Skip to content
Назад к результатам поиска

Дробный факторный эксперимент — Дробный факторный план эксперимента

Автор метода
D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
Год
1945 (Finney); broader development 1950s–1970s by Box, Hunter
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?

Дробный факторный эксперимент — это ресурсоэффективный план эксперимента, который тестирует лишь тщательно отобранную долю всех возможных комбинаций уровней факторов.

Используя принцип, что взаимодействия высоких порядков обычно незначительны, он позволяет определить главные эффекты и взаимодействия низких порядков k факторов, используя гораздо меньше испытаний, чем полный факторный план — что делает его рабочим инструментом для промышленных и инженерных скрининговых экспериментов.

Интуиция метода

Предположим, вы хотите изучить 7 факторов, каждый на двух уровнях. Полный факторный план потребовал бы 128 испытаний — непрактично и дорого. Дробный факторный план использует стратегически отобранную половину (или четверть) этих комбинаций: 64 или 32 испытания. Хитрость заключается в том, что каждое пропущенное испытание соответствует взаимодействию высокого порядка, которое практически наверняка равно нулю. Вы обмениваете способность оценивать эти маловероятные взаимодействия на значительное снижение стоимости эксперимента, сохраняя при этом возможность уловить наиболее важные эффекты. Ключ к успеху — точное знание того, какие эффекты смешиваются (алиасируются) друг с другом, чтобы можно было правильно интерпретировать результаты.

История

Дробные факторные планы выросли из основополагающей работы Рональда Фишера по факторным экспериментам на Экспериментальной станции Ротэмстед в 1920-х и 1930-х годах. Д. Дж. Финни формально представил дробную репликацию в статье 1945 года в журнале Annals of Eugenics, показав, что тщательно выбранное подмножество испытаний может оценить главные эффекты, жертвуя лишь взаимодействиями высоких порядков. Джордж Бокс, Дж. Стюарт Хантер и Уильям Хантер популяризировали и систематизировали методологию для промышленных экспериментов через свою влиятельную серию учебников, начиная с 1978 года, установив разрешение и алиасинг как ключевые концепции, используемые практиками сегодня. Эти планы остаются краеугольным камнем обучения Six Sigma, Планирования Экспериментов (DOE) и инженерной подготовки по качеству во всем мире.

Когда применять

Используйте дробный факторный план, когда у вас есть много факторов (обычно пять или более) для скрининга, и вы не можете позволить себе полный факторный план, когда ресурсы (время, материалы, стоимость) ограничены, и когда предполагается, что взаимодействия высоких порядков незначительны — разумное предположение в большинстве физических, химических и инженерных сред. Это стандартный первый шаг в стратегии последовательных экспериментов (скрининг → оптимизация). НЕ используйте его, когда вам нужно оценить все взаимодействия высоких порядков (вместо этого используйте полный факторный план), когда у вас менее четырех или пяти факторов (полный факторный план доступен), когда алиасинг двухфакторных взаимодействий неприемлем без последующих испытаний, или когда необходимо детально охарактеризовать поверхность отклика (вместо этого используйте методологию поверхности отклика).

Ограничения и замечания

  • Алиасинг означает, что некоторые эффекты не могут быть независимо оценены в рамках одной доли; разрешение алиасов требует дополнительных испытаний.
  • Предположение о незначительности взаимодействий высоких порядков может не выполняться в биологических, социальных или сложных системах.
  • Требует статистической грамотности для правильного определения генераторов, проверки разрешения и интерпретации шаблона алиасинга.
  • При очень малом количестве испытаний (например, 8 испытаний Разрешения III для 7 факторов) имеется низкая мощность для обнаружения всех, кроме крупных эффектов.

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

Сильные стороны

  • Значительно сокращает количество экспериментальных испытаний по сравнению с полным факторным планом, экономя время и ресурсы.
  • Систематическая структура алиасинга означает, что исследователь всегда точно знает, какие эффекты смешаны — нет скрытых неоднозначностей.
  • Последовательность и комбинируемость: доли могут быть перевернуты (folded over) или объединены с новыми долями для де-алиасинга важных эффектов на второй стадии.
  • Широко поддерживается в статистическом программном обеспечении (R, SAS, JMP, Minitab) и подробно документирован в литературе.
  • Ортогональная структура плана делает оценку параметров простой и статистически эффективной.

Применение

  • Скрининг десятков переменных процесса в химическом или фармацевтическом производстве для выявления тех немногих, которые наиболее сильно влияют на выход или чистоту.
  • Оптимизация сельскохозяйственных методов — комбинаций удобрений, ирригации, пестицидов — в течение вегетационного периода с ограниченным количеством участков.
  • Исследования в области проектирования продуктов, где параметры материалов, геометрии и процессов должны быть исследованы в рамках фиксированного бюджета на прототипы.
  • Программное обеспечение и веб-эксперименты (флаги функций, элементы пользовательского интерфейса), когда одновременное проведение полного факторного плана по многим функциям нецелесообразно.
  • Разработка методов аналитической химии — выявление концентраций реагентов, температур и настроек приборов, которые влияют на эффективность анализа.
  • Проекты по улучшению качества на производстве с использованием фреймворков DMAIC или Six Sigma.

Как это работает

Как это работает

1

Определите все k исследуемых факторов и установите их уровни (обычно два уровня — низкий и высокий — кодируемые как -1 и +1). Уточните измеряемую(ые) переменную(ые) отклика. При наличии более пяти или шести факторов обычно требуется дробный план; при менее чем четырех факторах обычно осуществим полный факторный план.

2

Выберите долю 2^(k-p), где p определяет, сколько столбцов факторов генерируется путем умножения существующих столбцов. Половина доли (p=1) использует 2^(k-1) испытаний; четверть доли (p=2) использует 2^(k-2) испытаний. Разрешение плана (III, IV, V) определяет, какие эффекты алиасируются: Разрешение III смешивает главные эффекты с двухфакторными взаимодействиями; Разрешение IV смешивает двухфакторные взаимодействия друг с другом; Разрешение V или выше сохраняет главные эффекты и двухфакторные взаимодействия раздельно.

Формула
2^{k-p}
3

Постройте матрицу плана, сначала записав полный факторный план для базовых k-p факторов, затем создав дополнительные p столбцов путем умножения существующих столбцов в соответствии с выбранными генераторами. Проверьте структуру алиасинга (шаблон алиасинга), чтобы убедиться, что она приемлема для исследовательского вопроса.

4

Проведите экспериментальные испытания в случайном порядке, чтобы защититься от систематических смещений, связанных со временем. Примените блокирование, если существует мешающий фактор, такой как партия, день или оператор. Запишите измеренный отклик для каждого испытания, включая любые реплицированные или центральные точки, включенные для оценки чистой ошибки.

5

Оцените главные эффекты и эффекты взаимодействия, используя метод наименьших квадратов или алгоритм Йейтса. Рассчитайте величины эффектов и их стандартные ошибки. Используйте нормальную вероятностную диаграмму эффектов, полунормальную диаграмму или метод Лента для различения активных (реальных) эффектов от шума, особенно когда нет реплицированных испытаний для прямой оценки ошибки.

6

Интерпретируйте каждый оцененный эффект в свете структуры алиасинга: значительная оценка может отражать названный эффект, его алиас или оба. Используйте знания предметной области, последующие подтверждающие испытания или план с перегибом (fold-over) для де-алиасинга эффектов, которые не могут быть разрешены из текущей доли. Прозрачно сообщите о разрешении и шаблоне алиасинга, чтобы читатели могли оценить, какие эффекты были и не были оцениваемы.

Частые ошибки

  • Выбор слишком низкого разрешения (например, Разрешение III), когда двухфакторные взаимодействия вероятны — оценки главных эффектов тогда смещены этими взаимодействиями, и результаты могут быть серьезно ошибочными.
  • Игнорирование рандомизации: проведение эксперимента в стандартном порядке вводит смешение с временными трендами, для которых структура алиасинга не была разработана.
  • Несообщение о шаблоне алиасинга в отчете, что делает невозможным для читателей (или рецензентов) оценить, какие эффекты оцениваемы.
  • Рассмотрение результата скрининга как окончательного без подтверждающего испытания или последующей фазы оптимизации — дробные факторные планы по своей сути являются первым шагом, а не последним словом.

Часто задаваемые вопросы

Что означает 'разрешение' в дробном факторном плане?

Разрешение описывает, какие эффекты алиасируются (смешиваются) с какими. Разрешение III: главные эффекты алиасируются с двухфакторными взаимодействиями — использовать только тогда, когда двухфакторные взаимодействия заведомо незначительны. Разрешение IV: главные эффекты не смешиваются с двухфакторными взаимодействиями, но двухфакторные взаимодействия смешиваются друг с другом. Разрешение V или выше: как главные эффекты, так и двухфакторные взаимодействия оцениваются независимо — предпочтительно, когда двухфакторные взаимодействия вероятны.

Как выбрать между половиной доли и четвертью доли?

Половина доли (2^(k-1)) сохраняет более высокое разрешение, но сокращает количество испытаний вдвое. Четверть доли (2^(k-2)) меньше, но обычно имеет более низкое разрешение, что усугубляет проблему алиасинга. Если у вас семь или более факторов, а ресурсы очень ограничены, начните с четверти доли Разрешения IV; если у вас от четырех до шести факторов, половина доли Разрешения IV или V обычно достижима и предпочтительна.

Чем дробный факторный план отличается от плана Плaкетта-Бермана?

Оба являются скрининговыми планами для множества факторов при малом количестве испытаний, но они используют разные принципы построения. Дробные факторные планы (2^(k-p)) основаны на двухуровневых полных факторных планах и имеют четкую, интерпретируемую структуру алиасинга. Планы Плaкетта-Бермана используют матрицы Адамара; они более гибки в отношении размера выборки (любое кратное 4), но имеют более сложную, неиерархическую структуру алиасинга, которая затрудняет интерпретацию двухфакторных взаимодействий.

Что делать после того, как дробный факторный план выявил активные факторы?

Дробный факторный план — это скрининговый план, а не план оптимизации. После выявления активных факторов переходите к последующему этапу: переверните (fold-over) исходную долю для разрешения алиасированных эффектов, затем используйте метод поверхности отклика (центральный композиционный план или план Бокса-Бенкена) или новый полный факторный план только для активных факторов для характеристики и оптимизации отклика.

Можно ли использовать дробный факторный план с более чем двумя уровнями на фактор?

Да. Существуют трех-уровневые дробные факторные планы (например, планы 3^(k-p)) и они используются, когда предполагается кривизна. Однако они требуют значительно больше испытаний, чем двухуровневые планы. Для начального скрининга почти всегда используются двухуровневые дробные факторные планы; трех-уровневые или смешанные планы чаще используются на этапе оптимизации.

Похожие методы

Источники

  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
    Скопировано.
  2. Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.

    Открыть ссылку DOI
    Скопировано.