Eksperimen Faktorial — Desain Eksperimental Faktorial
- Diperkenalkan oleh
- Ronald A. Fisher
- Tahun
- 1926–1935
- Jenis
- Quantitative experimental design
- Keluarga
- Experimental design
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Eksperimen faktorial adalah desain eksperimental di mana dua atau lebih variabel independen (faktor) dimanipulasi secara simultan, dan setiap kombinasi tingkatannya diuji.
Diperkenalkan oleh Ronald Fisher pada tahun 1920-an–1930-an, ini adalah pendekatan standar kapan pun seorang peneliti perlu mendeteksi tidak hanya efek utama dari setiap faktor tetapi juga apakah efek satu faktor bergantung pada tingkat faktor lain — efek interaksi.
Intuisi di balik metode
Bayangkan menguji pupuk baru (ya/tidak) dan dua tingkat irigasi (rendah/tinggi) pada hasil panen. Pendekatan satu faktor pada satu waktu akan membutuhkan dua eksperimen terpisah. Eksperimen faktorial menguji keempat kombinasi — pupuk-ya/irigasi-rendah, pupuk-ya/irigasi-tinggi, pupuk-tidak/irigasi-rendah, pupuk-tidak/irigasi-tinggi — dalam satu studi. Ini tidak hanya menghemat sumber daya tetapi juga merupakan satu-satunya cara untuk menemukan apakah pupuk bekerja lebih baik di bawah irigasi tinggi daripada irigasi rendah. Pola persilangan itu adalah interaksi, dan desain faktorial secara khusus dibuat untuk mendeteksinya.
Sejarah
Ronald Fisher memformalkan logika eksperimen faktorial dalam makalahnya tahun 1926 tentang eksperimen pertanian dan menguraikan teori tersebut dalam bukunya yang monumental The Design of Experiments tahun 1935, di mana ia memperkenalkan konsep pengacakan, replikasi, dan persilangan faktorial sebagai dasar inferensi empiris yang kuat. Karya Fisher dimotivasi oleh kebutuhan praktis untuk menguji beberapa intervensi agronomi secara bersamaan daripada satu per satu. Pada pertengahan abad kedua puluh, desain faktorial telah diadopsi di seluruh psikologi, teknik, kedokteran, dan ilmu sosial. Buku teks Douglas Montgomery yang banyak digunakan Design and Analysis of Experiments (edisi pertama 1976) membawa metode faktorial dan faktorial fraksional ke audiens teknik dan industri, memperkuat pendekatan tersebut sebagai landasan metodologi eksperimental.
Kapan digunakan
Gunakan eksperimen faktorial ketika Anda memiliki dua atau lebih faktor yang ingin Anda pelajari dalam satu studi dan ketika mendeteksi interaksi penting secara ilmiah. Ini lebih disukai daripada desain satu faktor pada satu waktu kapan pun sumber daya memungkinkan, karena memberikan informasi yang sama tentang setiap faktor dengan biaya sampel total yang lebih rendah dan tambahan menghasilkan estimasi interaksi. Hindari jika jumlah faktor banyak (empat atau lebih faktor dengan beberapa tingkatan masing-masing menciptakan jumlah sel yang tidak dapat dikelola); dalam kasus tersebut, lebih disukai desain faktorial fraksional atau metode respons permukaan. Jangan gunakan desain faktorial penuh jika Anda hanya memiliki satu faktor — RCT sederhana atau ANOVA satu arah sudah cukup. Juga hindari jika secara operasional tidak mungkin untuk memberikan semua kombinasi tingkatan faktor.
Batasan dan pertimbangan
- Persyaratan ukuran sampel tumbuh secara multiplikatif dengan jumlah faktor dan tingkatan, membuat desain besar menjadi mahal.
- Desain faktorial penuh dengan banyak faktor seringkali tidak layak; peneliti harus menggunakan desain fraksional dengan beberapa kehilangan informasi.
- Interpretasi menjadi kompleks ketika beberapa interaksi tingkat tinggi signifikan, membutuhkan penggambaran grafik yang cermat dan analisis efek sederhana sebagai tindak lanjut.
- Semua asumsi ANOVA faktorial standar (normalitas, homogenitas varians, independensi) harus diperiksa dan, jika dilanggar, ditangani.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Satu-satunya desain yang dapat mengestimasi efek interaksi antar faktor — fitur paling informatif dari penelitian multi-faktor.
- Lebih efisien secara statistik daripada studi satu faktor yang terpisah: setiap observasi berkontribusi pada estimasi setiap efek utama.
- Mendukung inferensi kausal ketika faktor-faktor sepenuhnya diacak, memenuhi standar yang sama dengan uji coba terkontrol acak.
- Sangat fleksibel: faktor dapat berupa antar-subjek (between-subjects), subjek-dalam (within-subjects) (pengukuran berulang), atau campuran.
- Temuan yang dapat digeneralisasi: kesimpulan tentang faktor A berlaku di semua tingkatan faktor B yang diuji daripada di bawah satu kondisi sewenang-wenang.
Penerapan
- Psikologi: mempelajari bagaimana efek intervensi kognitif berbeda berdasarkan kelompok usia partisipan atau jenis kelamin (desain antar-subjek 2 × 2).
- Pertanian dan biologi: menguji kombinasi jenis pupuk dan tingkat irigasi pada hasil panen.
- Teknik dan manufaktur: mengoptimalkan kualitas produk dengan secara bersamaan memvariasikan suhu proses, tekanan, dan grade material.
- Farmakologi: mengevaluasi kombinasi dosis obat dan rute pemberian pada bioavailabilitas.
- Pendidikan: menilai apakah metode pengajaran baru sama efektifnya di berbagai ukuran kelas dan bidang studi.
- Pemasaran: menguji kombinasi pembingkaian pesan dan saluran media pada niat beli konsumen.
Cara kerjanya
Cara kerjanya
Identifikasi semua variabel independen (faktor) yang menarik secara teoretis atau praktis dan tetapkan himpunan tingkatan untuk masing-masing. Desain 2 x 3, misalnya, memiliki satu faktor pada 2 tingkatan dan faktor kedua pada 3 tingkatan, menghasilkan 6 kondisi perlakuan. Pilihan tingkatan harus didasarkan pada penelitian sebelumnya atau teori substantif, bukan kenyamanan yang sewenang-wenang.
Bentuk setiap kemungkinan kombinasi tingkatan faktor. Persilangan ini mendefinisikan desain faktorial: jika faktor A memiliki tingkatan a dan faktor B memiliki tingkatan b, desain tersebut berisi sel perlakuan a × b. Persilangan penuh memastikan bahwa efek utama dan semua interaksi dapat diestimasi tanpa kekeliruan.
Secara acak tetapkan unit eksperimental (partisipan, plot, batch) ke sel perlakuan atau, dalam varian subjek-dalam (within-subjects), acak urutan di mana setiap unit menerima semua kondisi. Pengacakan yang tepat sangat penting untuk inferensi kausal yang valid dan untuk memenuhi asumsi independensi yang mendasari ANOVA faktorial.
Berikan setiap kondisi perlakuan sesuai dengan protokol dan catat variabel hasil untuk setiap unit. Mempertahankan prosedur yang konsisten di semua sel — kecuali untuk manipulasi faktor yang disengaja — sangat penting untuk menyingkirkan faktor pengganggu (confounds).
Sesuaikan model ANOVA faktorial (atau regresi dengan suku interaksi): Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Uji signifikansi dan estimasi ukuran efek (eta-squared, omega-squared) dihitung untuk setiap efek utama dan setiap suku interaksi. Rasio F untuk setiap sumber membandingkan kuadrat rata-ratanya dengan kuadrat rata-rata residual.
Rumus
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
Periksa plot interaksi (rata-rata sel diplot dengan satu faktor pada sumbu x dan garis untuk faktor lain). Garis yang tidak sejajar menandakan interaksi: efek satu faktor tidak seragam di seluruh tingkatan faktor lain. Ketika interaksi yang signifikan ditemukan, efek utama harus diinterpretasikan dengan hati-hati — analisis efek sederhana (satu faktor pada setiap tingkatan faktor lain) mengklarifikasi polanya.
Kesalahan umum
- Mengabaikan interaksi yang signifikan dan menginterpretasikan efek utama secara terisolasi — ketika interaksi ada, efek utama adalah rata-rata yang menyesatkan di seluruh sub-kelompok yang heterogen; selalu plot rata-rata sel terlebih dahulu.
- Memberikan kekuatan yang tidak memadai pada sel individual — kekuatan dalam desain faktorial harus dihitung untuk efek terkecil yang diharapkan (seringkali interaksi), bukan hanya untuk efek utama; menggunakan rumus kekuatan efek utama mengarah pada uji interaksi yang kurang bertenaga.
- Gagal mengacak atau menyeimbangkan ukuran sel — ukuran sel yang tidak setara memperkenalkan non-ortogonalitas, mempersulit partisi varians; gunakan jumlah kuadrat Tipe III dan laporkan ketidakseimbangan secara eksplisit.
- Memperlakukan desain faktorial seolah-olah itu adalah ANOVA satu arah yang terpisah — menjalankan ANOVA individual untuk setiap faktor mengabaikan struktur persilangan dan meningkatkan kesalahan Tipe I; selalu analisis model faktorial penuh.
- Memasukkan terlalu banyak faktor — setiap faktor tambahan mengalikan jumlah sel dan kompleksitas plot interaksi; empat faktor atau lebih biasanya memerlukan pendekatan fraksional atau respons permukaan.
Pertanyaan yang sering diajukan
Apa perbedaan antara eksperimen faktorial dan eksperimen faktorial penuh?
Setiap eksperimen faktorial penuh adalah eksperimen faktorial — istilah-istilah ini sering digunakan secara bergantian. Ketika peneliti membedakannya, 'eksperimen faktorial' adalah kategori umum (mencakup varian penuh dan fraksional), dan 'faktorial penuh' menentukan bahwa setiap kemungkinan kombinasi tingkatan faktor disertakan. Faktorial fraksional menghilangkan subset sel yang sistematis untuk mengurangi biaya, dengan mengorbankan konfounding interaksi tingkat tinggi.
Berapa banyak partisipan yang saya butuhkan per sel?
Minimal, dua atau tiga observasi per sel diperlukan untuk mengestimasi varians dalam sel, tetapi ini jarang cukup untuk kekuatan yang memadai. Analisis kekuatan formal menggunakan ukuran efek yang diharapkan untuk interaksi (biasanya lebih kecil dari efek utama) dan tingkat alfa serta kekuatan yang diinginkan harus menentukan ukuran sel. Lima hingga dua puluh partisipan per sel adalah kisaran kerja umum dalam penelitian perilaku, tetapi studi teknik mungkin menggunakan tiga atau kurang dengan presisi pengukuran yang tinggi.
Bagaimana jika interaksi saya signifikan — apakah saya masih melaporkan efek utama?
Ya, tetapi dengan hati-hati. Ketika interaksi yang signifikan ada, efek utama menggambarkan rata-rata di seluruh kondisi yang heterogen, yang bisa menyesatkan. Laporkan, tetapi pusatkan interpretasi pada interaksi: lakukan analisis efek sederhana (menguji satu faktor secara terpisah pada setiap tingkatan faktor lain) dan sajikan plot interaksi sehingga pembaca dapat melihat polanya secara langsung.
Bisakah desain faktorial digunakan dengan faktor subjek-dalam (pengukuran berulang)?
Ya. Desain faktorial campuran menggabungkan setidaknya satu faktor antar-subjek dengan setidaknya satu faktor subjek-dalam. Desain faktorial sepenuhnya subjek-dalam juga dimungkinkan. Desain ini meningkatkan kekuatan statistik karena perbedaan individu dikontrol, tetapi mereka menimbulkan efek bawaan (carryover) dan efek urutan yang harus ditangani melalui penyeimbangan (counterbalancing) atau periode pencucian (washout).
Kapan saya harus menggunakan faktorial fraksional?
Ketika jumlah faktor banyak (biasanya empat atau lebih dengan beberapa tingkatan masing-masing), menjalankan semua kombinasi perlakuan menjadi sangat mahal. Desain faktorial fraksional menguji sebagian sel yang dipilih dengan cermat — mengorbankan estimasi interaksi tingkat tinggi (yang seringkali dapat diabaikan dalam praktik) sebagai ganti pengurangan drastis dalam jumlah percobaan. Jika interaksi di luar dua arah secara teoretis tidak masuk akal, desain fraksi setengah atau seperempat seringkali merupakan pilihan yang lebih baik.
Metode terkait
Sumber
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Buka referensi publikasiDisalin.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119320937Disalin.