pour identifier quelles combinaisons entraînent l'effet thérapeutique.
  • Génie logiciel : test de l'impact du type d'algorithme, de la taille du jeu de données et de la configuration matérielle sur les performances computationnelles.

Comment ça marche

Comment ça marche

1

Identifier k facteurs expérimentaux et spécifier les niveaux pour chacun. Un plan à deux niveaux (chaque facteur à bas/haut) est noté 2^k ; un plan à trois niveaux est 3^k. Les niveaux des facteurs doivent être choisis pour couvrir la plage d'intérêt pratique ou scientifique. Le nombre total de combinaisons de traitements est égal au produit de tous les dénombrements de niveaux à travers les facteurs.

2

Le nombre total d'essais expérimentaux est N = le produit de tous les dénombrements de niveaux (par exemple, 2^3 = 8 pour trois facteurs à deux niveaux). Ce nombre croît exponentiellement avec le nombre de facteurs, de sorte que les plans factoriels complets sont plus réalisables lorsque k est petit (typiquement k ≤ 5 pour les facteurs à deux niveaux). Une matrice de plan est construite listant chaque combinaison ; la réplication de chaque combinaison renforce l'estimation de l'erreur.

Formule
N = \prod_{i=1}^{k} l_i
3

Les unités expérimentales sont assignées aléatoirement à chaque combinaison de traitement, ou l'ordre des essais est entièrement randomisé. La randomisation protège contre les biais systématiques dus aux tendances temporelles, à la fatigue ou à la dérive de l'équipement. Si certaines variables parasites sont connues (par exemple, lot, opérateur, jour), un blocage est ajouté pour isoler leur variance sans confondre les estimations des facteurs.

4

La variable de réponse est mesurée pour chaque essai expérimental sous sa combinaison assignée de niveaux de facteurs. Les données sont enregistrées systématiquement, en préservant le lien entre l'ordre de l'essai, les réglages des facteurs et le résultat observé. Des réplications multiples par cellule sont recommandées dans la mesure où les ressources le permettent, car elles fournissent une estimation pure de l'erreur expérimentale.

5

Les effets principaux et toutes les interactions sont estimés par la méthode des moindres carrés (ou ANOVA). Dans un plan 2^k, chaque estimation d'effet est égale à un contraste linéaire des moyennes de cellules ; la formule beta-chapeau = (X'X)^{-1} X'y s'applique où X est la matrice du modèle des réglages factoriels codés. Parce que chaque combinaison est testée, tous les effets sont orthogonaux et estimables sans confusion.

Formule
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

Les tableaux ANOVA partitionnent la variance totale en effets principaux, interactions à deux facteurs, interactions à trois facteurs, et ainsi de suite. Les interactions significatives sont interprétées à l'aide de graphiques d'interaction : des lignes parallèles indiquent aucune interaction ; des lignes qui se croisent ou divergent signalent que l'effet d'un facteur change selon les niveaux d'un autre. Les interactions d'ordre supérieur (trois voies ou plus) sont rares en pratique mais sont estimables et testables dans un plan factoriel complet.

Pièges courants

  • Ignorer les interactions lors du choix du plan : si vous n'attendez aucune interaction, un plan factoriel complet gaspille des essais — mais s'il existe des interactions et que vous avez utilisé une approche un facteur à la fois, vous les manquerez complètement.
  • Utiliser trop de niveaux sans justification : un plan 3^k a 3^5 = 243 essais pour cinq facteurs ; à moins que la courbure ne soit spécifiquement hypothésée, les plans à deux niveaux sont généralement suffisants et beaucoup plus efficaces.
  • Confondre un plan factoriel complet avec un plan factoriel fractionnaire : un plan factoriel fractionnaire omet délibérément certaines combinaisons et aliase certaines interactions — si vous avez besoin que toutes les interactions soient estimables, seul le plan factoriel complet le fournit.
  • Omettre de randomiser l'ordre des essais : les tendances systématiques (montée en température de l'équipement, apprentissage de l'opérateur, dégradation des réactifs) gonflent ou dégonflent les estimations des effets si les essais sont exécutés dans un ordre fixe et non aléatoire.
  • Analyser les effets principaux isolément lorsque les interactions sont significatives : une interaction statistiquement significative signifie que les conclusions sur les effets principaux dépendent du niveau du facteur modérateur et doivent être interprétées conditionnellement.

Questions fréquentes

Quelle est la différence entre un plan factoriel complet et un plan factoriel fractionnaire ?

Un plan factoriel complet exécute toutes les combinaisons possibles de niveaux de facteurs, estimant tous les effets principaux et les interactions sans confusion. Un plan factoriel fractionnaire exécute seulement une fraction soigneusement choisie de ces combinaisons, confondant délibérément certaines interactions d'ordre supérieur pour réduire le nombre d'essais. Utilisez le plan factoriel complet lorsque les interactions sont importantes et que les ressources le permettent ; utilisez le plan factoriel fractionnaire lorsque k est grand et que vous êtes prêt à supposer que certaines interactions d'ordre supérieur sont négligeables.

Comment choisir le nombre de niveaux à utiliser pour chaque facteur ?

Deux niveaux (bas et haut) sont suffisants lorsque vous attendez une réponse approximativement linéaire sur la plage du facteur et que vous vous intéressez principalement à la direction et à l'ampleur des effets. Trois niveaux sont nécessaires lorsque vous suspectez une courbure (une réponse non linéaire), mais ils multiplient par trois le nombre d'essais pour chaque facteur supplémentaire. Une stratégie pratique consiste à commencer par des plans 2^k augmentés de points centraux pour dépister la courbure avant de s'engager dans un plan 3^k.

Dois-je répliquer chaque combinaison de traitement ?

La réplication est fortement recommandée. Sans réplication, la seule source d'estimation de l'erreur est la somme des carrés mise en commun des interactions d'ordre supérieur négligeables (supposées nulles), ce qui est une hypothèse risquée. Avec même une réplication complète (doublant tous les essais), vous obtenez une véritable estimation d'erreur pure, des intervalles de confiance plus serrés et des tests de significativité plus fiables.

Quel test statistique utiliser pour analyser une expérience factorielle complète ?

L'analyse standard est une ANOVA factorielle (ou son équivalent en modèle de régression), qui partitionne la variance totale en composantes attribuables à chaque effet principal et à chaque terme d'interaction. La significativité des effets est jugée par des tests F. Lorsque le résultat n'est pas normal ou est ordinal, des alternatives non paramétriques ou des modèles linéaires généralisés sont utilisés à la place.

À quel moment dois-je passer à un plan de surface de réponse à la place ?

Si votre plan factoriel complet 2^k (éventuellement avec des points centraux) révèle une courbure statistiquement significative dans la réponse, le modèle factoriel linéaire est inadéquat et un plan de surface de réponse — tel qu'un plan composite centré ou un plan de Box-Behnken — devrait être utilisé. Les plans de surface de réponse ajoutent des points axiaux (étoiles) pour estimer les termes quadratiques et cartographier la courbure complète de la surface de réponse.

Méthodes associées

Sources

  1. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.

    ISBN : 978-0471718130
    Copié.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN : 978-1119492443
    Copié.