Zablokowany pełny eksperyment czynnikowy
- Autor metody
- R. A. Fisher (blocking principle); full factorial DOE tradition
- Rok
- 1935 (Fisher); systematized through 20th-century DOE literature
- Typ
- Experimental design
- Rodzina
- Experimental design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Zablokowany pełny eksperyment czynnikowy testuje wszystkie kombinacje wszystkich poziomów czynników, grupując przebiegi eksperymentalne w jednorodne bloki w celu wyizolowania znanego zmiennego zakłócającego.
Taki projekt zachowuje moc wykrywania wszystkich efektów głównych i interakcji badanych czynników, jednocześnie zapobiegając inflacji błędu eksperymentalnego przez zmienność między seriami, między dniami lub między maszynami.
Intuicja stojąca za metodą
Wyobraźmy sobie testowanie trzech typów nawozów w dwóch dawkach na czterech różnych polach. Pola różnią się jakością gleby, której nie można kontrolować, ale można ją uwzględnić. Zablokowany pełny projekt czynnikowy przeprowadza wszystkie sześć kombinacji nawóz-dawka w każdym polu (bloku), dzięki czemu różnice między polami są oddzielone od efektów traktowania. W obrębie każdego bloku przebiegi są randomizowane. Wynik: widzimy pełny obraz tego, jak typ nawozu i dawka oddziałują na siebie, bez rozmycia tego obrazu przez niejednorodność gleby. Blokowanie zapewnia precyzję; pełne pokrycie czynnikowe zapewnia kompletność.
Historia
Blokowanie jako metoda kontroli zmienności zakłócającej zostało sformalizowane przez R. A. Fishera w Rothamsted Experimental Station i opisane w The Design of Experiments (1935), motywowane próbami polowymi w rolnictwie. Zasada pełnego czynnika została opracowana równolegle z analizą wariancji w tym samym okresie. Integracja blokowania z pełną strukturą czynnikową stała się standardową praktyką DOE dzięki wpływowej pracy Boxa, Huntera i Huntera w Statistics for Experimenters (1978) oraz Design and Analysis of Experiments Douglasa Montgomery'ego, opublikowanej po raz pierwszy w 1976 roku i obecnie w dziewiątym wydaniu.
Kiedy stosować
Użyj zablokowanego pełnego eksperymentu czynnikowego, gdy potrzebujesz oszacować wszystkie efekty główne i każdą interakcję między zarządzalnym zestawem czynników ORAZ gdy znana zmienna zakłócająca (partia, dzień, operator, jednostka sprzętu) grozi zwiększeniem błędu, jeśli zostanie zignorowana. Jest to odpowiednie, gdy liczba czynników jest na tyle mała (zazwyczaj k = 2-4 czynniki na 2-3 poziomach), że przeprowadzenie wszystkich kombinacji jest wykonalne, a zakłócenie można pogrupować w dyskretne, jednorodne bloki. NIE używaj go, gdy całkowita wymagana liczba przebiegów przekracza praktyczną pojemność — zamiast tego preferuj ułamkowy projekt czynnikowy lub projekt powierzchni odpowiedzi. NIE blokuj, gdy nie można zidentyfikować znaczącej zmiennej zakłócającej, ponieważ niepotrzebne blokowanie marnuje stopnie swobody.
Ograniczenia i uwagi
- Liczba przebiegów równa się (liczba bloków) razy (wszystkie kombinacje czynników i poziomów), co staje się bardzo duże dla więcej niż trzech lub czterech czynników lub trzech poziomów.
- Wymaga znanego, możliwego do pogrupowania zmiennego zakłócającego; jeśli taka zmienna nie istnieje, blokowanie nie przynosi korzyści i marnuje stopnie swobody.
- Zakłada, że interakcje blok-traktowanie są nieistotne; jeśli traktowania reagują różnie w blokach, model addytywny jest błędnie określony.
- Nie dotyczy, gdy rozmiar bloku nie może pomieścić jednego kompletnego powtórzenia wszystkich kombinacji traktowania — zamiast tego potrzebny jest projekt niekompletnego bloku.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Zapewnia niezmącone oszacowania wszystkich efektów głównych i każdej interakcji między badanymi czynnikami.
- Blokowanie usuwa znane źródło zakłóceń, zmniejszając błąd eksperymentalny i zwiększając moc statystyczną bez konieczności dodatkowych powtórzeń traktowania.
- Dostarcza najbardziej kompletnych informacji o efektach czynników w wybranym zestawie czynników — brak aliasingu efektów głównych lub interakcji.
- Wyniki są bezpośrednio interpretowalne za pomocą standardowych tabel ANOVA i wykresów interakcji po wyodrębnieniu efektów bloków.
- Obsługiwane przez standardowe oprogramowanie statystyczne (R, SAS, Minitab, JMP) z ugruntowanymi procedurami analizy.
Zastosowania
- Inżynieria produkcji i procesów: badanie wpływu temperatury, ciśnienia i stężenia katalizatora na wydajność produktu w różnych partiach produkcyjnych jako blokach.
- Badania rolnicze: ocena wszystkich kombinacji poziomu nawadniania i typu nawozu na polach o zróżnicowanych charakterystykach gleby używanych jako bloki.
- Rozwój farmaceutyczny: testowanie czynników formulacji, takich jak pH i typ substancji pomocniczej, z dniem produkcji lub analitykiem laboratoryjnym jako zmienną blokującą.
- Nauka o żywności: ocena efektów kombinacji składników na profile smakowe w różnych sesjach panelu sensorycznego służących jako bloki.
- Badania behawioralne i edukacyjne: badanie kombinacji metod nauczania w różnych kohortach szkolnych lub okresach czasu, blokując na kohortę.
- Poprawa jakości: identyfikacja, które ustawienia maszyny kontrolują wskaźniki wad, gdy eksperymenty muszą być rozłożone na wiele zmian roboczych lub operatorów.
Jak to działa
Jak to działa
Zidentyfikuj wszystkie czynniki eksperymentalne i ich poziomy. W pełnym projekcie czynnikowym uwzględniana jest każda kombinacja czynnika i poziomu: dla k czynników, każdy na dwóch poziomach, daje to 2^k kombinacji traktowania. Przy większej liczbie poziomów lub czynników liczba przebiegów szybko rośnie, dlatego przed podjęciem decyzji o pełnej strukturze czynnikowej należy potwierdzić wykonalność zasobów.
Zidentyfikuj jedno lub więcej źródeł zakłóceń — serie czasowe, operatorzy, maszyny, dni lub partie surowców — które wprowadzają systematyczne, ale niekontrolowane zmienności. Stają się one zmienną blokującą. Każdy blok powinien być wewnętrznie jednorodny, a liczba przebiegów na blok musi pomieścić jeden kompletny powtórzenie wszystkich kombinacji traktowania.
W obrębie każdego bloku losowo przypisz pełny zestaw kombinacji traktowania do jednostek eksperymentalnych. Randomizacja w obrębie bloków chroni przed nieznanymi trendami wewnątrz bloku; samo blokowanie usuwa znane różnice między blokami. Jeśli rozmiar bloku nie może pomieścić wszystkich kombinacji traktowania, potrzebne jest rozszerzenie o niekompletny blok.
Przeprowadź eksperyment ściśle zgodnie z zablokowanym planem randomizacji. Zapisz wszystkie odpowiedzi zgodnie z planem i udokumentuj wszelkie odchylenia, zmiany sprzętu lub anomalie środowiskowe. Utrzymanie wierności protokołu w obrębie każdego bloku jest kluczowe dla zachowania zamierzonego rozdzielenia efektów traktowania i bloków.
Dopasuj model liniowy, który zawiera czynnik blokujący jako składnik addytywny obok wszystkich głównych efektów czynnikowych i interakcji: Y = mu + blok + A + B + AB + ... + błąd. Składnik blokowy pochłania wariancję między blokami, zmniejszając błąd resztkowy i zwiększając precyzję oszacowań efektów czynnikowych. Następnie tabele ANOVA są badane pod kątem istotnych efektów głównych i interakcji.
Raportuj oszacowane efekty czynnikowe i wykresy interakcji z usuniętymi efektami blokowania. Oceń praktyczne i statystyczne znaczenie efektów głównych i interakcji. Zweryfikuj założenia modelu — normalność reszt i stałą wariancję w obrębie bloków. Przejrzyście raportuj strukturę bloków, aby czytelnicy zrozumieli, jakie zakłócenie zostało skontrolowane.
Częste pułapki
- Pominięcie składnika blokowego z modelu analitycznego: analiza zablokowanego projektu jako całkowicie losowego powoduje utratę redukcji wariancji osiągniętej przez blokowanie i zwiększa błąd, zmniejszając moc.
- Traktowanie zmiennej blokującej jako czynnika naukowego zainteresowania: bloki są kontrolami zakłóceń, a nie czynnikami traktowania; błędna klasyfikacja zniekształca cele badania i alokację stopni swobody.
- Nierandomizowanie przebiegów w obrębie bloków: bez randomizacji w obrębie bloków, trendy czasowe lub efekty uczenia się operatora zanieczyszczają porównania traktowania.
- Niedopasowanie rozmiaru bloku: jeśli każdy blok nie może pomieścić jednego pełnego powtórzenia wszystkich kombinacji traktowania, standardowe założenia analizy załamują się — zamiast tego użyj zrównoważonego projektu niekompletnego bloku.
- Proces mnożenia czynników: dodawanie większej liczby czynników szybko mnoży wymagane przebiegi; dla więcej niż czterech lub pięciu czynników ułamkowy projekt czynnikowy lub projekt przesiewowy jest prawie zawsze praktycznym wyborem.
Najczęściej zadawane pytania
Jaka jest różnica między zablokowanym pełnym projektem czynnikowym a zrandomizowanym kompletnym projektem blokowym (RCBD)?
RCBD zazwyczaj testuje pojedynczy zestaw traktowań (jeden czynnik) w każdym bloku. Zablokowany pełny projekt czynnikowy testuje wszystkie kombinacje dwóch lub więcej czynników w każdym bloku, umożliwiając oszacowanie interakcji. RCBD jest szczególnym przypadkiem jednoczynnikowym; zablokowany pełny projekt czynnikowy generalizuje go do wielu czynników z pełnym oszacowaniem interakcji.
Czy mogę mieć więcej niż jedną zmienną blokującą?
Tak. Projekty z dwiema zmiennymi blokującymi (np. wiersze i kolumny) nazywane są rozszerzeniami wierszowo-kolumnowymi lub kwadratami łacińskimi. Jednak dodanie czynników blokujących dalej ogranicza przypisanie, a założenie o braku interakcji blok-przez-blok-przez-traktowanie staje się bardziej wymagające. Skonsultuj się ze specjalistą DOE podczas korzystania z wielu zmiennych blokujących.
Co się stanie, jeśli mój rozmiar bloku jest mniejszy niż liczba kombinacji traktowania?
Standardowa analiza zablokowanego pełnego projektu czynnikowego wymaga, aby każdy blok zawierał dokładnie jedno kompletne powtórzenie wszystkich kombinacji traktowania. Jeśli bloki są mniejsze, potrzebny jest projekt niekompletnego bloku — taki jak zrównoważony projekt niekompletnego bloku (BIBD) — gdzie nie każde traktowanie pojawia się w każdym bloku, ale ogólna równowaga jest zachowana.
Czy powinienem uwzględnić interakcję blok-traktowanie w moim modelu?
Domyślnie nie. Standardowe założenie jest takie, że efekty bloków są czysto addytywne. Uwzględnienie interakcji blok-traktowanie zużywa stopnie swobody i jest zazwyczaj nieuzasadnione. Jeśli rzeczywiście podejrzewasz takie interakcje, rozważ model efektów mieszanych, traktując bloki jako losowe, a nie stałe.
Mam pięć lub więcej czynników — czy nadal powinienem używać pełnego projektu czynnikowego z blokowaniem?
Prawie na pewno nie. Pełny projekt czynnikowy 2^5 wymaga 32 przebiegów na blok, pomnożonych przez liczbę bloków. Jest to zazwyczaj zaporowo drogie. Ułamkowy projekt czynnikowy lub projekt przesiewowy Placketta-Burmana, a następnie ukierunkowany pełny projekt czynnikowy na kluczowe czynniki, jest znacznie bardziej praktyczną strategią.
Pokrewne metody
Źródła
Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119113478Skopiowano.Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Otwórz odnośnik do publikacjiSkopiowano.