Przejdź do treści
Wróć do wyników wyszukiwania

Eksperyment pełnoskładnikowy — Kompletny projekt eksperymentalny czynnikowy

Autor metody
Ronald A. Fisher
Rok
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Typ
Experimental design
Rodzina
Experimental design

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Eksperyment pełnoskładnikowy obejmuje wszystkie możliwe kombinacje wszystkich wybranych poziomów czynników, co czyni go złotym standardem w jednoczesnym szacowaniu efektów głównych, interakcji dwuczynnikowych oraz interakcji wyższych rzędów między wieloma zmiennymi niezależnymi.

Wprowadzony dzięki fundamentalnej pracy Ronalda Fishera nad projektami czynnikowymi w latach dwudziestych XX wieku i usystematyzowany przez Boxa, Huntera i Montgomery'ego, dostarcza kompletnych informacji o tym, jak czynniki działają indywidualnie i w połączeniu na wynik.

Intuicja stojąca za metodą

Załóżmy, że testujesz dwa typy nawozów (A, B) i trzy harmonogramy nawadniania (codziennie, co tydzień, co miesiąc) pod kątem plonów. Pełnoskładnikowy projekt oznacza, że uprawiasz rośliny we wszystkich 2 × 3 = 6 kombinacjach, a nie tylko każdy czynnik w izolacji. Jest to potężne, ponieważ efekt nawozu może zależeć od częstotliwości nawadniania — interakcja, którą badania typu „jeden czynnik na raz” całkowicie pomijają. Pełnoskładnikowy projekt wychwytuje każdą interakcję, zapewniając, że każdy poziom jednego czynnika pojawia się z każdym poziomem każdego innego czynnika, dając zrównoważony, niezmącony obraz całej przestrzeni czynnikowej.

Historia

Ronald Fisher wprowadził koncepcję eksperymentacji czynnikowej w swoim przełomowym artykule z 1926 roku i w pełni rozwinął ją w książce The Design of Experiments (1935), argumentując, że jednoczesne badanie wielu czynników jest bardziej wydajne niż podejścia „jeden na raz”. Frank Yates sformalizował notację i obliczenia efektów czynnikowych w latach trzydziestych XX wieku. George Box, J. Stuart Hunter i William Hunter usystematyzowali praktyczne zastosowanie projektów czynnikowych w ustawieniach przemysłowych i naukowych w swoim fundamentalnym podręczniku z 1978 roku (zaktualizowanym w 2005 roku). Szeroko stosowany podręcznik Douglasa Montgomery'ego (pierwsze wydanie 1976) od tego czasu uczynił pełnoskładnikowy projekt centralnym elementem programów nauczania inżynierii i nauk stosowanych na całym świecie.

Kiedy stosować

Użyj pełnoskładnikowego eksperymentu, gdy masz małą liczbę czynników (zazwyczaj k ≤ 4 lub 5 dla projektów dwupoziomowych) i potrzebujesz oszacować wszystkie efekty główne i interakcje bez niejednoznaczności. Jest to właściwy wybór, gdy oczekuje się interakcji lub gdy ich obecność jest naukowo ważna, gdy zasoby pozwalają na wykonanie każdej kombinacji i gdy wynik jest mierzalny w kontrolowanych warunkach. NIE używaj pełnoskładnikowego projektu, gdy k jest duże (powiedzmy k ≥ 6 na dwóch poziomach), ponieważ wymagane 64+ przebiegów stają się niewykonalne — zamiast tego preferuj projekty ułamkowe lub powierzchni odpowiedzi. Unikaj go również, gdy koszt przebiegu lub ograniczenia materiałowe sprawiają, że N = 2^k (lub 3^k) jest zaporowy, lub gdy zależy Ci tylko na efektach głównych i masz silne teoretyczne powody, by zakładać brak interakcji.

Ograniczenia i uwagi

  • Liczba przebiegów rośnie wykładniczo wraz z liczbą czynników: 2^k = 32 przebiegi dla 5 czynników, 64 dla 6 — szybko staje się niepraktyczna.
  • Interakcje wyższego rzędu (trójkrotne lub wyższe) są możliwe do oszacowania, ale rzadko możliwe do interpretacji lub naukowo znaczące, co czyni wiele przebiegów informacyjnie zbędnymi.
  • Zakłada, że czynniki można precyzyjnie ustawić na określonych poziomach; kontrola czynników jest często łatwiejsza w laboratorium niż w warunkach polowych lub organizacyjnych.
  • Powtórzenia są kosztowne pod względem zasobów; bez nich szacowanie błędu opiera się na pulowaniu nieistotnych interakcji wyższego rzędu, co wymaga oceny.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Szacuje każdy efekt główny i każdą interakcję bez aliasingu lub zakłóceń — najbardziej kompletny obraz, jaki można uzyskać z kontrolowanego eksperymentu.
  • Ortogonalny projekt: wszystkie oszacowania efektów są statystycznie niezależne, co ułatwia interpretację.
  • Zapewnia czyste oszacowanie błędu, gdy przebiegi są powtarzane, umożliwiając rygorystyczne testowanie hipotez za pomocą ANOVA.
  • Elastyczna struktura: działa z czynnikami ciągłymi, kategorycznymi lub mieszanymi i może zawierać blokowanie w celu kontroli zakłóceń.
  • Skaluje się naturalnie: projekt 2^k z przebiegami punktów środkowych można rozszerzyć do projektu powierzchni odpowiedzi (centralny kompozytowy lub Boxa-Behnkena) w celu wykrycia krzywizny.

Zastosowania

  • Formulacja farmaceutyczna: jednoczesna optymalizacja stężenia leku, rodzaju substancji pomocniczej i temperatury w celu maksymalizacji szybkości rozpuszczania.
  • Nauki rolnicze: testowanie kombinacji nawozów, poziomu nawadniania i gęstości sadzenia pod kątem plonów.
  • Poprawa procesów produkcyjnych: identyfikacja, w jaki sposób prędkość maszyny, temperatura i jakość materiału wspólnie wpływają na wytrzymałość produktu na rozciąganie.
  • Eksperymenty behawioralne i edukacyjne: badanie, w jaki sposób metoda nauczania, wielkość klasy i rodzaj oceny oddziałują na siebie, wpływając na wyniki nauczania.
  • Badania kliniczne i zdrowotne: ocena kombinacji elementów interwencji behawioralnej w celu zidentyfikowania, które kombinacje napędzają efekt terapeutyczny.
  • Inżynieria oprogramowania: testowanie wpływu typu algorytmu, rozmiaru zbioru danych i konfiguracji sprzętu na wydajność obliczeniową.

Jak to działa

Jak to działa

1

Zidentyfikuj k czynników eksperymentalnych i określ poziomy dla każdego. Projekt dwupoziomowy (każdy czynnik na poziomie niskim/wysokim) jest oznaczany jako 2^k; projekt trójpoziomowy jako 3^k. Poziomy czynników powinny być dobrane tak, aby obejmowały zakres praktycznego lub naukowego zainteresowania. Całkowita liczba kombinacji zabiegów jest równa iloczynowi wszystkich liczby poziomów dla wszystkich czynników.

2

Całkowita liczba przebiegów eksperymentalnych wynosi N = iloczyn wszystkich liczby poziomów (np. 2^3 = 8 dla trzech czynników dwupoziomowych). Liczba ta rośnie wykładniczo wraz z liczbą czynników, dlatego pełnoskładnikowe projekty są najbardziej wykonalne, gdy k jest małe (zazwyczaj k ≤ 5 dla czynników dwupoziomowych). Macierz projektu jest konstruowana z listą każdej kombinacji; powtórzenie każdej kombinacji wzmacnia szacowanie błędu.

Wzór
N = \prod_{i=1}^{k} l_i
3

Jednostki eksperymentalne są losowo przypisywane do każdej kombinacji zabiegów, lub kolejność przebiegów jest całkowicie losowa. Losowość chroni przed systematycznym błędem wynikającym z trendów czasowych, zmęczenia lub dryfu sprzętu. Jeśli znane są pewne zmienne zakłócające (np. partia, operator, dzień), dodaje się blokowanie, aby wyizolować ich wariancję bez zakłócania oszacowań czynników.

4

Zmienna odpowiedzi jest mierzona dla każdego przebiegu eksperymentalnego w przypisanej kombinacji poziomów czynników. Dane są systematycznie rejestrowane, zachowując powiązanie między kolejnością przebiegu, ustawieniami czynników i obserwowanym wynikiem. Zaleca się wielokrotne powtórzenia na komórkę, gdy tylko pozwalają na to zasoby, ponieważ zapewniają one czyste oszacowanie błędu eksperymentalnego.

5

Efekty główne i wszystkie efekty interakcji są szacowane metodą najmniejszych kwadratów (lub ANOVA). W projekcie 2^k każde oszacowanie efektu jest równe kontrastowi liniowemu średnich komórek; stosuje się wzór beta-kapelusz = (X'X)^{-1} X'y, gdzie X jest macierzą modelu zakodowanych ustawień czynników. Ponieważ testowana jest każda kombinacja, wszystkie efekty są ortogonalne i możliwe do oszacowania bez aliasingu.

Wzór
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

Tabele ANOVA dzielą całkowitą wariancję na efekty główne, interakcje dwuczynnikowe, interakcje trójczynnikowe itd. Istotne interakcje są interpretowane za pomocą wykresów interakcji: równoległe linie wskazują brak interakcji; przecinające się lub rozchodzące się linie sygnalizują, że efekt jednego czynnika zmienia się w zależności od poziomu innego. Interakcje wyższego rzędu (trójkrotne lub wyższe) są rzadkie w praktyce, ale są możliwe do oszacowania i przetestowania w pełnoskładnikowym projekcie.

Częste pułapki

  • Ignorowanie interakcji przy wyborze projektu: jeśli nie oczekujesz interakcji, pełnoskładnikowy projekt marnuje przebiegi — ale jeśli interakcje istnieją i użyłeś podejścia „jeden czynnik na raz”, całkowicie je przeoczysz.
  • Używanie zbyt wielu poziomów bez uzasadnienia: projekt 3^k ma 3^5 = 243 przebiegi dla pięciu czynników; chyba że krzywizna jest specjalnie hipotetyzowana, projekty dwupoziomowe są zazwyczaj wystarczające i znacznie bardziej wydajne.
  • Mylenie pełnoskładnikowego projektu z ułamkowym: ułamkowy projekt celowo pomija pewne kombinacje i alizuje niektóre interakcje — jeśli potrzebujesz, aby wszystkie interakcje były możliwe do oszacowania, tylko pełnoskładnikowy projekt to zapewnia.
  • Niewłaściwe losowanie kolejności przebiegów: systematyczne trendy (rozgrzewanie się sprzętu, uczenie się operatora, degradacja odczynników) zawyżają lub zaniżają oszacowania efektów, jeśli przebiegi są wykonywane w ustalonej, nieprzypadkowej kolejności.
  • Analizowanie efektów głównych w izolacji, gdy interakcje są istotne: statystycznie istotna interakcja oznacza, że wnioski dotyczące efektów głównych zależą od poziomu czynnika moderującego i muszą być interpretowane warunkowo.

Najczęściej zadawane pytania

Jaka jest różnica między pełnoskładnikowym a ułamkowym projektem czynnikowym?

Pełnoskładnikowy projekt obejmuje każdą możliwą kombinację poziomów czynników, szacując wszystkie efekty główne i interakcje bez aliasingu. Ułamkowy projekt czynnikowy obejmuje tylko starannie wybraną część tych kombinacji, celowo alizując pewne interakcje wyższego rzędu w celu zmniejszenia liczby przebiegów. Użyj pełnoskładnikowego projektu, gdy interakcje mają znaczenie i pozwalają na to zasoby; użyj ułamkowego projektu, gdy k jest duże i jesteś skłonny założyć, że pewne interakcje wyższego rzędu są nieistotne.

Jak wybrać liczbę poziomów dla każdego czynnika?

Dwa poziomy (niski i wysoki) są wystarczające, gdy oczekujesz w przybliżeniu liniowej odpowiedzi w zakresie czynnika i interesuje Cię głównie kierunek i wielkość efektów. Trzy poziomy są potrzebne, gdy podejrzewasz krzywiznę (nieregularną odpowiedź), ale potrajają one liczbę przebiegów dla każdego dodatkowego czynnika. Praktyczną strategią jest rozpoczęcie od projektów 2^k uzupełnionych o punkty środkowe w celu wykrycia krzywizny przed podjęciem decyzji o projekcie 3^k.

Czy muszę powtarzać każdą kombinację zabiegów?

Powtórzenia są zdecydowanie zalecane. Bez powtórzeń jedynym źródłem oszacowania błędu jest zagregowana suma kwadratów z nieistotnych interakcji wyższego rzędu (zakładanych jako zero), co jest ryzykownym założeniem. Nawet z jednym pełnym powtórzeniem (podwajając wszystkie przebiegi) uzyskujesz prawdziwe oszacowanie czystego błędu, węższe przedziały ufności i bardziej wiarygodne testy istotności.

Jakiego testu statystycznego użyć do analizy pełnoskładnikowego eksperymentu?

Standardową analizą jest ANOVA czynnikowa (lub jej odpowiednik w modelu regresji), która dzieli całkowitą wariancję na składowe przypisywane każdemu efektowi głównemu i każdemu terminowi interakcji. Istotność efektu jest oceniana za pomocą testów F. Gdy wynik jest nienormalny lub porządkowy, stosuje się alternatywy nieparametryczne lub uogólnione modele liniowe.

Kiedy powinienem zamiast tego przejść na projekt powierzchni odpowiedzi?

Jeśli Twój pełnoskładnikowy projekt 2^k (ewentualnie z punktami środkowymi) ujawni statystycznie istotną krzywiznę w odpowiedzi, liniowy model czynnikowy jest nieadekwatny i należy zastosować projekt powierzchni odpowiedzi — taki jak projekt centralny kompozytowy lub Boxa-Behnkena. Projekty powierzchni odpowiedzi dodają punkty osiowe (gwiazdkowe), aby oszacować terminy kwadratowe i zmapować pełną krzywiznę powierzchni odpowiedzi.

Pokrewne metody

Źródła

  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
    Skopiowano.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Skopiowano.