Skip to content
Torna ai risultati

Esperimento Fattoriale Completo — Disegno Sperimentale Fattoriale Completo

Introdotto da
Ronald A. Fisher
Anno
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Tipo
Experimental design
Famiglia
Experimental design

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Un esperimento fattoriale completo esegue ogni possibile combinazione di tutti i livelli dei fattori scelti, rendendolo il gold standard per la stima simultanea degli effetti principali, delle interazioni a due vie e delle interazioni di ordine superiore tra più variabili indipendenti.

Introdotto attraverso il lavoro fondamentale di Ronald Fisher sui disegni fattoriali negli anni '20 e sistematizzato da Box, Hunter e Montgomery, fornisce informazioni complete su come i fattori agiscono individualmente e in combinazione su un risultato.

L’intuizione alla base del metodo

Supponiamo di testare due tipi di fertilizzanti (A, B) e tre regimi di irrigazione (giornaliera, settimanale, mensile) sulla resa delle colture. Un disegno fattoriale completo significa che si coltivano le colture in tutte le 2 × 3 = 6 combinazioni, non solo ciascun fattore isolatamente. Questo è potente perché l'effetto del fertilizzante può dipendere dalla frequenza di irrigazione — un'interazione che gli studi fattore-per-volta mancano completamente. Il fattoriale completo cattura ogni interazione assicurando che ogni livello di un fattore appaia con ogni livello di ogni altro fattore, fornendo una visione equilibrata e non confusa dell'intero spazio dei fattori.

Storia

Ronald Fisher introdusse il concetto di sperimentazione fattoriale nel suo articolo fondamentale del 1926 e lo sviluppò completamente in The Design of Experiments (1935), sostenendo che studiare più fattori simultaneamente è più efficiente degli approcci fattore-per-volta. Frank Yates formalizzò la notazione e il calcolo degli effetti fattoriali negli anni '30. George Box, J. Stuart Hunter e William Hunter sistematizzarono l'applicazione pratica dei disegni fattoriali per contesti industriali e scientifici nel loro testo seminale del 1978 (aggiornato nel 2005). Il testo ampiamente adottato di Douglas Montgomery (prima edizione 1976) ha da allora reso il disegno fattoriale completo centrale nei curricula di ingegneria e scienze applicate in tutto il mondo.

Quando usarlo

Utilizzare un esperimento fattoriale completo quando si dispone di un numero ridotto di fattori (tipicamente k ≤ 4 o 5 per disegni a due livelli) e si necessita di stimare tutti gli effetti principali e le interazioni senza ambiguità. È la scelta giusta quando ci si aspetta interazioni o la loro presenza è scientificamente importante, quando le risorse consentono di completare ogni combinazione e quando il risultato è misurabile in condizioni controllate. NON utilizzare un disegno fattoriale completo quando k è grande (diciamo k ≥ 6 a due livelli), perché le 64+ esecuzioni richieste diventano infattibili — preferire invece disegni fattoriali frazionari o di superficie di risposta. Evitarlo anche quando il costo per esecuzione o i limiti di materiale rendono N = 2^k (o 3^k) proibitivi, o quando si è interessati solo agli effetti principali e si hanno forti ragioni teoriche per presumere nessuna interazione.

Limiti e considerazioni

  • Il numero di esecuzioni cresce esponenzialmente con il numero di fattori: 2^k = 32 esecuzioni per 5 fattori, 64 per 6 — diventando rapidamente impraticabile.
  • Le interazioni di ordine superiore (tre vie e superiori) sono stimabili ma raramente interpretabili o scientificamente significative, rendendo molte esecuzioni informativamente ridondanti.
  • Presuppone che i fattori possano essere impostati con precisione ai livelli specificati; il controllo dei fattori è spesso più facile in laboratorio che in contesti sul campo o organizzativi.
  • La replica è ad alta intensità di risorse; senza di essa, la stima dell'errore si basa sull'aggregazione di interazioni di ordine superiore trascurabili, il che richiede giudizio.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Stima ogni effetto principale e ogni interazione senza alias o confondimento — l'immagine più completa possibile da un esperimento controllato.
  • Disegno ortogonale: tutte le stime degli effetti sono statisticamente indipendenti, rendendo l'interpretazione semplice.
  • Fornisce una stima pura dell'errore quando le esecuzioni sono replicate, consentendo un rigoroso test di ipotesi tramite ANOVA.
  • Struttura flessibile: funziona con tipi di fattori continui, categorici o misti e può incorporare blocchi per il controllo delle variabili di disturbo.
  • Scala naturalmente: un disegno 2^k con esecuzioni di punto centrale può essere aumentato in un disegno di superficie di risposta (composito centrale o Box-Behnken) per la rilevazione della curvatura.

Applicazioni

  • Formulazione farmaceutica: ottimizzazione simultanea di concentrazione del farmaco, tipo di eccipiente e temperatura per massimizzare la velocità di dissoluzione.
  • Scienza agraria: testare combinazioni di fertilizzante, livello di irrigazione e densità di semina sulla resa delle colture.
  • Miglioramento dei processi di produzione: identificare come velocità della macchina, temperatura e grado del materiale influenzano congiuntamente la resistenza alla trazione del prodotto.
  • Esperimenti comportamentali ed educativi: esaminare come metodo di insegnamento, dimensione della classe e tipo di valutazione interagiscono per influenzare gli esiti dell'apprendimento.
  • Ricerca clinica e sanitaria: valutare combinazioni di componenti di intervento comportamentale per identificare quali combinazioni guidano l'effetto terapeutico.
  • Ingegneria del software: testare l'impatto del tipo di algoritmo, della dimensione del dataset e della configurazione hardware sulle prestazioni computazionali.

Come funziona

Come funziona

1

Identificare k fattori sperimentali e specificare i livelli per ciascuno. Un disegno a due livelli (ciascun fattore a basso/alto) è indicato con 2^k; un disegno a tre livelli è 3^k. I livelli dei fattori dovrebbero essere scelti per coprire l'intervallo di interesse pratico o scientifico. Il numero totale di combinazioni di trattamento è uguale al prodotto di tutti i conteggi dei livelli attraverso i fattori.

2

Il numero totale di esecuzioni sperimentali è N = il prodotto di tutti i conteggi dei livelli (ad esempio, 2^3 = 8 per tre fattori a due livelli). Questo cresce esponenzialmente con il numero di fattori, quindi i disegni fattoriali completi sono più fattibili quando k è piccolo (tipicamente k ≤ 5 per fattori a due livelli). Viene costruita una matrice di disegno che elenca ogni combinazione; la replica di ogni combinazione rafforza la stima dell'errore.

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

Le unità sperimentali sono assegnate casualmente a ciascuna combinazione di trattamento, o l'ordine delle esecuzioni è completamente randomizzato. La randomizzazione protegge da bias sistematici dovuti a tendenze temporali, affaticamento o deriva dell'attrezzatura. Se alcune variabili di disturbo sono note (ad esempio, lotto, operatore, giorno), viene aggiunto il blocco per isolare la loro varianza senza confondere le stime dei fattori.

4

La variabile di risposta viene misurata per ogni esecuzione sperimentale sotto la sua combinazione assegnata di livelli dei fattori. I dati vengono registrati sistematicamente, preservando il collegamento tra l'ordine di esecuzione, le impostazioni dei fattori e il risultato osservato. Si raccomandano repliche multiple per cella ogni volta che le risorse lo consentono, poiché forniscono una stima pura dell'errore sperimentale.

5

Gli effetti principali e tutti gli effetti di interazione vengono stimati utilizzando il metodo dei minimi quadrati (o ANOVA). In un disegno 2^k ogni stima dell'effetto è uguale a un contrasto lineare delle medie delle celle; si applica la formula beta-cappello = (X'X)^{-1} X'y dove X è la matrice del modello delle impostazioni dei fattori codificate. Poiché ogni combinazione viene testata, tutti gli effetti sono ortogonali e stimabili senza alias.

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

Le tabelle ANOVA ripartiscono la varianza totale in effetti principali, interazioni a due fattori, interazioni a tre fattori e così via. Le interazioni significative vengono interpretate utilizzando grafici di interazione: linee parallele indicano nessuna interazione; linee che si incrociano o divergono segnalano che l'effetto di un fattore cambia attraverso i livelli di un altro. Le interazioni di ordine superiore (tre vie o superiori) sono rare in pratica ma sono stimabili e testabili in un disegno fattoriale completo.

Errori comuni

  • Ignorare le interazioni nella scelta del disegno: se non ci si aspettano interazioni, un fattoriale completo spreca esecuzioni — ma se esistono interazioni e si è utilizzato un approccio fattore-per-volta, le si mancherà completamente.
  • Utilizzare troppi livelli senza giustificazione: un disegno 3^k ha 3^5 = 243 esecuzioni per cinque fattori; a meno che la curvatura non sia specificamente ipotizzata, i disegni a due livelli sono solitamente sufficienti e molto più efficienti.
  • Confondere un fattoriale completo con un fattoriale frazionario: un fattoriale frazionario omette deliberatamente alcune combinazioni e crea alias per alcune interazioni — se è necessario stimare tutte le interazioni, solo il fattoriale completo le fornisce.
  • Mancata randomizzazione dell'ordine di esecuzione: tendenze sistematiche (riscaldamento dell'attrezzatura, apprendimento dell'operatore, degradazione dei reagenti) aumentano o diminuiscono le stime degli effetti se le esecuzioni vengono eseguite in un ordine fisso e non casuale.
  • Analizzare gli effetti principali isolatamente quando le interazioni sono significative: un'interazione statisticamente significativa significa che le conclusioni sugli effetti principali dipendono dal livello del fattore moderatore e devono essere interpretate condizionatamente.

Domande frequenti

Qual è la differenza tra un disegno fattoriale completo e uno frazionario?

Un fattoriale completo esegue ogni possibile combinazione di livelli dei fattori, stimando tutti gli effetti principali e le interazioni senza alias. Un fattoriale frazionario esegue solo una frazione attentamente scelta di quelle combinazioni, creando deliberatamente alias per alcune interazioni di ordine superiore per ridurre il numero di esecuzioni. Utilizzare il fattoriale completo quando le interazioni sono importanti e le risorse lo consentono; utilizzare il fattoriale frazionario quando k è grande e si è disposti a presumere che alcune interazioni di ordine superiore siano trascurabili.

Come scelgo quanti livelli usare per ciascun fattore?

Due livelli (basso e alto) sono sufficienti quando ci si aspetta una risposta approssimativamente lineare nell'intervallo del fattore e si è principalmente interessati alla direzione e alla magnitudo degli effetti. Sono necessari tre livelli quando si sospetta curvatura (una risposta non lineare), ma questi triplicano il numero di esecuzioni per ciascun fattore aggiuntivo. Una strategia pratica è iniziare con disegni 2^k aumentati con esecuzioni di punto centrale per rilevare la curvatura prima di impegnarsi in un disegno 3^k.

Ho bisogno di replicare ogni combinazione di trattamento?

La replica è fortemente raccomandata. Senza replica, l'unica fonte di stima dell'errore è la somma dei quadrati aggregata dalle interazioni di ordine superiore trascurabili (assunte nulle), che è un'ipotesi rischiosa. Con anche una replica completa (raddoppiando tutte le esecuzioni) si ottiene una stima genuina dell'errore puro, intervalli di confidenza più stretti e test di significatività più affidabili.

Quale test statistico devo usare per analizzare un esperimento fattoriale completo?

L'analisi standard è un'ANOVA fattoriale (o il suo equivalente in modello di regressione), che ripartisce la varianza totale in componenti attribuibili a ciascun effetto principale e a ciascun termine di interazione. La significatività dell'effetto viene giudicata tramite test F. Quando il risultato non è normale o è ordinale, vengono utilizzati invece alternative non parametriche o modelli lineari generalizzati.

A quale punto dovrei passare a un disegno di superficie di risposta?

Se il tuo esperimento fattoriale completo 2^k (possibilmente con punti centrali) rivela una curvatura statisticamente significativa nella risposta, il modello fattoriale lineare è inadeguato e dovrebbe essere utilizzato un disegno di superficie di risposta — come un disegno composito centrale o Box-Behnken. I disegni di superficie di risposta aggiungono punti assiali (a stella) per stimare i termini quadratici e mappare la curvatura completa della superficie di risposta.

Metodi correlati

Fonti

  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
    Copiato.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiato.