การทดลองแฟกทอเรียลเต็มรูปแบบแบบบล็อก
- ผู้เสนอ
- R. A. Fisher (blocking principle); full factorial DOE tradition
- ปี
- 1935 (Fisher); systematized through 20th-century DOE literature
- ประเภท
- Experimental design
- กลุ่มวิธี
- Experimental design
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การทดลองแฟกทอเรียลเต็มรูปแบบแบบบล็อกจะทดสอบทุกการผสมผสานของระดับปัจจัยทั้งหมด โดยจัดกลุ่มการทดลองออกเป็นบล็อกที่เหมือนกันเพื่อแยกตัวแปรที่ก่อกวนที่ทราบ การออกแบบนี้ช่วยรักษาอำนาจในการตรวจจับผลกระทบหลักและอันตรกิริยาทั้งหมดของปัจจัยที่สนใจ ในขณะเดียวกันก็ป้องกันความแปรปรวนระหว่างชุดการผลิต วันต่อวัน หรือเครื่องจักรต่อเครื่องจักรจากการเพิ่มข้อผิดพลาดในการทดลอง
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพการทดสอบปุ๋ยสามชนิดในสองปริมาณที่แตกต่างกันในสี่ทุ่งที่แตกต่างกัน ทุ่งนาเหล่านี้มีความแตกต่างกันในคุณภาพดิน ซึ่งคุณไม่สามารถควบคุมได้ แต่สามารถนำมาพิจารณาได้ การออกแบบแฟกทอเรียลเต็มรูปแบบแบบบล็อกจะดำเนินการผสมผสานปุ๋ย-ปริมาณทั้งหมดหกแบบภายในแต่ละทุ่ง (บล็อก) ดังนั้นความแตกต่างระหว่างทุ่งจะถูกแยกออกจากผลกระทบของการรักษา ภายในแต่ละบล็อก การทดลองจะถูกสุ่ม การผลลัพธ์คือ คุณจะเห็นภาพรวมทั้งหมดของวิธีที่ชนิดปุ๋ยและปริมาณมีอันตรกิริยาต่อกัน โดยที่ภาพนั้นไม่ถูกบิดเบือนด้วยความไม่สม่ำเสมอของดิน การบล็อกช่วยเพิ่มความแม่นยำ การครอบคลุมแบบแฟกทอเรียลเต็มรูปแบบช่วยให้ได้ข้อมูลที่สมบูรณ์
ประวัติศาสตร์
การบล็อกเป็นวิธีการควบคุมความแปรปรวนที่ก่อกวนได้รับการทำให้เป็นทางการโดย R. A. Fisher ที่ Rothamsted Experimental Station และอธิบายไว้ใน The Design of Experiments (1935) โดยได้รับแรงบันดาลใจจากการทดลองทางการเกษตร หลักการแฟกทอเรียลเต็มรูปแบบได้รับการพัฒนาควบคู่ไปกับการวิเคราะห์ความแปรปรวนในช่วงเวลาเดียวกัน การรวมการบล็อกเข้ากับโครงสร้างแฟกทอเรียลเต็มรูปแบบกลายเป็นแนวปฏิบัติ DOE มาตรฐานผ่านผลงานที่มีอิทธิพลของ Box, Hunter และ Hunter ใน Statistics for Experimenters (1978) และ Design and Analysis of Experiments ของ Douglas Montgomery ซึ่งตีพิมพ์ครั้งแรกในปี 1976 และปัจจุบันอยู่ในฉบับที่เก้า
ควรใช้เมื่อใด
ใช้การทดลองแฟกทอเรียลเต็มรูปแบบแบบบล็อกเมื่อคุณต้องการประมาณค่าผลกระทบหลักทั้งหมดและทุกอันตรกิริยาระหว่างปัจจัยที่จัดการได้ และตัวแปรที่ก่อกวนที่ทราบ (ชุดการผลิต วัน ผู้ปฏิบัติงาน หน่วยอุปกรณ์) คุกคามที่จะเพิ่มข้อผิดพลาดหากไม่สนใจ เหมาะสมเมื่อจำนวนปัจจัยมีขนาดเล็กพอ (โดยทั่วไปคือ k = 2-4 ปัจจัยที่ระดับ 2-3) ที่การดำเนินการผสมผสานทั้งหมดเป็นไปได้ และตัวแปรที่ก่อกวนสามารถจัดกลุ่มเป็นบล็อกที่เหมือนกันได้ ห้ามใช้เมื่อจำนวนการทดลองทั้งหมดที่ต้องการเกินขีดความสามารถที่ปฏิบัติได้ — ให้เลือกการออกแบบแฟกทอเรียลบางส่วนหรือการออกแบบพื้นผิวการตอบสนองแทน ห้ามบล็อกเมื่อไม่สามารถระบุตัวแปรที่ก่อกวนที่มีความหมายได้ เนื่องจากบล็อกที่ไม่จำเป็นจะสิ้นเปลืององศาความเป็นอิสระ
ข้อจำกัดและข้อควรพิจารณา
- จำนวนการทดลองเท่ากับ (จำนวนบล็อก) คูณ (การผสมผสานระดับปัจจัยทั้งหมด) ซึ่งจะมากเมื่อมีปัจจัยมากกว่าสามหรือสี่ปัจจัยหรือระดับสามระดับ
- ต้องการตัวแปรที่ก่อกวนที่ทราบและสามารถจัดกลุ่มได้ หากไม่มีตัวแปรดังกล่าว การบล็อกจะไม่ให้ประโยชน์และสิ้นเปลืององศาความเป็นอิสระ
- สมมติว่าอันตรกิริยาระหว่างบล็อกกับทรีตเมนต์มีน้อยมาก หากทรีตเมนต์ตอบสนองแตกต่างกันในแต่ละบล็อก แบบจำลองแบบเสริมจะระบุผิด
- ไม่สามารถใช้ได้เมื่อขนาดบล็อกไม่สามารถรองรับการทำซ้ำที่สมบูรณ์ของการผสมผสานการรักษาทั้งหมดได้ — จำเป็นต้องใช้การออกแบบบล็อกที่ไม่สมบูรณ์แทน
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ให้การประมาณค่าผลกระทบหลักทั้งหมดและทุกอันตรกิริยาระหว่างปัจจัยที่ศึกษาโดยไม่เกิดการสับสน
- การบล็อกจะขจัดแหล่งที่มาของตัวแปรที่ก่อกวนที่ทราบ ลดข้อผิดพลาดในการทดลองและเพิ่มอำนาจทางสถิติโดยไม่จำเป็นต้องมีการทำซ้ำการรักษาเพิ่มเติม
- ให้ข้อมูลที่สมบูรณ์ที่สุดเกี่ยวกับผลกระทบของปัจจัยภายในชุดปัจจัยที่เลือก — ไม่มีการสับสนของผลกระทบหลักหรืออันตรกิริยา
- ผลลัพธ์สามารถตีความได้โดยตรงผ่านตาราง ANOVA มาตรฐานและแผนภาพอันตรกิริยาหลังจากแยกผลกระทบของบล็อกออกแล้ว
- ได้รับการสนับสนุนจากซอฟต์แวร์ทางสถิติมาตรฐาน (R, SAS, Minitab, JMP) พร้อมกระบวนการวิเคราะห์ที่ได้รับการยอมรับอย่างดี
การประยุกต์ใช้
- การผลิตและวิศวกรรมกระบวนการ: การศึกษาว่าอุณหภูมิ ความดัน และความเข้มข้นของตัวเร่งปฏิกิริยา ส่งผลต่อผลผลิตของผลิตภัณฑ์อย่างไรในชุดการผลิตที่แตกต่างกัน โดยใช้ชุดการผลิตเป็นบล็อก
- การวิจัยทางการเกษตร: การประเมินการผสมผสานระดับการชลประทานและชนิดปุ๋ยทั้งหมดในทุ่งที่มีลักษณะดินแตกต่างกัน โดยใช้ทุ่งเป็นบล็อก
- การพัฒนายา: การทดสอบปัจจัยสูตร เช่น ค่า pH และชนิดของสารช่วย โดยใช้ วันที่ผลิต หรือ นักวิเคราะห์ในห้องปฏิบัติการ เป็นตัวแปรบล็อก
- วิทยาศาสตร์อาหาร: การประเมินผลกระทบของการผสมผสานส่วนผสมต่อโปรไฟล์รสชาติ โดยใช้การประชุมกลุ่มผู้ชิมเป็นบล็อก
- การวิจัยพฤติกรรมและการศึกษา: การตรวจสอบการผสมผสานวิธีการสอนในกลุ่มโรงเรียนหรือช่วงเวลาต่างๆ โดยบล็อกตามกลุ่มโรงเรียน
- การปรับปรุงคุณภาพ: การระบุว่าการตั้งค่าเครื่องจักรใดที่ควบคุมอัตราความบกพร่อง เมื่อการทดลองต้องกระจายไปทั่วกะการทำงานหรือผู้ปฏิบัติงานหลายคน
วิธีการทำงาน
วิธีการทำงาน
ระบุปัจจัยการทดลองทั้งหมดและระดับของปัจจัยเหล่านั้น ในการออกแบบแฟกทอเรียลเต็มรูปแบบ การผสมผสานระดับปัจจัยทุกแบบจะถูกรวมอยู่ด้วย: สำหรับปัจจัย k แต่ละปัจจัยที่ระดับสองระดับ จะได้ผลลัพธ์การทดลอง 2^k การผสมผสาน การทดลองจะเพิ่มขึ้นอย่างรวดเร็วเมื่อมีระดับหรือปัจจัยมากขึ้น ดังนั้นจึงต้องยืนยันความเป็นไปได้ของทรัพยากรก่อนที่จะดำเนินการตามโครงสร้างแฟกทอเรียลเต็มรูปแบบ
ระบุแหล่งที่มาของตัวแปรที่ก่อกวนหนึ่งแหล่งหรือมากกว่านั้น — ชุดการผลิตตามเวลา ผู้ปฏิบัติงาน เครื่องจักร วัน หรือชุดวัตถุดิบ — ซึ่งก่อให้เกิดความแปรปรวนที่เป็นระบบแต่ไม่สามารถควบคุมได้ สิ่งเหล่านี้จะกลายเป็นตัวแปรบล็อก แต่ละบล็อกควรมีความสม่ำเสมอภายใน และจำนวนการทดลองต่อบล็อกต้องรองรับการทำซ้ำที่สมบูรณ์ของการผสมผสานการรักษาทั้งหมด
ภายในแต่ละบล็อก ให้สุ่มกำหนดชุดการผสมผสานการรักษาทั้งหมดให้กับหน่วยทดลอง การสุ่มภายในบล็อกจะป้องกันแนวโน้มภายในบล็อกที่ไม่ทราบ; การบล็อกเองจะขจัดความแตกต่างระหว่างบล็อกที่ทราบ หากขนาดบล็อกไม่สามารถรองรับการผสมผสานการรักษาทั้งหมดได้ จำเป็นต้องใช้ส่วนขยายแบบบล็อกที่ไม่สมบูรณ์แทน
ดำเนินการทดลองตามแผนการสุ่มแบบบล็อกอย่างเคร่งครัด บันทึกการตอบสนองทั้งหมดตามที่วางแผนไว้ และบันทึกการเบี่ยงเบน การเปลี่ยนแปลงอุปกรณ์ หรือความผิดปกติของสิ่งแวดล้อมใดๆ การรักษาความซื่อสัตย์ของโปรโตคอลภายในแต่ละบล็อกมีความสำคัญอย่างยิ่งต่อการรักษาการแยกที่ตั้งใจไว้ระหว่างผลกระทบของการรักษาและบล็อก
ปรับแบบจำลองเชิงเส้นที่รวมปัจจัยบล็อกเป็นพจน์เสริมควบคู่ไปกับผลกระทบหลักและอันตรกิริยาแฟกทอเรียลทั้งหมด: Y = mu + block + A + B + AB + ... + error พจน์บล็อกจะดูดซับความแปรปรวนระหว่างบล็อก ลดข้อผิดพลาดส่วนที่เหลือ และเพิ่มความแม่นยำของการประมาณค่าผลกระทบแฟกทอเรียล จากนั้นจะตรวจสอบตาราง ANOVA สำหรับผลกระทบหลักและอันตรกิริยาที่มีนัยสำคัญ
รายงานผลกระทบแฟกทอเรียลที่ประมาณค่าได้และแผนภาพอันตรกิริยาโดยลบผลกระทบของบล็อกออก ประเมินความสำคัญในทางปฏิบัติและทางสถิติของผลกระทบหลักและอันตรกิริยา ตรวจสอบข้อสมมติฐานของแบบจำลอง — ความปกติของส่วนที่เหลือและความแปรปรวนคงที่ภายในบล็อก รายงานโครงสร้างบล็อกอย่างโปร่งใสเพื่อให้ผู้อ่านเข้าใจว่าตัวแปรที่ก่อกวนใดถูกควบคุม
ข้อผิดพลาดที่พบบ่อย
- การละเว้นพจน์บล็อกออกจากแบบจำลองการวิเคราะห์: การวิเคราะห์การออกแบบแบบบล็อกเหมือนกับการสุ่มสมบูรณ์ จะทำให้การลดความแปรปรวนที่บล็อกได้รับสูญเสียไปและเพิ่มข้อผิดพลาด ลดอำนาจทางสถิติ
- การปฏิบัติต่อตัวแปรบล็อกเป็นปัจจัยที่น่าสนใจทางวิทยาศาสตร์: บล็อกคือการควบคุมตัวแปรที่ก่อกวน ไม่ใช่ปัจจัยการรักษา การจำแนกประเภทผิดจะบิดเบือนวัตถุประสงค์ของการศึกษาและการจัดสรรองศาความเป็นอิสระ
- การไม่สุ่มการทดลองภายในบล็อก: หากไม่มีการสุ่มภายในบล็อก แนวโน้มตามเวลาหรือผลการเรียนรู้ของผู้ปฏิบัติงานจะปนเปื้อนการเปรียบเทียบการรักษา
- ขนาดบล็อกไม่ตรงกัน: หากแต่ละบล็อกไม่สามารถรองรับการทำซ้ำที่สมบูรณ์ของการผสมผสานการรักษาทั้งหมดได้ ข้อสมมติฐานการวิเคราะห์มาตรฐานจะล้มเหลว — ใช้การออกแบบบล็อกที่ไม่สมบูรณ์ที่สมดุลแทน
- การเพิ่มจำนวนปัจจัย: การเพิ่มปัจจัยมากขึ้นจะทวีคูณจำนวนการทดลองที่ต้องการอย่างรวดเร็ว สำหรับปัจจัยมากกว่าสี่หรือห้าปัจจัย การออกแบบแฟกทอเรียลบางส่วนหรือการคัดกรองเกือบจะเป็นทางเลือกที่ปฏิบัติได้เสมอ
คำถามที่พบบ่อย
การออกแบบแฟกทอเรียลเต็มรูปแบบแบบบล็อกแตกต่างจากการออกแบบบล็อกสมบูรณ์แบบสุ่ม (RCBD) อย่างไร?
RCBD โดยทั่วไปจะทดสอบชุดการรักษาเดียว (ปัจจัยเดียว) ภายในแต่ละบล็อก การออกแบบแฟกทอเรียลเต็มรูปแบบแบบบล็อกจะทดสอบการผสมผสานทั้งหมดของสองปัจจัยขึ้นไปภายในแต่ละบล็อก ทำให้สามารถประมาณค่าอันตรกิริยาได้ RCBD เป็นกรณีพิเศษของปัจจัยเดียว การออกแบบแฟกทอเรียลเต็มรูปแบบแบบบล็อกเป็นการขยายผลให้ครอบคลุมหลายปัจจัยพร้อมกับการประมาณค่าอันตรกิริยาเต็มรูปแบบ
ฉันสามารถมีตัวแปรบล็อกมากกว่าหนึ่งตัวได้หรือไม่?
ได้ การออกแบบที่มีตัวแปรบล็อกสองตัว (เช่น แถวและคอลัมน์) เรียกว่าการขยายแบบแถว-คอลัมน์ หรือแบบละตินสแควร์ อย่างไรก็ตาม การเพิ่มปัจจัยบล็อกจะจำกัดการกำหนดมากขึ้น และข้อสมมติฐานที่ว่าไม่มีอันตรกิริยาระหว่างบล็อกกับทรีตเมนต์จะมีความต้องการมากขึ้น ปรึกษาผู้เชี่ยวชาญด้าน DOE เมื่อใช้ตัวแปรบล็อกหลายตัว
จะเกิดอะไรขึ้นหากขนาดบล็อกของฉันเล็กกว่าจำนวนการผสมผสานการรักษา?
การวิเคราะห์แฟกทอเรียลเต็มรูปแบบแบบบล็อกมาตรฐานต้องการให้แต่ละบล็อกมีชุดการทำซ้ำที่สมบูรณ์ของการผสมผสานการรักษาทั้งหมดเพียงชุดเดียว หากบล็อกมีขนาดเล็กกว่า คุณจะต้องใช้การออกแบบบล็อกที่ไม่สมบูรณ์ — เช่น การออกแบบบล็อกที่ไม่สมบูรณ์ที่สมดุล (BIBD) — ซึ่งไม่ใช่ทุกการรักษาจะปรากฏในทุกบล็อก แต่ความสมดุลโดยรวมจะยังคงอยู่
ฉันควรใส่ อันตรกิริยาระหว่างบล็อกกับทรีตเมนต์ ในแบบจำลองของฉันหรือไม่?
โดยค่าเริ่มต้น ไม่ใช่ ข้อสมมติฐานมาตรฐานคือผลกระทบของบล็อกเป็นแบบเสริมเท่านั้น การรวมอันตรกิริยาระหว่างบล็อกกับทรีตเมนต์จะสิ้นเปลืององศาความเป็นอิสระ และโดยทั่วไปไม่สมเหตุสมผล หากคุณสงสัยอันตรกิริยาเหล่านี้อย่างแท้จริง ให้พิจารณาแบบจำลองแบบผสม โดยถือว่าบล็อกเป็นแบบสุ่มมากกว่าแบบคงที่
จำนวนปัจจัยของฉันคือห้าหรือมากกว่านั้น — ฉันควรยังคงใช้แฟกทอเรียลเต็มรูปแบบพร้อมบล็อกหรือไม่?
เกือบจะไม่แน่นอน การทดลองแฟกทอเรียลเต็มรูปแบบ 2^5 ต้องการการทดลอง 32 ครั้งต่อบล็อก คูณด้วยจำนวนบล็อก ซึ่งโดยทั่วไปมีค่าใช้จ่ายสูงเกินไป การออกแบบแฟกทอเรียลบางส่วนหรือการคัดกรองแบบ Plackett-Burman ตามด้วยแฟกทอเรียลเต็มรูปแบบที่เน้นปัจจัยสำคัญเป็นกลยุทธ์ที่ปฏิบัติได้จริงมากกว่ามาก
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119113478คัดลอกแล้วFisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว