Блокированный полный факторный эксперимент
- Автор метода
- R. A. Fisher (blocking principle); full factorial DOE tradition
- Год
- 1935 (Fisher); systematized through 20th-century DOE literature
- Тип
- Experimental design
- Семейство
- Experimental design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Блокированный полный факторный эксперимент проверяет все комбинации уровней всех факторов, группируя экспериментальные запуски в однородные блоки для выделения известной мешающей переменной.
Эта конструкция сохраняет мощность для обнаружения всех главных эффектов и взаимодействий интересующих факторов, предотвращая при этом увеличение экспериментальной ошибки из-за вариабельности от партии к партии, от дня ко дню или от машины к машине.
Интуиция метода
Представьте себе тестирование трех типов удобрений в двух дозировках на четырех разных полях. Поля различаются по качеству почвы, которое вы не можете контролировать, но можете учесть. Блокированный полный факторный дизайн запускает все шесть комбинаций удобрение-доза в каждом поле (блоке), так что различия между полями отделяются от эффектов обработки. Внутри каждого блока запуски рандомизируются. Результат: вы видите полную картину того, как тип удобрения и доза взаимодействуют, без размытия этой картины из-за неоднородности почвы. Блокирование обеспечивает точность; полное факторное покрытие обеспечивает полноту.
История
Блокирование как метод контроля вариации помех было формализовано Р. А. Фишером на Экспериментальной станции Ротамстед и описано в книге «The Design of Experiments» (1935), мотивированное сельскохозяйственными полевыми испытаниями. Принцип полного факториала был разработан одновременно с дисперсионным анализом в тот же период. Интеграция блокирования с полной факторной структурой стала стандартной практикой DOE благодаря влиятельной работе Бокса, Хантера и Хантера в «Statistics for Experimenters» (1978) и «Design and Analysis of Experiments» Дугласа Монтгомери, впервые опубликованной в 1976 году и теперь в девятом издании.
Когда применять
Используйте блокированный полный факторный эксперимент, когда вам нужно оценить все главные эффекты и каждое взаимодействие среди управляемого набора факторов И известная мешающая переменная (партия, день, оператор, единица оборудования) угрожает увеличить ошибку, если ее игнорировать. Он подходит, когда количество факторов достаточно мало (обычно k = 2-4 фактора при 2-3 уровнях), что проведение всех комбинаций осуществимо, а помеха может быть сгруппирована в дискретные однородные блоки. НЕ используйте его, когда общее требуемое количество запусков превышает практическую возможность — вместо этого предпочтите дробный факторный дизайн или дизайн поверхности отклика. НЕ блокируйте, когда не может быть идентифицирована значимая мешающая переменная, так как ненужное блокирование тратит степени свободы.
Ограничения и замечания
- Количество запусков равно (количество блоков) умножить на (все комбинации фактор-уровень), что становится очень большим для более чем трех или четырех факторов или трех уровней.
- Требует известной, группируемой мешающей переменной; если такой переменной не существует, блокирование не дает преимуществ и тратит степени свободы.
- Предполагает, что взаимодействия блока с обработкой незначительны; если обработки по-разному реагируют в разных блоках, аддитивная модель указана неверно.
- Неприменимо, когда размер блока не может вместить один полный репликат всех комбинаций обработки — вместо этого требуется дизайн неполного блока.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Обеспечивает неискаженные оценки всех главных эффектов и каждого взаимодействия между изученными факторами.
- Блокирование устраняет известный источник помех, уменьшая экспериментальную ошибку и увеличивая статистическую мощность без необходимости дополнительных репликатов обработки.
- Дает наиболее полную информацию об эффектах факторов в рамках выбранного набора факторов — нет алиасинга главных эффектов или взаимодействий.
- Результаты напрямую интерпретируются с помощью стандартных таблиц ANOVA и графиков взаимодействий после разделения эффектов блока.
- Поддерживается стандартным статистическим программным обеспечением (R, SAS, Minitab, JMP) с хорошо разработанными процедурами анализа.
Применение
- Производство и инжиниринг процессов: изучение того, как концентрация температуры, давления и катализатора влияют на выход продукта в различных производственных партиях в качестве блоков.
- Сельскохозяйственные исследования: оценка всех комбинаций уровня орошения и типа удобрений на полях с различной характеристикой почвы, используемых в качестве блоков.
- Разработка фармацевтических препаратов: тестирование факторов рецептуры, таких как pH и тип вспомогательного вещества, с использованием дня производства или лабораторного аналитика в качестве блокирующей переменной.
- Пищевая наука: оценка эффектов комбинаций ингредиентов на профили вкуса в сессиях сенсорной панели, служащих блоками.
- Поведенческие и образовательные исследования: изучение комбинаций методов обучения в школьных когортах или периодах времени с блокированием по когорте.
- Улучшение качества: определение того, какие настройки машины контролируют уровень дефектов, когда эксперименты должны проводиться в течение нескольких рабочих смен или операторов.
Как это работает
Как это работает
Определите все экспериментальные факторы и их уровни. В полном факторном дизайне включена каждая комбинация фактор-уровень: для k факторов, каждый на двух уровнях, это дает 2^k комбинаций обработки. С большим количеством уровней или факторов количество запусков быстро растет, поэтому необходимо подтвердить ресурсную осуществимость, прежде чем приступать к полной факторной структуре.
Определите один или несколько источников помех — временные партии, операторы, машины, дни или партии сырья — которые вносят систематическую, но неконтролируемую вариацию. Они становятся блокирующей переменной. Каждый блок должен быть внутренне однородным, а количество запусков на блок должно вмещать один полный репликат всех комбинаций обработки.
Внутри каждого блока случайным образом назначьте полный набор комбинаций обработки экспериментальным единицам. Рандомизация внутри блоков защищает от неизвестных тенденций внутри блока; само блокирование устраняет известные различия между блоками. Если размер блока не может вместить все комбинации обработки, вместо этого требуется расширение до неполного блока.
Проведите эксперимент строго в соответствии с планом блокированной рандомизации. Запишите все отклики, как запланировано, и задокументируйте любые отклонения, изменения оборудования или аномалии окружающей среды. Поддержание протокольной точности в каждом блоке имеет решающее значение для сохранения намеченного разделения между эффектами обработки и блока.
Подгоните линейную модель, которая включает блокирующий фактор как аддитивный член наряду со всеми главными эффектами и взаимодействиями факториала: Y = mu + block + A + B + AB + ... + error. Блочный член поглощает дисперсию между блоками, уменьшая остаточную ошибку и повышая точность оценок факторных эффектов. Затем таблицы ANOVA изучаются на предмет значимых главных эффектов и взаимодействий.
Сообщите оцененные факторные эффекты и графики взаимодействий с удаленными эффектами блокирования. Оцените практическую и статистическую значимость главных эффектов и взаимодействий. Проверьте предположения модели — нормальность остатков и постоянство дисперсии внутри блоков. Прозрачно сообщите структуру блока, чтобы читатели понимали, какие помехи были контролируемы.
Частые ошибки
- Исключение блочного члена из модели анализа: анализ блокированного дизайна как полностью рандомизированного отбрасывает снижение дисперсии, достигнутое блокированием, и увеличивает ошибку, снижая мощность.
- Рассмотрение блокирующей переменной как фактора научного интереса: блоки являются контролем помех, а не факторами обработки; неправильная классификация искажает цели исследования и распределение степеней свободы.
- Неспособность рандомизировать запуски внутри блоков: без рандомизации внутри блоков, временные тенденции или эффекты обучения оператора загрязняют сравнения обработок.
- Несоответствие размера блока: если каждый блок не может вместить один полный репликат всех комбинаций обработки, стандартные предположения анализа нарушаются — вместо этого используйте сбалансированный дизайн неполного блока.
- Разрастание факторов: добавление большего количества факторов быстро умножает требуемые запуски; для более чем четырех или пяти факторов дробный факторный дизайн или скрининговый дизайн почти всегда являются практическим выбором.
Часто задаваемые вопросы
В чем разница между блокированным полным факторным дизайном и рандомизированным полным блочным дизайном (RCBD)?
RCBD обычно тестирует один набор обработок (один фактор) в каждом блоке. Блокированный полный факторный дизайн тестирует все комбинации двух или более факторов в каждом блоке, позволяя оценивать взаимодействия. RCBD является особым случаем одного фактора; блокированный полный факторный дизайн обобщает его для нескольких факторов с полной оценкой взаимодействий.
Может ли у меня быть более одной блокирующей переменной?
Да. Дизайны с двумя блокирующими переменными (например, строки и столбцы) называются расширениями строк-столбцов или латинскими квадратами. Однако добавление блокирующих факторов еще больше ограничивает назначение, и предположение об отсутствии взаимодействия блока с блоком с обработкой становится более требовательным. Проконсультируйтесь со специалистом по DOE при использовании нескольких блокирующих переменных.
Что произойдет, если размер моего блока меньше количества комбинаций обработки?
Стандартный анализ блокированного полного факториала требует, чтобы каждый блок содержал ровно один полный репликат всех комбинаций обработки. Если блоки меньше, вам нужен дизайн неполного блока — такой как сбалансированный дизайн неполного блока (BIBD) — где не каждая обработка появляется в каждом блоке, но общий баланс поддерживается.
Следует ли включать взаимодействие блока с обработкой в мою модель?
По умолчанию нет. Стандартное предположение заключается в том, что эффекты блока чисто аддитивны. Включение взаимодействий блока с обработкой потребляет степени свободы и обычно неоправданно. Если вы действительно подозреваете такие взаимодействия, рассмотрите модель со смешанными эффектами, рассматривая блоки как случайные, а не фиксированные.
Количество моих факторов пять или более — следует ли мне все равно использовать полный факторный дизайн с блокированием?
Почти наверняка нет. Полный факторный дизайн 2^5 требует 32 запусков на блок, умноженных на количество блоков. Это обычно непомерно дорого. Дробный факторный дизайн или скрининговый дизайн Плaкетта-Бермана с последующим сфокусированным полным факторным дизайном для ключевых факторов является гораздо более практичной стратегией.
Похожие методы
Источники
Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119113478Скопировано.Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
Открыть ссылку на публикациюСкопировано.