ブロック化全要因実験
- 提唱者
- R. A. Fisher (blocking principle); full factorial DOE tradition
- 年
- 1935 (Fisher); systematized through 20th-century DOE literature
- 種類
- Experimental design
- 系統
- Experimental design
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
ブロック化全要因実験は、すべての要因水準のすべての組み合わせを調べる一方で、実験試行を均質なブロックにグループ化して、既知の撹乱変数を分離します。この設計は、関心のある要因のすべての主効果と交互作用を検出する能力を維持しながら、バッチ間、日々の、または機械間のばらつきが実験誤差を増大させるのを防ぎます。
手法の背後にある直感
3種類の肥料を2つの用量で4つの異なる畑で試すことを想像してください。畑は土壌の質が異なりますが、これは制御できませんが考慮に入れることができます。ブロック化全要因設計では、各畑(ブロック)内で6つの肥料-用量のすべての組み合わせを実行するため、畑ごとの違いは処理効果から分離されます。各ブロック内では、試行はランダム化されます。結果:土壌の不均一性によって全体像がぼやけることなく、肥料の種類と用量がどのように相互作用するかの全体像を見ることができます。ブロック化は精度を向上させ、全要因の網羅性は完全性を保証します。
歴史学
撹乱的な変動を制御する方法としてのブロック化は、R. A. FisherによってRothamsted Experimental Stationで形式化され、『The Design of Experiments』(1935年)で記述されました。これは農業圃場試験に動機付けられました。全要因原理は、同時期に分散分析とともに開発されました。全要因構造とのブロック化の統合は、Box、Hunter、Hunterによる『Statistics for Experimenters』(1978年)や、Douglas Montgomeryの『Design and Analysis of Experiments』(初版1976年、現在は第9版)といった影響力のある著作を通じて、標準的なDOEの実践となりました。
使うべき場面
管理可能な数の要因間のすべての主効果とすべての交互作用を推定する必要があり、かつ、無視すると誤差が増大する既知の撹乱変数(バッチ、日、作業者、装置ユニット)が存在する場合に使用します。要因数が(通常、2〜3水準で2〜4要因の)kが、すべての組み合わせを実行するのが実現可能であり、撹乱要因を離散的な均質なブロックにグループ化できるほど小さい場合に適切です。必要な総試行回数が実用的な容量を超える場合は使用しないでください。代わりに、一部要因計画または応答曲面設計を優先してください。意味のある撹乱変数を特定できない場合はブロック化しないでください。不必要なブロック化は自由度を浪費します。
限界と注意点
- 試行回数は(ブロック数)×(すべての要因水準の組み合わせ)に等しく、3つまたは4つ以上の要因または3つの水準では非常に大きくなります。
- 既知の、グループ化可能な撹乱変数が必要です。そのような変数が存在しない場合、ブロック化は利益をもたらさず、自由度を浪費します。
- ブロックと処理の間の交互作用が無視できると仮定します。処理がブロック間で異なる応答をする場合、加法モデルは誤って指定されています。
- 各ブロックがすべての処理組み合わせの完全な1回の反復を収容できない場合には適用できません。不完全ブロック設計が必要です。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 研究対象の要因間のすべての主効果とすべての交互作用の偏りのない推定値を提供します。
- ブロック化は既知の撹乱要因を除去し、追加の処理の反復を必要とせずに実験誤差を減らし、統計的検出力を向上させます。
- 選択された要因の集合内で、要因効果に関する最も完全な情報を提供します。主効果または交互作用のエイリアシングはありません。
- ブロック効果を分離した後、標準的なANOVA表と交互作用プロットを通じて結果を直接解釈できます。
- 標準的な統計ソフトウェア(R、SAS、Minitab、JMP)で、確立された分析ルーチンによってサポートされています。
応用
- 製造およびプロセス工学:生産バッチ(ブロックとして使用)ごとに、温度、圧力、触媒濃度が製品収量にどのように影響するかを研究します。
- 農業研究:異なる土壌特性を持つ畑(ブロックとして使用)で、灌漑レベルと肥料タイプのすべての組み合わせを評価します。
- 製薬開発:生産日または実験担当者をブロック変数として、pHや賦形剤タイプなどの製剤要因を検討します。
- 食品科学:感覚パネルセッション(ブロックとして使用)全体で、風味プロファイルに対する成分組み合わせ効果を評価します。
- 行動および教育研究:コホートまたは期間でブロック化しながら、学校コホート全体での指導方法の組み合わせを調査します。
- 品質改善:実験が複数のシフトまたは作業者にまたがる必要がある場合に、欠陥率を制御する機械設定を特定します。
使い方
使い方
すべての実験要因とその水準を特定します。全要因設計では、すべての要因水準の組み合わせが含まれます。k個の要因がそれぞれ2つの水準を持つ場合、2^kの処理組み合わせが生じます。水準または要因が増えると、試行回数は急速に増加するため、全要因構造を採用する前に資源面の実現可能性を確認する必要があります。
1つ以上の撹乱要因(時間バッチ、オペレーター、機械、日、または原材料ロット)を特定します。これらは、体系的ではあるが制御不能な変動をもたらします。これらがブロック変数になります。各ブロックは内部的に均質である必要があり、ブロックあたりの試行回数は、すべての処理組み合わせの完全な1回の反復を収容できる必要があります。
各ブロック内で、処理組み合わせの完全なセットを実験単位にランダムに割り当てます。ブロック内でのランダム化は、ブロック内の未知の傾向から保護します。ブロック化自体は、ブロック間の既知の違いを除去します。ブロックサイズがすべての処理組み合わせを収容できない場合、不完全ブロック拡張が必要になります。
ブロック化されたランダム化計画に厳密に従って実験を実行します。計画通りにすべての応答を記録し、逸脱、装置の変更、または環境の異常を文書化します。各ブロック内でのプロトコルの忠実性を維持することは、処理効果とブロック効果の意図された分離を維持するために重要です。
ブロック化要因を、すべての要因主効果および交互作用に加えて加法項として含む線形モデルを当てはめます:Y = mu + block + A + B + AB + ... + error。ブロック項はブロック間の分散を吸収し、残差誤差を減らし、要因効果推定値の精度を向上させます。次に、ANOVA表を調べて、有意な主効果と交互作用を確認します。
ブロック効果を除去した推定要因効果と交互作用プロットを報告します。主効果と交互作用の実質的および統計的有意性を評価します。モデルの仮定(残差の正規性およびブロック内の定数分散)を確認します。読者がどの撹乱要因が制御されたかを理解できるように、ブロック構造を透明に報告します。
よくある落とし穴
- 分析モデルからブロック項を省略すること。ブロック化された設計を完全にランダム化されたものとして分析すると、ブロック化によって達成された分散削減が無駄になり、誤差が増大し、検出力が低下します。
- ブロック化変数を科学的関心の要因として扱うこと。ブロックは撹乱の制御であり、処理要因ではありません。それらを誤って分類すると、研究目的と自由度配分が歪みます。
- ブロック内での試行のランダム化に失敗すること。ブロック内ランダム化がないと、時間的傾向や作業者の学習効果が処理比較を汚染します。
- ブロックサイズが合わないこと。各ブロックがすべての処理組み合わせの完全な1回の反復を収容できない場合、標準的な分析仮定が崩壊します。代わりに、バランス不完全ブロック設計を使用してください。
- 要因の増加。要因を増やすと、必要な試行回数が急速に増加します。4つまたは5つ以上の要因の場合、一部要因計画またはスクリーニング設計が、ほとんどの場合、実用的な選択肢となります。
よくある質問
ブロック化全要因設計とランダム化完全ブロック設計(RCBD)の違いは何ですか?
RCBDは通常、各ブロック内で単一の処理の集合(1つの要因)を調べます。ブロック化全要因設計は、各ブロック内で2つ以上の要因のすべての組み合わせを調べ、交互作用の推定を可能にします。RCBDは単一要因の特別な場合であり、ブロック化全要因設計はそれを複数の要因に一般化し、完全な交互作用推定を行います。
複数のブロック変数を持つことはできますか?
はい。2つのブロック変数(例:行と列)を持つ設計は、行-列またはラテン方格拡張と呼ばれます。ただし、ブロック要因を追加すると割り当てがさらに制約され、ブロック×ブロック×処理の交互作用がないという仮定がより厳しくなります。複数のブロック変数を使用する場合は、DOEの専門家に相談してください。
ブロックサイズが処理組み合わせ数より小さい場合はどうなりますか?
標準的なブロック化全要因分析では、各ブロックにすべての処理組み合わせの完全な1回の反復が正確に含まれている必要があります。ブロックが小さい場合は、バランス不完全ブロック設計(BIBD)などの不完全ブロック設計が必要です。この場合、すべての処理がすべてのブロックに含まれるわけではありませんが、全体的なバランスは維持されます。
モデルにブロックと処理の交互作用を含めるべきですか?
既定では含めません。標準的な仮定は、ブロック効果が純粋に加法的であるということです。ブロックと処理の交互作用を含めると自由度が消費され、通常は正当化されません。そのような交互作用を真に疑う場合は、ブロックを固定ではなくランダムとして扱う混合効果モデルを検討してください。
私の要因数は5つ以上ですが、それでもブロック化された全要因を使用すべきですか?
ほとんど間違いなくいいえ。2^5の全要因実験では、ブロックごとに32回の試行が必要であり、それにブロック数を掛けます。これは通常、非常に高価です。一部要因計画またはPlackett-Burmanスクリーニング設計に続いて、主要な要因に焦点を当てた全要因実験を行う方がはるかに実用的な戦略です。
関連する手法
参考文献
Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN:978-1119113478コピーしました。Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
出版物の文献を開くコピーしました。