フルファクトリアル実験 — 完全実施要因実験計画
- 提唱者
- Ronald A. Fisher
- 年
- 1926 (Fisher's foundational paper); codified by the 1950s–1960s
- 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?
フルファクトリアル実験は、選択された全ての要因水準の可能な全ての組み合わせを実行するもので、複数の独立変数間における主効果、二元交互作用、および高次の交互作用を同時に推定するためのゴールドスタンダードである。1920年代のロナルド・フィッシャーによる要因計画に関する基礎的研究を通じて導入され、Box、Hunter、Montgomeryによって体系化されたこの手法は、要因が個々に、また組み合わせて結果にどのように作用するかについての完全な情報を提供する。
手法の背後にある直感
例えば、作物の収量に対して2種類の肥料(A、B)と3種類の水やりスケジュール(毎日、毎週、毎月)をテストしていると仮定する。フルファクトリアル計画とは、各要因を単独で考慮するだけでなく、2 × 3 = 6通りの全ての組み合わせで栽培することを意味する。これは、肥料の効果が水やりの頻度に依存する可能性があり、これは単一要因ずつ検討する研究では完全に捉えられない交互作用であるため、強力である。フルファクトリアルは、一方の要因の各水準が他の全ての要因の水準と組み合わされることを保証することで、全ての交互作用を捉え、要因空間全体のバランスの取れた、混同のない見方を提供する。
歴史学
ロナルド・フィッシャーは、1926年の画期的な論文で要因実験の概念を導入し、『実験計画法』(1935年)でそれを完全に発展させ、複数の要因を同時に研究することは、単一要因ずつ検討するアプローチよりも効率的であると主張した。フランク・イェーツは、1930年代に要因効果の表記法と計算を形式化した。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年の画期的な教科書(2005年改訂)で、要因計画の実用的な応用を産業および科学の設定のために体系化した。ダグラス・モンゴメリーの広く採用されている教科書(初版1976年)は、それ以来、フルファクトリアル計画を工学および応用科学のカリキュラムの中心にしてきた。
使うべき場面
要因数が少なく(通常、2水準計画でk ≤ 4または5)、全ての主効果と交互作用を曖昧さなく推定する必要がある場合に、フルファクトリアル実験を使用する。交互作用が予想される場合、またはその存在が科学的に重要である場合、資源が全ての組み合わせの実行を可能にし、結果が管理された条件下で測定可能である場合に、適切な選択である。kが大きい場合(例えば2水準でk ≥ 6)、必要な64回以上の実行は非現実的になるため、フルファクトリアル計画を使用しないこと。代わりに、一部実施要因計画または応答曲面計画を優先する。また、実行コストまたは材料制限が N = 2^k(または3^k)を法外なものにする場合、または主効果のみに関心があり、交互作用がないと強く理論的に仮定する理由がある場合にも、それを使用しないこと。
限界と注意点
- 要因数とともに実行回数が指数関数的に増加する:5要因で2^5 = 32回、6要因で64回 — すぐに非現実的になる。
- 高次の交互作用(3元以上)は推定可能であるが、実際には解釈が困難または科学的に意味のあるものが少なく、多くの実行が情報的に冗長になる。
- 要因が指定された水準で正確に設定できると仮定する。要因制御は、実験室ではフィールドや組織の設定よりも容易であることが多い。
- 繰り返しは資源集約的である。繰り返しがない場合、誤差推定は、無視できる高次交互作用(ゼロと仮定される)のプールされた平方和に依存するが、これはリスクのある仮定である。たとえ1回の完全な繰り返し(全ての実行を倍増)があっても、純粋な誤差の真の推定値、よりタイトな信頼区間、およびより信頼性の高い有意性検定が得られる。
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
- エイリアシングや混同なしに、全ての主効果と全ての交互作用を推定する — 管理された実験から可能な限り完全な像を提供する。
- 直交計画:全ての効果推定値は統計的に独立しており、解釈が容易である。
- 繰り返し実行が行われた場合、純粋な誤差推定値を提供し、分散分析(ANOVA)による厳密な仮説検定を可能にする。
- 柔軟な構造:連続的、カテゴリカル、または混合要因タイプに対応し、無視できない変数(nuisance variables)の制御のためにブロックを組み込むことができる。
- 自然にスケールする:中心点実行を含む2^k計画は、曲率検出のために応答曲面計画(中心複合計画またはBox-Behnken計画)に拡張できる。
応用
- 医薬品製剤:薬物濃度、賦形剤の種類、温度の同時最適化による溶解速度の最大化。
- 農業科学:肥料、灌漑レベル、植栽密度の組み合わせを作物収量にテストする。
- 製造プロセス改善:機械速度、温度、材料グレードが製品の引張強度にどのように共同で影響するかを特定する。
- 行動および教育実験:学習成果に影響を与える教授法、クラスサイズ、評価タイプの相互作用を調べる。
- 臨床および健康研究:行動介入コンポーネントの組み合わせを評価し、どの組み合わせが治療効果を促進するかを特定する。
- ソフトウェア工学:アルゴリズムタイプ、データセットサイズ、ハードウェア構成が計算パフォーマンスに与える影響をテストする。
使い方
使い方
k個の実験要因を特定し、それぞれの水準を指定する。2水準計画(各要因を低/高)は2^kと表記され、3水準計画は3^kと表記される。要因水準は、実際的または科学的な関心の範囲をカバーするように選択されるべきである。処方組み合わせの総数は、全ての水準数を掛け合わせた積となる。
実験実行回数の総数は N = 全て水準数の積(例:3つの2水準要因の場合、2^3 = 8回)である。これは要因数とともに指数関数的に増加するため、フルファクトリアル計画はkが小さい場合(通常、2水準要因ではk ≤ 5)に最も現実的である。デザイン行列は、全ての組み合わせをリストアップして構築され、各組み合わせの繰り返しは誤差推定を強化する。
数式
N = \prod_{i=1}^{k} l_i実験単位は、各処方組み合わせにランダムに割り付けられるか、または実行順序が完全にランダム化される。ランダム化は、時間的傾向、疲労、または装置のドリフトによる系統的なバイアスから保護する。もし、バッチ、オペレーター、日などの、無視できない変数(nuisance variables)が既知であれば、要因推定値の混同なしにその分散を分離するために、ブロックが追加される。
応答変数は、要因水準の割り当てられた組み合わせの下で、各実験実行に対して測定される。データは、実行順序、要因設定、および観測された結果との関連性を維持しながら、体系的に記録される。資源が許す限り、各セル(処方組み合わせ)に対する複数の繰り返しが推奨される。なぜなら、それらは実験誤差の純粋な推定値を提供するからである。
主効果および全ての交互作用効果は、最小二乗法(または分散分析ANOVA)を用いて推定される。2^k計画では、各効果の推定値はセル平均の線形コントラストに等しく、Xがコード化された要因設定のモデル行列である場合、式 beta-hat = (X'X)^{-1} X'y が適用される。全ての組み合わせがテストされるため、全ての効果は直交しており、エイリアシングなしで推定可能である。
数式
\hat{\beta} = (X^\top X)^{-1} X^\top y分散分析表は、全変動を主効果、二元交互作用、三元交互作用などに分割する。有意な交互作用は、交互作用プロットを用いて解釈される。平行線は交互作用がないことを示し、交差または分岐する線は、一方の要因の効果が他方の要因の水準によって変化することを示す。高次の交互作用(3元以上)は実際には稀であるが、フルファクトリアル計画では推定および検定が可能である。
よくある落とし穴
- 計画を選択する際に交互作用を無視すること:交互作用がないと予想される場合、フルファクトリアルは実行回数を浪費する。しかし、交互作用が存在し、単一要因ずつ検討するアプローチを使用した場合は、それらを完全に逃してしまう。
- 正当化なく過剰な水準を使用すること:5要因の3^k計画は3^5 = 243回の実行を必要とする。曲率が特に仮定されない限り、通常は2水準計画で十分であり、はるかに効率的である。
- フルファクトリアルと一部実施要因計画を混同すること:一部実施要因計画は、意図的に特定の組み合わせを省略し、一部の交互作用をエイリアシングする。全ての交互作用を推定する必要がある場合、フルファクトリアルのみがこれを保証する。
- 実行順序をランダム化しないこと:系統的な傾向(装置のウォームアップ、オペレーターの学習、試薬の劣化)は、実行が固定された非ランダムな順序で実行された場合、効果推定値を誇張または過小評価する。
- 交互作用が有意な場合に主効果を孤立して分析すること:統計的に有意な交互作用は、主効果の結論が調節要因の水準に依存することを意味し、条件付きで解釈する必要がある。
よくある質問
フルファクトリアル計画と一部実施要因計画の違いは何ですか?
フルファクトリアルは要因水準の可能な全ての組み合わせを実行し、全ての主効果と交互作用をエイリアシングなしで推定する。一部実施要因計画は、それらの組み合わせのごく一部を注意深く選択して実行し、実行回数を減らすために意図的に特定の高次交互作用をエイリアシングする。交互作用が重要で資源が許す場合はフルファクトリアルを使用し、kが大きい場合で特定の高次交互作用が無視できると仮定できる場合は一部実施要因計画を使用する。
各要因にいくつの水準を使用するかどうやって選びますか?
2つの水準(低と高)は、要因範囲全体でほぼ線形の応答を期待し、主に効果の方向と大きさに興味がある場合に十分である。3つの水準は、曲率(非線形応答)を疑う場合に必要であるが、要因ごとに実行回数が3倍になる。実用的な戦略は、曲率のスクリーニングのために中心点実行を追加した2^k計画から始め、3^k計画にコミットする前に曲率を検出することである。
各処方組み合わせを繰り返し実行する必要がありますか?
繰り返しは強く推奨される。繰り返しがない場合、誤差推定の唯一の情報源は、無視できる高次交互作用(ゼロと仮定される)からのプールされた平方和であるが、これはリスクのある仮定である。たとえ1回の完全な繰り返し(全ての実行を倍増)があっても、純粋な誤差の真の推定値、よりタイトな信頼区間、およびより信頼性の高い有意性検定が得られる。
フルファクトリアル実験の分析にはどの統計的検定を使用しますか?
標準的な分析は、要因分散分析(またはその回帰モデル相当)であり、全変動を各主効果および各交互作用項に帰属する成分に分割する。効果の有意性はF検定によって判断される。結果が正規分布しないか順序尺度である場合は、代わりにノンパラメトリック代替法または一般化線形モデルが使用される。
どの時点で応答曲面計画に切り替えるべきですか?
2^kフルファクトリアル(中心点を含む場合がある)が応答における統計的に有意な曲率を明らかにした場合、線形要因モデルは不十分であり、応答曲面計画 — 例えば中心複合計画またはBox-Behnken計画 — を使用すべきである。応答曲面計画は、二次項を推定し、応答曲面の完全な曲率をマッピングするために軸点(スターポイント)を追加する。
関連する手法
参考文献
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。Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN:978-1119492443コピーしました。