Skip to content
Назад к результатам поиска

Полный факторный эксперимент — Полный факторный экспериментальный план

Автор метода
Ronald A. Fisher
Год
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Тип
Experimental design
Семейство
Experimental design

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

Размер шрифта

Что он делает?

Полный факторный эксперимент предусматривает проведение всех возможных комбинаций выбранных уровней всех факторов, что делает его золотым стандартом для одновременной оценки главных эффектов, взаимодействий второго порядка и взаимодействий более высоких порядков между несколькими независимыми переменными.

Введенный благодаря основополагающим работам Рональда Фишера по факторным планам в 1920-х годах и систематизированный Боксом, Хантером и Монтгомери, он предоставляет полную информацию о том, как факторы действуют индивидуально и в комбинации на результат.

Интуиция метода

Предположим, вы тестируете два типа удобрений (A, B) и три режима полива (ежедневно, еженедельно, ежемесячно) на урожайность. Полный факторный план означает, что вы выращиваете культуры при всех 2 × 3 = 6 комбинациях, а не только при каждом факторе в отдельности. Это мощно, потому что эффект удобрения может зависеть от частоты полива — взаимодействие, которое исследования «один фактор за раз» полностью упускают. Полный факторный план фиксирует каждое взаимодействие, гарантируя, что каждый уровень одного фактора появляется с каждым уровнем каждого другого фактора, обеспечивая сбалансированный, не смешанный взгляд на все факторное пространство.

История

Рональд Фишер ввел концепцию факторного эксперимента в своей знаковой статье 1926 года и полностью развил ее в книге «Дизайн экспериментов» (1935), утверждая, что одновременное изучение нескольких факторов более эффективно, чем подходы «один за раз». Фрэнк Йейтс формализовал нотацию и вычисления факторных эффектов в 1930-х годах. Джордж Бокс, Дж. Стюарт Хантер и Уильям Хантер систематизировали практическое применение факторных планов для промышленных и научных целей в своем основополагающем учебнике 1978 года (обновленном в 2005 году). Широко используемый учебник Дугласа Монтгомери (первое издание 1976 года) с тех пор сделал полный факторный план центральным элементом учебных программ по инженерии и прикладным наукам во всем мире.

Когда применять

Используйте полный факторный эксперимент, когда у вас небольшое количество факторов (обычно k ≤ 4 или 5 для двухуровневых планов) и вам необходимо однозначно оценить все главные эффекты и взаимодействия. Это правильный выбор, когда ожидаются взаимодействия или их наличие имеет научное значение, когда ресурсы позволяют провести все комбинации, и когда результат измерим в контролируемых условиях. НЕ используйте полный факторный план, когда k велико (скажем, k ≥ 6 при двух уровнях), поскольку требуемые 64+ прогона становятся непрактичными — вместо этого предпочтите дробные факторные планы или планы поверхности отклика. Также избегайте его, когда стоимость прогона или ограничения по материалам делают N = 2^k (или 3^k) непомерно высокими, или когда вас интересуют только главные эффекты, и у вас есть веские теоретические основания предполагать отсутствие взаимодействий.

Ограничения и замечания

  • Количество прогонов растет экспоненциально с числом факторов: 2^k = 32 прогона для 5 факторов, 64 для 6 — быстро становится непрактичным.
  • Взаимодействия высокого порядка (третьего и выше) оценимы, но редко интерпретируемы или научно значимы, что делает многие прогоны информационно избыточными.
  • Предполагает, что факторы могут быть точно установлены на заданных уровнях; контроль факторов часто проще в лаборатории, чем в полевых или организационных условиях.
  • Повторение требует значительных ресурсов; без него оценка ошибки зависит от объединения незначительных взаимодействий высокого порядка, что требует суждения.

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

Сильные стороны

  • Оценивает каждый главный эффект и каждое взаимодействие без алиасинга или смешивания — наиболее полную картину, возможную в контролируемом эксперименте.
  • Ортогональный план: все оценки эффектов статистически независимы, что упрощает интерпретацию.
  • Обеспечивает чистую оценку ошибки при повторении прогонов, позволяя проводить строгую проверку гипотез с помощью ANOVA.
  • Гибкая структура: работает с непрерывными, категориальными или смешанными типами факторов и может включать блокирование для контроля второстепенных переменных.
  • Естественно масштабируется: план 2^k с центральными точками может быть дополнен планом поверхности отклика (центральный композиционный или Бокса-Бенкена) для обнаружения кривизны.

Применение

  • Фармацевтическая разработка: одновременная оптимизация концентрации препарата, типа вспомогательного вещества и температуры для максимизации скорости растворения.
  • Сельскохозяйственные науки: тестирование комбинаций удобрений, уровня орошения и плотности посадки на урожайность.
  • Улучшение производственных процессов: определение того, как скорость машины, температура и класс материала совместно влияют на прочность продукта на разрыв.
  • Поведенческие и образовательные эксперименты: изучение того, как метод обучения, размер класса и тип оценки взаимодействуют, влияя на результаты обучения.
  • Клинические и медицинские исследования: оценка комбинаций компонентов поведенческих вмешательств для выявления того, какие комбинации способствуют терапевтическому эффекту.
  • Программная инженерия: тестирование влияния типа алгоритма, размера набора данных и конфигурации оборудования на вычислительную производительность.

Как это работает

Как это работает

1

Определите k экспериментальных факторов и укажите уровни для каждого. Двухуровневый план (каждый фактор на низком/высоком уровне) обозначается как 2^k; трехуровневый план — как 3^k. Уровни факторов должны быть выбраны так, чтобы охватить диапазон практического или научного интереса. Общее количество комбинаций обработок равно произведению всех количеств уровней по всем факторам.

2

Общее количество экспериментальных прогонов равно N = произведению всех количеств уровней (например, 2^3 = 8 для трех двухуровневых факторов). Это число растет экспоненциально с увеличением числа факторов, поэтому полные факторные планы наиболее осуществимы, когда k невелико (обычно k ≤ 5 для двухуровневых факторов). Матрица плана строится путем перечисления всех комбинаций; повторение каждой комбинации усиливает оценку ошибки.

Формула
N = \prod_{i=1}^{k} l_i
3

Экспериментальные единицы случайным образом назначаются каждой комбинации обработок, или порядок прогонов полностью рандомизируется. Рандомизация защищает от систематических смещений, вызванных временными трендами, усталостью или дрейфом оборудования. Если известны некоторые второстепенные переменные (например, партия, оператор, день), добавляется блокирование для изоляции их дисперсии без смешивания оценок факторов.

4

Переменная отклика измеряется для каждого экспериментального прогона при назначенной ей комбинации уровней факторов. Данные систематически записываются, сохраняя связь между порядком прогона, настройками факторов и наблюдаемым результатом. Рекомендуется несколько повторений на ячейку, когда позволяют ресурсы, поскольку они обеспечивают чистую оценку экспериментальной ошибки.

5

Главные эффекты и все эффекты взаимодействия оцениваются методом наименьших квадратов (или ANOVA). В плане 2^k каждая оценка эффекта равна линейному контрасту средних по ячейкам; применяется формула beta-hat = (X'X)^{-1} X'y, где X — матрица модели кодированных настроек факторов. Поскольку тестируется каждая комбинация, все эффекты ортогональны и оцениваемы без алиасинга.

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

Таблицы ANOVA разделяют общую дисперсию на главные эффекты, взаимодействия двух факторов, взаимодействия трех факторов и так далее. Значимые взаимодействия интерпретируются с помощью графиков взаимодействий: параллельные линии указывают на отсутствие взаимодействия; пересекающиеся или расходящиеся линии сигнализируют о том, что эффект одного фактора изменяется в зависимости от уровней другого. Взаимодействия более высоких порядков (третьего и выше) редко встречаются на практике, но могут быть оценены и протестированы в полном факторном плане.

Частые ошибки

  • Игнорирование взаимодействий при выборе плана: если вы не ожидаете взаимодействий, полный факторный план тратит прогоны — но если взаимодействия существуют, а вы использовали подход «один фактор за раз», вы полностью их упустите.
  • Использование слишком большого количества уровней без обоснования: план 3^k имеет 3^5 = 243 прогона для пяти факторов; если кривизна специально не предполагается, двухуровневые планы обычно достаточны и гораздо более эффективны.
  • Путаница полного факторного плана с дробным факторным планом: дробный факторный план намеренно опускает некоторые комбинации и алиасирует некоторые взаимодействия — если вам нужно, чтобы все взаимодействия были оценимы, только полный факторный план обеспечивает это.
  • Неспособность рандомизировать порядок прогонов: систематические тренды (прогрев оборудования, обучение оператора, деградация реагентов) увеличивают или уменьшают оценки эффектов, если прогоны выполняются в фиксированном, неслучайном порядке.
  • Анализ главных эффектов в изоляции при наличии значимых взаимодействий: статистически значимое взаимодействие означает, что выводы о главных эффектах зависят от уровня модерирующего фактора и должны интерпретироваться условно.

Часто задаваемые вопросы

В чем разница между полным факторным и дробным факторным планом?

Полный факторный план предусматривает все возможные комбинации уровней факторов, оценивая все главные эффекты и взаимодействия без алиасинга. Дробный факторный план предусматривает только тщательно выбранную долю этих комбинаций, намеренно алиасируя некоторые взаимодействия высокого порядка для уменьшения количества прогонов. Используйте полный факторный план, когда важны взаимодействия и позволяют ресурсы; используйте дробный факторный план, когда k велико, и вы готовы предположить, что некоторые взаимодействия высокого порядка незначительны.

Как выбрать количество уровней для каждого фактора?

Два уровня (низкий и высокий) достаточны, когда вы ожидаете примерно линейный отклик в диапазоне факторов и в первую очередь заинтересованы в направлении и величине эффектов. Три уровня необходимы, когда вы подозреваете кривизну (нелинейный отклик), но они кубически увеличивают количество прогонов для каждого дополнительного фактора. Практическая стратегия — начать с планов 2^k, дополненных центральными точками, для выявления кривизны перед переходом к плану 3^k.

Нужно ли повторять каждую комбинацию обработок?

Повторение настоятельно рекомендуется. Без повторения единственным источником оценки ошибки является объединенная сумма квадратов от незначительных взаимодействий высокого порядка (предполагаемых равными нулю), что является рискованным предположением. Даже с одним полным повторением (удвоение всех прогонов) вы получаете истинную чистую оценку ошибки, более узкие доверительные интервалы и более надежные тесты значимости.

Какой статистический тест использовать для анализа полного факторного эксперимента?

Стандартный анализ — это факторный ANOVA (или его эквивалент в регрессионной модели), который разделяет общую дисперсию на компоненты, относящиеся к каждому главному эффекту и каждому члену взаимодействия. Значимость эффектов определяется F-тестами. Когда отклик не является нормальным или является порядковым, вместо этого используются непараметрические альтернативы или обобщенные линейные модели.

Когда следует перейти к плану поверхности отклика?

Если ваш полный факторный план 2^k (возможно, с центральными точками) выявляет статистически значимую кривизну отклика, линейная факторная модель недостаточна, и следует использовать план поверхности отклика — такой как центральный композиционный или план Бокса-Бенкена. Планы поверхности отклика добавляют осевые (звездчатые) точки для оценки квадратичных членов и картирования полной кривизны поверхности отклика.

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

    ISBN: 978-1119492443
    Скопировано.