Skip to content
Назад к результатам поиска

Факторный эксперимент — Планирование факторного эксперимента

Автор метода
Ronald A. Fisher
Год
1926–1935
Тип
Quantitative experimental design
Семейство
Experimental design

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Факторный эксперимент — это план эксперимента, в котором одновременно манипулируют двумя или более независимыми переменными (факторами), и тестируется каждая комбинация их уровней.

Введенный Рональдом Фишером в 1920–1930-х годах, он является стандартным подходом всякий раз, когда исследователю необходимо обнаружить не только главный эффект каждого фактора, но и то, зависит ли эффект одного фактора от уровня другого — эффект взаимодействия.

Интуиция метода

Представьте себе тестирование нового удобрения (да/нет) и двух уровней орошения (низкий/высокий) на урожайность. Подход «один фактор за раз» потребовал бы двух отдельных экспериментов. Факторный эксперимент тестирует все четыре комбинации — удобрение-да/орошение-низкое, удобрение-да/орошение-высокое, удобрение-нет/орошение-низкое, удобрение-нет/орошение-высокое — в одном исследовании. Это не только экономит ресурсы, но и является единственным способом обнаружить, лучше ли удобрение работает при высоком орошении, чем при низком. Эта перекрестная зависимость является взаимодействием, и факторные планы специально разработаны для его обнаружения.

История

Рональд Фишер формализовал логику факторных экспериментов в своей статье 1926 года по сельскохозяйственным экспериментам и разработал теорию в своей знаковой книге 1935 года «Дизайн экспериментов», где он ввел концепции рандомизации, репликации и факторного пересечения как основу надежного эмпирического вывода. Работа Фишера была мотивирована практической необходимостью одновременного тестирования нескольких агрономических вмешательств, а не поочередно. К середине двадцатого века факторные планы были приняты в психологии, инженерии, медицине и социальных науках. Широко используемый учебник Дугласа Монтгомери «Дизайн и анализ экспериментов» (первое издание 1976 г.) принес факторные и дробные факторные методы аудиториям инженеров и промышленников, утвердив этот подход как краеугольный камень методологии экспериментов.

Когда применять

Используйте факторный эксперимент, когда у вас есть два или более фактора, которые вы хотите изучить в одном исследовании, и когда обнаружение взаимодействий имеет научное значение. Он предпочтительнее планов «один фактор за раз», когда позволяют ресурсы, поскольку он предоставляет ту же информацию о каждом факторе при более низкой общей стоимости выборки и дополнительно дает оценки взаимодействия. Избегайте его, когда количество факторов велико (четыре или более факторов с несколькими уровнями каждый создает непомерно большое количество ячеек); в таких случаях предпочтите дробный факторный план или метод поверхности отклика. Не используйте полный факторный план, когда у вас только один фактор — достаточно простого РКИ или однофакторного дисперсионного анализа. Также избегайте его, когда операционно невозможно обеспечить все комбинации уровней факторов.

Ограничения и замечания

  • Требования к размеру выборки растут мультипликативно с количеством факторов и уровней, что делает большие планы дорогостоящими.
  • Полные факторные планы с множеством факторов часто невыполнимы; исследователи должны прибегать к дробным планам с некоторой потерей информации.
  • Интерпретация становится сложной, когда несколько взаимодействий высших порядков являются значимыми, требуя тщательного построения графиков и последующего анализа простых эффектов.
  • Все стандартные предположения факторного дисперсионного анализа (нормальность, однородность дисперсии, независимость) должны быть проверены и, если нарушены, устранены.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Единственный план, который может оценить эффекты взаимодействия между факторами — наиболее информативная особенность многофакторных исследований.
  • Более статистически эффективен, чем отдельные однофакторные исследования: каждое наблюдение способствует оценке каждого главного эффекта.
  • Поддерживает причинно-следственный вывод, когда факторы полностью рандомизированы, соответствуя тому же стандарту, что и рандомизированное контролируемое исследование.
  • Высокая гибкость: факторы могут быть между испытуемыми, внутри испытуемых (повторные измерения) или смешанными.
  • Обобщаемые выводы: заключения о факторе A применимы ко всем протестированным уровням фактора B, а не к одному произвольному условию.

Применение

  • Психология: изучение того, как эффекты когнитивного вмешательства различаются в зависимости от возрастной группы или пола участников (2 × 2 дизайн между испытуемыми).
  • Сельское хозяйство и биология: тестирование комбинаций типа удобрения и уровня орошения на урожайность.
  • Инженерия и производство: оптимизация качества продукции путем одновременного изменения температуры процесса, давления и марки материала.
  • Фармакология: оценка комбинаций дозы препарата и пути введения на биодоступность.
  • Образование: оценка того, одинаково ли эффективен новый метод обучения при различных размерах классов и предметных областях.
  • Маркетинг: тестирование комбинаций обрамления сообщения и медиаканала на намерение потребителя совершить покупку.

Как это работает

Как это работает

1

Определите все независимые переменные (факторы), представляющие теоретический или практический интерес, и зафиксируйте набор уровней для каждого. Например, план 2 × 3 имеет один фактор на 2 уровнях и второй на 3 уровнях, что дает 6 условий лечения. Выбор уровней должен основываться на предыдущих исследованиях или существенной теории, а не на произвольном удобстве.

2

Сформируйте каждую возможную комбинацию уровней факторов. Это пересечение определяет факторный план: если фактор A имеет a уровней, а фактор B имеет b уровней, то план содержит a × b ячеек лечения. Полное пересечение гарантирует, что главные эффекты и все взаимодействия могут быть оценены без смешивания.

3

Случайным образом назначьте экспериментальные единицы (участников, участки, партии) ячейкам лечения или, в варианте внутри испытуемого, рандомизируйте порядок, в котором каждая единица получает все условия. Надлежащая рандомизация имеет важное значение для достоверного причинно-следственного вывода и для удовлетворения предположения о независимости, лежащего в основе факторного дисперсионного анализа.

4

Проведите каждое условие лечения в соответствии с протоколом и запишите переменную исхода для каждой единицы. Поддержание последовательных процедур во всех ячейках — за исключением преднамеренного манипулирования факторами — имеет решающее значение для исключения смешивающих факторов.

5

Постройте модель факторного дисперсионного анализа (или регрессии с членами взаимодействия): Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Тесты значимости и оценки размера эффекта (эта-квадрат, омега-квадрат) вычисляются для каждого главного эффекта и каждого члена взаимодействия. F-отношение для каждого источника сравнивает его средний квадрат с остаточным средним квадратом.

Формула
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
6

Изучите графики взаимодействия (средние значения ячеек, построенные с одним фактором по оси X и линиями для другого фактора). Непараллельные линии сигнализируют о взаимодействии: эффект одного фактора не является равномерным по уровням другого. Когда обнаружено значимое взаимодействие, главные эффекты следует интерпретировать с осторожностью — анализ простых эффектов (один фактор на каждом уровне другого) проясняет закономерность.

Частые ошибки

  • Игнорирование значимых взаимодействий и изолированная интерпретация главных эффектов — при наличии взаимодействия главный эффект представляет собой вводящее в заблуждение среднее значение по разнородным подгруппам; всегда сначала стройте графики средних значений ячеек.
  • Недостаточная мощность отдельных ячеек — мощность в факторном плане должна рассчитываться для наименьшего ожидаемого эффекта (часто взаимодействия), а не только для главных эффектов; использование формул мощности для главных эффектов приводит к недостаточной мощности тестов взаимодействия.
  • Неспособность рандомизировать или сбалансировать размеры ячеек — неравные размеры ячеек вносят неортогональность, усложняя разделение дисперсии; используйте суммы квадратов типа III и явно сообщайте о дисбалансе.
  • Рассмотрение факторного плана как отдельных однофакторных дисперсионных анализов — проведение отдельных дисперсионных анализов для каждого фактора игнорирует перекрестную структуру и увеличивает ошибку I рода; всегда анализируйте полную факторную модель.
  • Включение слишком большого количества факторов — каждый добавленный фактор умножает количество ячеек и сложность графиков взаимодействия; четыре или более факторов обычно требуют дробного подхода или подхода с поверхностью отклика.

Часто задаваемые вопросы

В чем разница между факторным экспериментом и полным факторным экспериментом?

Каждый полный факторный эксперимент является факторным экспериментом — термины часто используются взаимозаменяемо. Когда исследователи их различают, «факторный эксперимент» — это общая категория (включает как полные, так и дробные варианты), а «полный факторный» указывает на то, что включена каждая возможная комбинация уровней факторов. Дробный факторный эксперимент опускает систематическую подгруппу ячеек для снижения затрат, ценой смешивания взаимодействий высших порядков.

Сколько участников мне нужно на ячейку?

Минимум два или три наблюдения на ячейку необходимы для оценки внутриячеечной дисперсии, но этого редко бывает достаточно для адекватной мощности. Формальный анализ мощности с использованием ожидаемого размера эффекта для взаимодействия (обычно меньшего, чем главные эффекты) и желаемых уровней альфа и мощности должен определять размер ячейки. От пяти до двадцати участников на ячейку — распространенный рабочий диапазон в поведенческих исследованиях, но инженерные исследования могут использовать три или меньше при высокой точности измерений.

Что делать, если мое взаимодействие значимо — следует ли мне все равно сообщать о главных эффектах?

Да, но с осторожностью. При наличии значимого взаимодействия главные эффекты описывают средние значения по разнородным условиям, что может вводить в заблуждение. Сообщайте о них, но сосредоточьте интерпретацию на взаимодействии: проведите анализ простых эффектов (тестирование одного фактора отдельно на каждом уровне другого) и представьте графики взаимодействия, чтобы читатели могли непосредственно видеть закономерность.

Можно ли использовать факторные планы с факторами внутри испытуемых (повторные измерения)?

Да. Смешанные факторные планы объединяют по крайней мере один фактор между испытуемыми с по крайней мере одним фактором внутри испытуемых. Полностью внутри испытуемых факторные планы также возможны. Эти планы повышают статистическую мощность, поскольку индивидуальные различия контролируются, но они вносят остаточные эффекты и эффекты порядка, которые должны быть устранены путем контрбалансировки или периодов вымывания.

Когда вместо этого следует использовать дробный факторный план?

Когда количество факторов велико (обычно четыре или более с несколькими уровнями каждый), проведение всех комбинаций лечения становится непомерно дорогим. Дробный факторный план тестирует тщательно выбранную долю ячеек — жертвуя оценками взаимодействий высокого порядка (которые часто незначительны на практике) в обмен на драматическое сокращение количества испытаний. Если взаимодействия, кроме двухфакторных, теоретически маловероятны, дробный план (половинный или четвертной) часто является лучшим выбором.

Похожие методы

Источники

  1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    Открыть ссылку на публикацию
    Скопировано.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119320937
    Скопировано.