Ułamkowy eksperyment czynnikowy — Ułamkowy czynnikowy plan eksperymentu
- Autor metody
- D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
- Rok
- 1945 (Finney); broader development 1950s–1970s by Box, Hunter
- Typ
- Quantitative experimental design
- Rodzina
- Experimental design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Ułamkowy eksperyment czynnikowy to oszczędny pod względem zasobów plan eksperymentu, który testuje jedynie starannie wybraną frakcję wszystkich możliwych kombinacji poziomów czynników.
Wykorzystując zasadę, że interakcje wysokiego rzędu są zazwyczaj pomijalne, identyfikuje on główne efekty i interakcje niskiego rzędu dla k czynników, używając znacznie mniejszej liczby przebiegów niż pełny plan czynnikowy — co czyni go podstawowym narzędziem w przemysłowych i inżynieryjnych eksperymentach przesiewowych.
Intuicja stojąca za metodą
Załóżmy, że chcesz zbadać 7 czynników, każdy na dwóch poziomach. Pełny plan czynnikowy wymagałby 128 przebiegów — co jest niepraktyczne i kosztowne. Ułamkowy plan czynnikowy wykorzystuje strategicznie wybraną połowę (lub ćwierć) tych kombinacji: 64 lub 32 przebiegi. Sztuczka polega na tym, że każdy pominięty przebieg odpowiada interakcji wysokiego rzędu, która w praktyce jest prawie na pewno zerowa. Wymieniasz zdolność do oszacowania tych mało prawdopodobnych interakcji na dramatyczne zmniejszenie kosztów eksperymentalnych, jednocześnie nadal wychwytując efekty, które mają największe znaczenie. Kluczem jest dokładne poznanie, które efekty są ze sobą splątane (aliased), aby móc poprawnie interpretować wyniki.
Historia
Ułamkowe plany czynnikowe wyrosły z fundamentalnych prac Ronalda Fishera nad eksperymentami czynnikowymi w Rothamsted Experimental Station w latach 20. i 30. XX wieku. D. J. Finney formalnie wprowadził ułamkową replikację w artykule z 1945 roku w Annals of Eugenics, pokazując, że starannie wybrany podzbiór przebiegów może oszacować główne efekty, poświęcając jedynie interakcje wysokiego rzędu. George Box, J. Stuart Hunter i William Hunter spopularyzowali i usystematyzowali metodologię eksperymentów przemysłowych poprzez swoją wpływową serię podręczników, począwszy od 1978 roku, ustanawiając rozdzielczość i splątanie jako kluczowe koncepcje, którymi posługują się dziś praktycy. Plany te pozostają kamieniem węgielnym Six Sigma, szkoleń z zakresu planowania eksperymentów (DOE) i inżynierii jakości na całym świecie.
Kiedy stosować
Użyj ułamkowego planu czynnikowego, gdy masz wiele czynników (zazwyczaj pięć lub więcej) do przesiewania i nie możesz sobie pozwolić na pełny plan czynnikowy, gdy zasoby (czas, materiał, koszt) są ograniczone i gdy interakcje wysokiego rzędu są uważane za pomijalne — co jest rozsądnym założeniem w większości fizycznych, chemicznych i inżynieryjnych ustawień. Jest to standardowy pierwszy krok w sekwencyjnej strategii eksperymentowania (przesiewanie → optymalizacja). NIE używaj go, gdy musisz oszacować wszystkie interakcje wysokiego rzędu (zamiast tego użyj pełnego planu czynnikowego), gdy masz mniej niż cztery lub pięć czynników (pełny plan czynnikowy jest przystępny cenowo), gdy splątanie interakcji dwuczynnikowych jest nieakceptowalne bez dodatkowych przebiegów, lub gdy powierzchnia odpowiedzi musi być szczegółowo scharakteryzowana (zamiast tego użyj metodologii powierzchni odpowiedzi).
Ograniczenia i uwagi
- Splątanie oznacza, że niektóre efekty nie mogą być niezależnie oszacowane w ramach pojedynczej frakcji; rozplątanie aliasów wymaga dodatkowych przebiegów.
- Założenie, że interakcje wysokiego rzędu są pomijalne, może nie być prawdziwe w systemach biologicznych, społecznych lub złożonych.
- Wymaga znajomości statystyki, aby poprawnie określić generatory, sprawdzić rozdzielczość i interpretować wzór aliasów.
- Przy bardzo małej liczbie przebiegów (np. 8-przebiegowy plan Rozdzielczości III dla 7 czynników) istnieje niewielka moc do wykrycia innych niż duże efekty.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Dramatycznie zmniejsza liczbę przebiegów eksperymentalnych w porównaniu do pełnego planu czynnikowego, oszczędzając czas i zasoby.
- Systematyczna struktura aliasów oznacza, że badacz zawsze dokładnie wie, które efekty są splątane — nie ma ukrytych niejasności.
- Sekwencyjne i łączalne: frakcje mogą być odwracane (folded over) lub łączone z nowymi frakcjami w celu rozplątania ważnych efektów w drugim etapie.
- Szeroko wspierane w oprogramowaniu statystycznym (R, SAS, JMP, Minitab) i obszernie udokumentowane w literaturze.
- Ortogonalna struktura planu sprawia, że estymacja parametrów jest prosta i statystycznie efektywna.
Zastosowania
- Przesiewanie dziesiątek zmiennych procesowych w produkcji chemicznej lub farmaceutycznej w celu zidentyfikowania kilku, które najbardziej wpływają na wydajność lub czystość.
- Optymalizacja zabiegów rolniczych — kombinacji nawozów, nawadniania, pestycydów — w ciągu sezonu wegetacyjnego przy ograniczonej liczbie działek.
- Badania projektowe produktów inżynieryjnych, w których materiał, geometria i parametry procesu muszą być zbadane w ramach ustalonego budżetu na prototypy.
- Eksperymenty z oprogramowaniem i w sieci (flagi funkcji, elementy interfejsu użytkownika), gdy wykonanie pełnego planu czynnikowego dla wielu funkcji jednocześnie jest niewykonalne.
- Rozwój metod chemii analitycznej — identyfikacja, które stężenia reagentów, temperatury i ustawienia instrumentów wpływają na wydajność analizy.
- Projekty poprawy jakości w produkcji z wykorzystaniem ram DMAIC lub Six Sigma.
Jak to działa
Jak to działa
Zidentyfikuj wszystkie k czynników do zbadania i ustal ich poziomy (zazwyczaj dwa poziomy — niski i wysoki — kodowane jako -1 i +1). Wyjaśnij zmienną(-e) odpowiedzi, które mają być mierzone. Przy więcej niż pięciu lub sześciu czynnikach zazwyczaj uzasadniony jest plan ułamkowy; przy mniej niż czterech, pełny plan czynnikowy jest zazwyczaj wykonalny.
Wybierz frakcję 2^(k-p), gdzie p określa, ile kolumn czynników jest generowanych przez pomnożenie istniejących kolumn. Połowa frakcji (p=1) wykorzystuje 2^(k-1) przebiegów; ćwierć frakcji (p=2) wykorzystuje 2^(k-2) przebiegów. Rozdzielczość planu (III, IV, V) określa, które efekty są splątane: Rozdzielczość III splątuje główne efekty z interakcjami dwuczynnikowymi; Rozdzielczość IV splątuje interakcje dwuczynnikowe ze sobą; Rozdzielczość V lub wyższa utrzymuje główne efekty i interakcje dwuczynnikowe wolne od wzajemnego splątania.
Wzór
2^{k-p}Zbuduj macierz planu, najpierw tworząc pełny plan czynnikowy dla bazowych k-p czynników, a następnie tworząc dodatkowe p kolumn poprzez pomnożenie istniejących kolumn zgodnie z wybranym generatorem(-ami). Zweryfikuj strukturę splątania (wzór aliasów), aby potwierdzić, że jest ona akceptowalna dla pytania badawczego.
Wykonaj przebiegi eksperymentalne w losowej kolejności, aby chronić się przed systematycznymi błędami związanymi z czasem. Zastosuj blokowanie, jeśli występuje czynnik zakłócający, taki jak partia, dzień lub operator. Zarejestruj zmierzoną odpowiedź dla każdego przebiegu, włączając wszelkie powtórzone lub centralne przebiegi włączone w celu oszacowania czystego błędu.
Oszacuj główne efekty i efekty interakcji za pomocą metody najmniejszych kwadratów lub algorytmu Yatesa. Oblicz wielkości efektów i ich błędy standardowe. Użyj wykresu prawdopodobieństwa normalnego efektów, wykresu półnormalnego lub metody Lentha, aby odróżnić aktywne (rzeczywiste) efekty od szumu, zwłaszcza gdy nie ma powtórzonych przebiegów, aby uzyskać bezpośrednie oszacowanie błędu.
Interpretuj każdy oszacowany efekt w świetle struktury aliasów: istotne oszacowanie może odzwierciedlać nazwany efekt, jego alias lub oba. Wykorzystaj wiedzę dziedzinową, dodatkowe przebiegi potwierdzające lub plan fold-over, aby rozplątać efekty, których nie można rozstrzygnąć z bieżącej frakcji. Przejrzyście przedstaw rozdzielczość i wzór aliasów, aby czytelnicy mogli ocenić, co było, a co nie było możliwe do oszacowania.
Częste pułapki
- Wybór zbyt niskiej rozdzielczości (np. Rozdzielczość III), gdy interakcje dwuczynnikowe są prawdopodobne — oszacowania głównych efektów są wtedy obciążone przez te interakcje, a wyniki mogą być poważnie mylące.
- Ignorowanie randomizacji: wykonanie planu w standardowej kolejności wprowadza splątanie z trendami czasowymi, do których struktura aliasów nie była zaprojektowana.
- Niepowodzenie w zgłoszeniu wzoru aliasów w opisie, co uniemożliwia czytelnikom (lub recenzentom) ocenę, które efekty są możliwe do oszacowania.
- Traktowanie wyniku przesiewowego jako ostatecznego bez przebiegu potwierdzającego lub fazy optymalizacji — ułamkowe plany czynnikowe są z natury pierwszym krokiem, a nie ostatnim słowem.
Najczęściej zadawane pytania
Co oznacza „rozdzielczość” w ułamkowym planie czynnikowym?
Rozdzielczość opisuje, które efekty są splątane (aliased) z którymi. Rozdzielczość III: główne efekty są splątane z interakcjami dwuczynnikowymi — używać tylko wtedy, gdy interakcje dwuczynnikowe są znane jako pomijalne. Rozdzielczość IV: główne efekty są wolne od interakcji dwuczynnikowych, ale interakcje dwuczynnikowe są splątane ze sobą. Rozdzielczość V lub wyższa: zarówno główne efekty, jak i interakcje dwuczynnikowe są niezależnie możliwe do oszacowania — preferowane, gdy interakcje dwuczynnikowe są prawdopodobne.
Jak wybrać między połową frakcji a ćwiercią frakcji?
Połowa frakcji (2^(k-1)) zachowuje wyższą rozdzielczość, ale tylko o połowę zmniejsza liczbę przebiegów. Ćwierć frakcji (2^(k-2)) jest mniejsza, ale zazwyczaj ma niższą rozdzielczość, zwiększając problem splątania. Jeśli masz siedem lub więcej czynników, a zasoby są bardzo ograniczone, zacznij od ćwierci frakcji o Rozdzielczości IV; jeśli masz od czterech do sześciu czynników, połowa frakcji o Rozdzielczości IV lub V jest zazwyczaj osiągalna i preferowana.
Czym różni się ułamkowy plan czynnikowy od planu Plackett-Burmana?
Oba są planami przesiewowymi dla wielu czynników w niewielu przebiegach, ale wykorzystują różne zasady konstrukcji. Ułamkowe plany czynnikowe (2^(k-p)) są oparte na pełnych planach czynnikowych dwupoziomowych i mają jasną, interpretowalną strukturę aliasów. Plany Plackett-Burmana wykorzystują macierze Hadamarda; są bardziej elastyczne pod względem liczby przebiegów (dowolna wielokrotność 4), ale mają bardziej złożoną, niehierarchiczną strukturę aliasów, co utrudnia interpretację interakcji dwuczynnikowych.
Co powinienem zrobić po tym, jak ułamkowy plan czynnikowy zidentyfikuje aktywne czynniki?
Ułamkowy plan czynnikowy jest planem przesiewowym, a nie planem optymalizacyjnym. Po zidentyfikowaniu aktywnych czynników przejdź do fazy uzupełniającej: odwróć oryginalną frakcję, aby rozplątać splątane efekty, a następnie użyj metody powierzchni odpowiedzi (planu centralnego kompozytowego lub Boxa-Behnkena) lub nowego pełnego planu czynnikowego tylko dla aktywnych czynników, aby scharakteryzować i zoptymalizować odpowiedź.
Czy mogę użyć ułamkowego planu czynnikowego z więcej niż dwoma poziomami na czynnik?
Tak. Istnieją trójpoziomowe ułamkowe plany czynnikowe (np. plany 3^(k-p)) i są używane, gdy podejrzewa się krzywiznę. Wymagają one jednak znacznie więcej przebiegów niż plany dwupoziomowe. Do wstępnego przesiewania prawie zawsze używa się dwupoziomowych ułamkowych planów czynnikowych; plany trójpoziomowe lub mieszane są częściej spotykane w fazie optymalizacji.
Pokrewne metody
Źródła
Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.
ISBN: 978-0471718130Skopiowano.Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.
Otwórz odnośnik DOISkopiowano.