Esperimento Fattoriale — Disegno Sperimentale Fattoriale
- Introdotto da
- Ronald A. Fisher
- Anno
- 1926–1935
- Tipo
- Quantitative experimental design
- Famiglia
- Experimental design
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Un esperimento fattoriale è un disegno sperimentale in cui due o più variabili indipendenti (fattori) vengono manipolate simultaneamente, e ogni combinazione dei loro livelli viene testata.
Introdotto da Ronald Fisher negli anni '20-'30, è l'approccio standard ogni volta che un ricercatore necessita di rilevare non solo l'effetto principale di ciascun fattore, ma anche se l'effetto di un fattore dipende dal livello di un altro — l'effetto di interazione.
L’intuizione alla base del metodo
Immaginate di testare un nuovo fertilizzante (sì/no) e due livelli di irrigazione (basso/alto) sulla resa del raccolto. Un approccio 'one-factor-at-a-time' richiederebbe due esperimenti separati. Un esperimento fattoriale testa tutte e quattro le combinazioni — fertilizzante-sì/irrigazione-bassa, fertilizzante-sì/irrigazione-alta, fertilizzante-no/irrigazione-bassa, fertilizzante-no/irrigazione-alta — in un unico studio. Questo non solo risparmia risorse, ma è l'unico modo per scoprire se il fertilizzante funziona meglio con irrigazione alta rispetto a quella bassa. Quel modello a incrocio è un'interazione, e i disegni fattoriali sono specificamente costruiti per rilevarla.
Storia
Ronald Fisher formalizzò la logica degli esperimenti fattoriali nel suo articolo del 1926 sugli esperimenti agricoli ed elaborò la teoria nel suo libro fondamentale The Design of Experiments (1935), dove introdusse i concetti di randomizzazione, replicazione e incrocio fattoriale come base per una solida inferenza empirica. Il lavoro di Fisher fu motivato dalla necessità pratica di testare simultaneamente molteplici interventi agronomici piuttosto che uno alla volta. Entro la metà del XX secolo, i disegni fattoriali erano stati adottati in psicologia, ingegneria, medicina e scienze sociali. Il testo ampiamente utilizzato di Douglas Montgomery, Design and Analysis of Experiments (prima edizione 1976), portò i metodi fattoriali e fattoriali frazionari a un pubblico di ingegneria e industriale, consolidando l'approccio come pietra angolare della metodologia sperimentale.
Quando usarlo
Utilizzare un esperimento fattoriale quando si hanno due o più fattori da studiare in un unico studio e quando la rilevazione delle interazioni è scientificamente importante. È preferibile ai disegni 'one-factor-at-a-time' ogni volta che le risorse lo consentono, poiché fornisce le stesse informazioni su ciascun fattore a un costo totale di campionamento inferiore e fornisce inoltre stime delle interazioni. Evitarlo quando il numero di fattori è elevato (quattro o più fattori con più livelli ciascuno crea un numero ingestibile di celle); in questi casi preferire un disegno fattoriale frazionario o un metodo di superficie di risposta. Non utilizzare un disegno fattoriale completo quando si ha un solo fattore — un semplice RCT o un'ANOVA a una via è sufficiente. Evitarlo anche quando è operativamente impossibile fornire tutte le combinazioni di livelli dei fattori.
Limiti e considerazioni
- Il requisito della dimensione del campione cresce moltiplicativamente con il numero di fattori e livelli, rendendo i disegni ampi costosi.
- I disegni fattoriali completi con molti fattori sono spesso infattibili; i ricercatori devono ricorrere a disegni frazionari con una certa perdita di informazioni.
- L'interpretazione diventa complessa quando molteplici interazioni di ordine superiore sono significative, richiedendo un'attenta graficazione e analisi degli effetti semplici.
- Tutte le assunzioni standard dell'ANOVA fattoriale (normalità, omogeneità della varianza, indipendenza) devono essere verificate e, se violate, affrontate.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- L'unico disegno che può stimare gli effetti di interazione tra fattori — la caratteristica più informativa della ricerca multifattoriale.
- Più efficiente statisticamente rispetto a studi separati a fattore singolo: ogni osservazione contribuisce a stimare ogni effetto principale.
- Supporta l'inferenza causale quando i fattori sono completamente randomizzati, soddisfacendo lo stesso standard di un trial controllato randomizzato.
- Altamente flessibile: i fattori possono essere between-subjects, within-subjects (misure ripetute) o misti.
- Risultati generalizzabili: le conclusioni sul fattore A si applicano attraverso tutti i livelli testati del fattore B piuttosto che in una singola condizione arbitraria.
Applicazioni
- Psicologia: studiare come gli effetti di un intervento cognitivo differiscono per gruppo di età o genere dei partecipanti (disegno between-subjects 2 × 2).
- Agricoltura e biologia: testare combinazioni di tipo di fertilizzante e livello di irrigazione sulla resa del raccolto.
- Ingegneria e produzione: ottimizzare la qualità del prodotto variando simultaneamente temperatura del processo, pressione e grado del materiale.
- Farmacologia: valutare combinazioni di dosaggio del farmaco e via di somministrazione sulla biodisponibilità.
- Educazione: valutare se un nuovo metodo di insegnamento è ugualmente efficace in diverse dimensioni di classe e aree disciplinari.
- Marketing: testare combinazioni di framing del messaggio e canale mediatico sull'intenzione di acquisto del consumatore.
Come funziona
Come funziona
Identificare tutte le variabili indipendenti (fattori) di interesse teorico o pratico e fissare il set di livelli per ciascuna. Un disegno 2 x 3, ad esempio, ha un fattore a 2 livelli e un secondo a 3 livelli, producendo 6 condizioni di trattamento. La scelta dei livelli dovrebbe basarsi sulla ricerca precedente o sulla teoria sostanziale, non sulla convenienza arbitraria.
Formare ogni possibile combinazione di livelli dei fattori. Questo incrocio è ciò che definisce un disegno fattoriale: se il fattore A ha a livelli e il fattore B ha b livelli, il disegno contiene a × b celle di trattamento. L'incrocio completo garantisce che gli effetti principali e tutte le interazioni siano stimabili senza confondimento.
Assegnare casualmente unità sperimentali (partecipanti, appezzamenti, lotti) alle celle di trattamento o, in una variante within-subjects, randomizzare l'ordine in cui ogni unità riceve tutte le condizioni. Una corretta randomizzazione è essenziale per un'inferenza causale valida e per soddisfare l'assunzione di indipendenza alla base dell'ANOVA fattoriale.
Somministrare ogni condizione di trattamento secondo il protocollo e registrare la variabile di esito per ogni unità. Mantenere procedure coerenti in tutte le celle — ad eccezione della manipolazione intenzionale dei fattori — è fondamentale per escludere i confondimenti.
Adattare un modello ANOVA fattoriale (o di regressione con termini di interazione): Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Vengono calcolati test di significatività e stime della dimensione dell'effetto (eta-quadrato, omega-quadrato) per ogni effetto principale e ogni termine di interazione. Il rapporto F per ogni sorgente confronta il suo quadrato medio con il quadrato medio residuo.
Formula
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
Esaminare i grafici di interazione (medie delle celle rappresentate graficamente con un fattore sull'asse x e linee per l'altro fattore). Linee non parallele segnalano un'interazione: l'effetto di un fattore non è uniforme attraverso i livelli dell'altro. Quando viene trovata un'interazione significativa, gli effetti principali devono essere interpretati con cautela — analisi degli effetti semplici (un fattore a ciascun livello dell'altro) chiariscono il modello.
Errori comuni
- Ignorare interazioni significative e interpretare gli effetti principali in isolamento — quando è presente un'interazione, un effetto principale è una media fuorviante attraverso sottogruppi eterogenei; tracciare sempre prima le medie delle celle.
- Sottovalutare le singole celle — la potenza in un disegno fattoriale deve essere calcolata per l'effetto atteso più piccolo (spesso l'interazione), non solo per gli effetti principali; l'uso di formule di potenza per gli effetti principali porta a test di interazione sottovalutati.
- Mancata randomizzazione o bilanciamento delle dimensioni delle celle — dimensioni delle celle non uguali introducono non ortogonalità, complicando la partizione della varianza; utilizzare somme dei quadrati di Tipo III e riportare esplicitamente lo squilibrio.
- Trattare un disegno fattoriale come se fosse costituito da ANOVA a una via separate — eseguire ANOVA individuali per ciascun fattore ignora la struttura incrociata e aumenta l'errore di Tipo I; analizzare sempre il modello fattoriale completo.
- Includere troppi fattori — ogni fattore aggiunto moltiplica il numero di celle e la complessità dei grafici di interazione; quattro o più fattori solitamente richiedono un approccio frazionario o di superficie di risposta.
Domande frequenti
Qual è la differenza tra un esperimento fattoriale e un esperimento fattoriale completo?
Ogni esperimento fattoriale completo è un esperimento fattoriale — i termini sono spesso usati in modo intercambiabile. Quando i ricercatori li distinguono, 'esperimento fattoriale' è la categoria generale (include varianti complete e frazionarie), e 'fattoriale completo' specifica che è inclusa ogni possibile combinazione di livelli dei fattori. Un fattoriale frazionario omette un sottoinsieme sistematico di celle per ridurre i costi, al prezzo di confondere interazioni di ordine superiore.
Quanti partecipanti sono necessari per cella?
Come minimo, sono necessarie due o tre osservazioni per cella per stimare la varianza intra-cella, ma ciò è raramente sufficiente per una potenza adeguata. Un'analisi formale della potenza, utilizzando la dimensione dell'effetto attesa per l'interazione (tipicamente più piccola degli effetti principali) e i livelli desiderati di alfa e potenza, dovrebbe determinare la dimensione della cella. Da cinque a venti partecipanti per cella è un intervallo di lavoro comune nella ricerca comportamentale, ma studi di ingegneria possono utilizzarne tre o meno con alta precisione di misurazione.
Cosa succede se la mia interazione è significativa — devo comunque riportare gli effetti principali?
Sì, ma con cautela. Quando è presente un'interazione significativa, gli effetti principali descrivono medie attraverso condizioni eterogenee, il che può essere fuorviante. Riportarli, ma centrare l'interpretazione sull'interazione: condurre analisi degli effetti semplici (testando un fattore separatamente a ciascun livello dell'altro) e presentare grafici di interazione in modo che i lettori possano vedere direttamente il modello.
I disegni fattoriali possono essere utilizzati con fattori within-subjects (misure ripetute)?
Sì. I disegni fattoriali misti combinano almeno un fattore between-subjects con almeno un fattore within-subjects. Sono possibili anche disegni fattoriali completamente within-subjects. Questi disegni aumentano la potenza statistica perché le differenze individuali sono controllate, ma introducono effetti di carryover e d'ordine che devono essere affrontati tramite controbilanciamento o periodi di washout.
Quando dovrei usare invece un fattoriale frazionario?
Quando il numero di fattori è elevato (tipicamente quattro o più con più livelli ciascuno), eseguire tutte le combinazioni di trattamento diventa proibitivamente costoso. Un disegno fattoriale frazionario testa una frazione attentamente scelta delle celle — sacrificando le stime delle interazioni di ordine superiore (che sono spesso trascurabili in pratica) in cambio di una drastica riduzione del numero di esecuzioni. Se le interazioni oltre il due-vie sono teoricamente implausibili, un disegno a mezza frazione o a un quarto di frazione è spesso la scelta migliore.
Metodi correlati
Fonti
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Apri il riferimento della pubblicazioneCopiato.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119320937Copiato.