Skip to content
検索結果に戻る

実験計画法における分割実験 — 分割実験計画

提唱者
D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
年
1945 (Finney); broader development 1950s–1970s by Box, Hunter
種類
Quantitative 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

文字サイズ

何をする手法か?

分割実験(Fractional Factorial Experiment)は、全因子水準組み合わせのごく一部のみを、注意深く選択された形で実施する、資源効率の高い実験計画法である。高次の交互作用は通常無視できるという原理を利用することで、k個の因子の主効果および低次の交互作用を、全組み合わせを実施する(全順列計画、Full Factorial Design)よりもはるかに少ない試行回数で特定できる。これにより、工業および工学分野におけるスクリーニング実験の主力となっている。

手法の背後にある直感

7個の因子をそれぞれ2水準で検討したいと仮定する。全順列計画では128回の試行が必要となり、非現実的かつ高価である。分割実験では、これらの組み合わせの戦略的に選択された半分(または4分の1)を採用し、64回または32回の試行で済む。このトリックは、省略された各試行が、実際にはほぼゼロである高次の交互作用に対応している点にある。実験コストを劇的に削減するために、これらの可能性の低い交互作用を推定する能力を犠牲にするが、最も重要な効果は依然として捉えることができる。鍵となるのは、どの効果が互いに混同(エイリアシング)されるかを正確に把握し、結果を正しく解釈できるようにすることである。

歴史学

分割実験計画は、1920年代から1930年代にかけてロスハムステッド実験ステーションで行われたロナルド・フィッシャーの実験計画法に関する基礎研究から発展した。D. J. Finneyは、1945年にAnnals of Eugenicsに掲載された論文で分割複製を正式に導入し、注意深く選択された試行のサブセットが、高次の交互作用のみを犠牲にして主効果を推定できることを示した。ジョージ・ボックス、J. スチュアート・ハンター、ウィリアム・ハンターは、1978年に始まった影響力のある教科書シリーズを通じて、工業実験のための方法論を普及させ体系化し、今日の実務家が使用する主要な概念として分解能とエイリアシングを確立した。これらの計画は、世界中のシックスシグマ、実験計画法(DOE)トレーニング、および品質工学の礎であり続けている。

使うべき場面

多くの因子(通常は5つ以上)をスクリーニングする必要があり、全順列計画を実行する余裕がない場合、資源(時間、材料、費用)が限られている場合、および高次の交互作用が無視できると仮定される場合(ほとんどの物理的、化学的、工学的設定では合理的な仮定)に使用する。これは、逐次的な実験戦略(スクリーニング→最適化)における標準的な最初のステップである。すべての高次の交互作用を推定する必要がある場合(代わりに全順列計画を使用)、4つまたは5つ未満の因子がある場合(全順列計画は手頃な価格である)、2因子交互作用のエイリアシングがフォローアップ試行なしでは許容できない場合、または応答曲面を詳細に特徴付ける必要がある場合(代わりに応答曲面法を使用)には、これを使用しない。

限界と注意点

  • エイリアシングにより、一部の効果は単一の分割内で独立して推定できない。エイリアスの解決には追加の試行が必要である。
  • 高次の交互作用が無視できるという仮定は、生物学的、社会的、または複雑なシステムでは当てはまらない可能性がある。
  • 生成子の指定、分解能の確認、およびエイリアスパターンの解釈を正しく行うためには、統計的リテラシーが必要である。
  • 非常に少ない試行回数(例:7因子に対する8試行の分解能III設計)では、大きな効果以外を検出する力はほとんどない。

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

  • 全順列計画と比較して実験試行回数を劇的に削減し、時間と資源を節約する。
  • 系統的なエイリアシング構造により、研究者は常にどの効果が混同されているかを正確に把握できる。隠れた曖昧さはない。
  • 逐次的かつ組み合わせ可能:分割は、第2段階で重要な効果を分離するために、フォールドオーバーまたは新しい分割と組み合わせることができる。
  • 統計ソフトウェア(R, SAS, JMP, Minitab)で広くサポートされており、文献で広範に文書化されている。
  • 直交設計構造により、パラメータ推定が容易かつ統計的に効率的である。

応用

  • 収率または純度に最も影響を与える少数のプロセス変数を特定するために、化学または製薬製造における数十のプロセス変数をスクリーニングする。
  • 限られた区画で、成長期にわたる農業処理(肥料、灌漑、農薬の組み合わせ)を最適化する。
  • 固定された試作品予算内で、材料、形状、およびプロセスパラメータをすべて調査する必要がある、工学製品設計研究。
  • 多くのフィーチャー全体で全順列計画を同時に実行することが不可能な場合、ソフトウェアおよびWeb実験(フィーチャーフラグ、UI要素)。
  • アッセイ性能を駆動する試薬濃度、温度、および機器設定を特定する、分析化学的方法開発。
  • DMAICまたはシックスシグマフレームワークを使用した製造における品質改善プロジェクト。

使い方

使い方

1

調査対象とする全てのk個の因子を特定し、それらの水準(通常は低水準と高水準の2水準で、-1および+1でコード化される)を設定する。測定される応答変数(単数または複数)を明確にする。5つまたは6つ以上の因子がある場合、通常は分割計画が正当化される。4つ未満の場合は、通常、全順列計画が可能である。

2

分割数 2^(k-p) を選択する。ここで、pは既存の列を乗算することによって何個の因子列が生成されるかを定義する。半分割(p=1)は 2^(k-1) 回の試行を使用し、4分の1分割(p=2)は 2^(k-2) 回の試行を使用する。計画の分解能(Resolution、III, IV, V)が、どの効果がエイリアシングされるかを決定する。分解能IIIは主効果を2因子交互作用と混同し、分解能IVは2因子交互作用を互いに混同し、分解能V以上は主効果と2因子交互作用を互いに明確に分離する。

数式
2^{k-p}
3

設計行列を構築するには、まず基底のk-p因子における全順列計画を書き出し、次に選択された生成子(generator(s))に従って既存の列を乗算することにより追加のp列を作成する。エイリアシング構造(alias pattern)を検証し、それが研究課題に対して許容可能であることを確認する。

4

系統的な時間関連のバイアスを防ぐために、実験試行をランダム化された順序で実施する。バッチ、日、またはオペレーターのような迷惑因子が存在する場合は、ブロック化を適用する。純粋誤差を推定するために含まれる複製試行または中心点試行を含む、測定された応答を各試行について記録する。

5

最小二乗法またはイェイツのアルゴリズムを使用して、主効果および交互作用効果を推定する。効果の大きさとその標準誤差を計算する。効果の正規確率プロット、半正規プロット、またはレントの検定を使用して、特に直接的な誤差推定を提供するための複製試行がない場合に、ノイズからアクティブな(実際の)効果を区別する。

6

エイリアシング構造を考慮して、推定された各効果を解釈する。有意な推定値は、名前が付けられた効果、そのエイリアス、またはその両方を反映する可能性がある。現在の分割から分離できない効果を分離(de-alias)するために、主題知識、フォローアップ確認試行、またはフォールドオーバー設計を使用する。何が推定可能で何が推定不可能であったかを読者が評価できるように、分解能とエイリアスパターンを透明性をもって報告する。

よくある落とし穴

  • 2因子交互作用がもっともらしい場合に、分解能が低すぎる(例:分解能III)ものを選択すること。主効果の推定値はそれらの交互作用によって偏り、結果は深刻に誤解を招く可能性がある。
  • ランダム化の無視:標準順序で設計を実施すると、エイリアシング構造が処理するように設計されていない時間的傾向との混同が生じる。
  • エイリアスパターンを報告しないこと。これにより、読者(または査読者)がどの効果が推定可能であるかを評価することが不可能になる。
  • スクリーニング結果を、確認試行やフォローアップ最適化フェーズなしに最終的なものとして扱うこと。分割実験計画は本質的に最初のステップであり、最終的な結論ではない。

よくある質問

分割実験計画における「分解能」とは何を意味しますか?

分解能は、どの効果がどの効果とエイリアシング(混同)されるかを記述する。分解能III:主効果は2因子交互作用とエイリアシングされる — 2因子交互作用が無視できると既知の場合にのみ使用する。分解能IV:主効果は2因子交互作用から分離されるが、2因子交互作用は互いにエイリアシングされる。分解能V以上:主効果と2因子交互作用の両方が独立して推定可能である — 2因子交互作用がもっともらしい場合に推奨される。

半分割と4分の1分割のどちらを選択すべきですか?

半分割(2^(k-1))はより高い分解能を維持するが、試行回数は半分になる。4分の1分割(2^(k-2))はより小さいが、通常は分解能が低く、エイリアシングの問題を増加させる。7つ以上の因子があり、資源が非常に限られている場合は、分解能IVの4分の1分割から始める。4つから6つの因子がある場合は、分解能IVまたはVの半分割が通常可能であり、好ましい。

分割実験計画は、Plackett-Burman設計とどのように異なりますか?

どちらも少数の試行で多くの因子をスクリーニングするための設計であるが、異なる構築原理を使用している。分割実験計画(2^(k-p))は、2水準の全順列計画に基づいており、明確で解釈可能なエイリアシング構造を持つ。Plackett-Burman設計はアダマール行列を使用する。試行回数のサイズ(4の倍数)においてより柔軟であるが、解釈がより困難な、より複雑で階層的でないエイリアシング構造を持つ。

分割実験計画でアクティブな因子を特定した後、何をすべきですか?

分割実験計画はスクリーニング設計であり、最適化設計ではない。アクティブな因子が特定されたら、フォローアップフェーズに進む:エイリアシングされた効果を分離するために元の分割をフォールドオーバーし、次にアクティブな因子のみに対して応答曲面法(中心複合計画またはBox-Behnken)または新しい全順列計画を使用して応答を特徴付け、最適化する。

因子あたり2つ以上の水準を持つ分割実験計画を使用できますか?

はい。3水準の分割実験計画(例:3^(k-p)設計)が存在し、曲率が疑われる場合に使用される。しかし、それらは2水準設計よりも実質的に多くの試行を必要とする。初期スクリーニングでは、2水準の分割実験計画がほぼ常に使用される。3水準または混合水準設計は、最適化フェーズでより一般的である。

関連する手法

参考文献

  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
    コピーしました。
  2. Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.

    DOI 文献を開く
    コピーしました。