Skip to content
กลับไปยังผลการค้นหา

การทดลองแบบแฟกทอเรียล — การออกแบบการทดลองแบบแฟกทอเรียล

ผู้เสนอ
Ronald A. Fisher
ปี
1926–1935
ประเภท
Quantitative experimental design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองแบบแฟกทอเรียล (Factorial experiment) คือการออกแบบการทดลองที่ตัวแปรอิสระสองตัวแปรขึ้นไป (ปัจจัย) ถูกควบคุมพร้อมกัน และมีการทดสอบทุกการผสมผสานของระดับของตัวแปรเหล่านั้น การทดลองนี้ถูกนำเสนอโดย โรนัลด์ ฟิชเชอร์ ในช่วงทศวรรษที่ 1920-1930 และเป็นแนวทางมาตรฐานเมื่อนักวิจัยต้องการตรวจจับไม่เพียงแต่ผลกระทบหลักของแต่ละปัจจัย แต่ยังรวมถึงว่าผลกระทบของปัจจัยหนึ่งขึ้นอยู่กับระดับของปัจจัยอื่นหรือไม่ ซึ่งเรียกว่าผลกระทบปฏิสัมพันธ์ (interaction effect)

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการทดสอบปุ๋ยชนิดใหม่ (มี/ไม่มี) และระดับการให้น้ำสองระดับ (ต่ำ/สูง) ต่อผลผลิตทางการเกษตร แนวทางแบบทดสอบทีละปัจจัยเดียว (one-factor-at-a-time) จะต้องทำการทดลองแยกกันสองครั้ง การทดลองแบบแฟกทอเรียลจะทดสอบการผสมผสานทั้งสี่แบบ — มีปุ๋ย/น้ำน้อย, มีปุ๋ย/น้ำสูง, ไม่มีปุ๋ย/น้ำน้อย, ไม่มีปุ๋ย/น้ำสูง — ในการศึกษาเดียว วิธีนี้ไม่เพียงแต่ช่วยประหยัดทรัพยากร แต่ยังเป็นวิธีเดียวที่จะค้นพบว่าปุ๋ยทำงานได้ดีขึ้นภายใต้การให้น้ำสูงกว่าการให้น้ำต่ำหรือไม่ รูปแบบที่ตัดกันนี้คือปฏิสัมพันธ์ และการออกแบบแบบแฟกทอเรียลถูกสร้างขึ้นมาเพื่อตรวจจับสิ่งนี้โดยเฉพาะ

ประวัติศาสตร์

โรนัลด์ ฟิชเชอร์ ได้ทำให้ตรรกะของการทดลองแบบแฟกทอเรียลเป็นรูปธรรมในบทความปี 1926 ของเขาเกี่ยวกับการทดลองทางการเกษตร และได้ขยายทฤษฎีในหนังสือที่เป็นหลักของเขา The Design of Experiments ในปี 1935 ซึ่งเขาได้นำเสนอแนวคิดเรื่องการสุ่ม การทำซ้ำ และการตัดกันแบบแฟกทอเรียลเป็นพื้นฐานของการอนุมานเชิงประจักษ์ที่ถูกต้อง งานของฟิชเชอร์ได้รับแรงจูงใจจากความต้องการในทางปฏิบัติในการทดสอบการแทรกแซงทางการเกษตรหลายอย่างพร้อมกัน แทนที่จะทำทีละอย่าง ภายในกลางศตวรรษที่ยี่สิบ การออกแบบแบบแฟกทอเรียลได้รับการยอมรับในสาขาจิตวิทยา วิศวกรรมศาสตร์ การแพทย์ และสังคมศาสตร์ หนังสือเรียนที่ใช้กันอย่างแพร่หลายของ ดักลาส มอนต์โกเมอรี่ ชื่อ Design and Analysis of Experiments (ฉบับพิมพ์ครั้งแรกปี 1976) ได้นำวิธีการแบบแฟกทอเรียลและแฟกทอเรียลบางส่วนไปสู่กลุ่มเป้าหมายด้านวิศวกรรมและอุตสาหกรรม ซึ่งตอกย้ำแนวทางนี้ให้เป็นเสาหลักของระเบียบวิธีเชิงทดลอง

ควรใช้เมื่อใด

ใช้การทดลองแบบแฟกทอเรียลเมื่อคุณมีปัจจัยตั้งแต่สองปัจจัยขึ้นไปที่คุณต้องการศึกษาในการศึกษาเดียว และเมื่อการตรวจจับปฏิสัมพันธ์มีความสำคัญทางวิทยาศาสตร์ การออกแบบนี้จะดีกว่าการออกแบบแบบทดสอบทีละปัจจัยเดียวเมื่อมีทรัพยากรเพียงพอ เนื่องจากให้ข้อมูลเดียวกันเกี่ยวกับแต่ละปัจจัยด้วยต้นทุนตัวอย่างรวมที่ต่ำกว่า และยังให้การประมาณค่าปฏิสัมพันธ์ด้วย หลีกเลี่ยงการใช้เมื่อจำนวนปัจจัยมีมาก (สี่ปัจจัยขึ้นไปที่มีหลายระดับแต่ละปัจจัยจะสร้างจำนวนเซลล์ที่มากจนจัดการไม่ได้) ในกรณีดังกล่าว ควรเลือกใช้การออกแบบแฟกทอเรียลบางส่วน (fractional factorial design) หรือวิธีการผิวการตอบสนอง (response-surface method) อย่าใช้การออกแบบแฟกทอเรียลเต็มรูปแบบเมื่อคุณมีปัจจัยเพียงปัจจัยเดียว — การทดลองแบบสุ่มที่มีการควบคุม (RCT) หรือการวิเคราะห์ความแปรปรวนทางเดียว (one-way ANOVA) ก็เพียงพอแล้ว นอกจากนี้ ควรหลีกเลี่ยงเมื่อไม่สามารถดำเนินการตามการผสมผสานของระดับปัจจัยทั้งหมดได้ในทางปฏิบัติ

ข้อจำกัดและข้อควรพิจารณา

  • ข้อกำหนดด้านขนาดตัวอย่างเพิ่มขึ้นแบบทวีคูณตามจำนวนปัจจัยและระดับ ทำให้การออกแบบขนาดใหญ่มีค่าใช้จ่ายสูง
  • การออกแบบแฟกทอเรียลเต็มรูปแบบที่มีปัจจัยจำนวนมากมักเป็นไปไม่ได้ นักวิจัยต้องหันไปใช้การออกแบบบางส่วน (fractional designs) โดยสูญเสียข้อมูลบางส่วนไป
  • การตีความจะซับซ้อนเมื่อปฏิสัมพันธ์ลำดับสูงหลายอย่างมีนัยสำคัญ ซึ่งต้องใช้การวาดกราฟอย่างระมัดระวังและการวิเคราะห์ผลกระทบอย่างง่ายตามมา
  • สมมติฐานมาตรฐานทั้งหมดของการวิเคราะห์ความแปรปรวนแบบแฟกทอเรียล (ความเป็นปกติ, ความแปรปรวนสม่ำเสมอ, ความเป็นอิสระ) จะต้องได้รับการตรวจสอบ และหากละเมิด จะต้องได้รับการแก้ไข

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • การออกแบบเดียวที่สามารถประมาณค่าผลกระทบปฏิสัมพันธ์ระหว่างปัจจัยได้ — ซึ่งเป็นคุณสมบัติที่ให้ข้อมูลมากที่สุดของการวิจัยแบบหลายปัจจัย
  • มีประสิทธิภาพทางสถิติมากกว่าการศึกษาปัจจัยเดียวแยกกัน: การสังเกตแต่ละครั้งมีส่วนช่วยในการประมาณค่าผลกระทบหลักทุกอย่าง
  • สนับสนุนการอนุมานเชิงสาเหตุเมื่อปัจจัยถูกสุ่มอย่างเต็มที่ ซึ่งตรงตามมาตรฐานเดียวกับการทดลองแบบสุ่มที่มีการควบคุม (RCT)
  • มีความยืดหยุ่นสูง: ปัจจัยสามารถเป็นแบบระหว่างกลุ่มตัวอย่าง (between-subjects), ภายในกลุ่มตัวอย่าง (within-subjects) (การวัดซ้ำ) หรือแบบผสม (mixed)
  • ผลการวิจัยที่สามารถนำไปอ้างอิงได้ทั่วไป: ข้อสรุปเกี่ยวกับปัจจัย A ใช้ได้กับทุกระดับที่ทดสอบของปัจจัย B แทนที่จะอยู่ภายใต้เงื่อนไขเดียวตามอำเภอใจ

การประยุกต์ใช้

  • จิตวิทยา: ศึกษาว่าผลของการแทรกแซงทางปัญญาแตกต่างกันอย่างไรตามกลุ่มอายุหรือเพศของผู้เข้าร่วม (การออกแบบระหว่างกลุ่มตัวอย่างแบบ 2 × 2)
  • การเกษตรและชีววิทยา: ทดสอบการผสมผสานของชนิดปุ๋ยและระดับการให้น้ำต่อผลผลิตทางการเกษตร
  • วิศวกรรมและการผลิต: ปรับปรุงคุณภาพผลิตภัณฑ์โดยการเปลี่ยนแปลงอุณหภูมิ กระบวนการ ความดัน และเกรดวัสดุพร้อมกัน
  • เภสัชวิทยา: ประเมินการผสมผสานของขนาดยาและเส้นทางการให้ยาต่อชีวปริมาณออกฤทธิ์ (bioavailability)
  • การศึกษา: ประเมินว่าวิธีการสอนแบบใหม่มีประสิทธิภาพเท่าเทียมกันหรือไม่ในขนาดชั้นเรียนและสาขาวิชาที่แตกต่างกัน
  • การตลาด: ทดสอบการผสมผสานของการวางกรอบข้อความและช่องทางการสื่อสารต่อเจตนาซื้อของผู้บริโภค

วิธีการทำงาน

วิธีการทำงาน

1

ระบุตัวแปรอิสระทั้งหมด (ปัจจัย) ที่มีความสนใจทางทฤษฎีหรือทางปฏิบัติ และกำหนดชุดของระดับสำหรับแต่ละปัจจัย ตัวอย่างเช่น การออกแบบแบบ 2 x 3 มีปัจจัยหนึ่งที่ 2 ระดับ และปัจจัยที่สองที่ 3 ระดับ ทำให้เกิดเงื่อนไขการทดลอง 6 แบบ การเลือกระดับควรมีพื้นฐานมาจากการวิจัยก่อนหน้าหรือทฤษฎีที่สำคัญ ไม่ใช่ความสะดวกตามอำเภอใจ

2

สร้างการผสมผสานที่เป็นไปได้ทั้งหมดของระดับปัจจัย การตัดกันนี้คือสิ่งที่กำหนดการออกแบบแบบแฟกทอเรียล: หากปัจจัย A มี a ระดับ และปัจจัย B มี b ระดับ การออกแบบจะประกอบด้วยเซลล์การทดลอง a × b การตัดกันเต็มรูปแบบ (full crossing) ทำให้มั่นใจได้ว่าผลกระทบหลักและปฏิสัมพันธ์ทั้งหมดสามารถประมาณค่าได้โดยไม่มีความสับสน (confounding)

3

สุ่มกำหนดหน่วยทดลอง (ผู้เข้าร่วม, แปลงทดลอง, ชุดการผลิต) ให้กับเซลล์การทดลอง หรือในรูปแบบภายในกลุ่มตัวอย่าง (within-subjects) ให้สุ่มลำดับที่หน่วยแต่ละหน่วยจะได้รับเงื่อนไขทั้งหมด การสุ่มที่เหมาะสมเป็นสิ่งจำเป็นสำหรับการอนุมานเชิงสาเหตุที่ถูกต้อง และสำหรับการตอบสนองสมมติฐานความเป็นอิสระที่อยู่เบื้องหลังการวิเคราะห์ความแปรปรวนแบบแฟกทอเรียล (factorial ANOVA)

4

ดำเนินการทดลองแต่ละเงื่อนไขตามระเบียบวิธี และบันทึกตัวแปรผลลัพธ์สำหรับแต่ละหน่วย การรักษาขั้นตอนที่สอดคล้องกันในทุกเซลล์ — ยกเว้นการควบคุมปัจจัยโดยเจตนา — เป็นสิ่งสำคัญอย่างยิ่งในการตัดประเด็นที่อาจทำให้สับสนออกไป (confounds)

5

ปรับโมเดลการวิเคราะห์ความแปรปรวนแบบแฟกทอเรียล (หรือการถดถอยที่มีพจน์ปฏิสัมพันธ์): Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk การทดสอบนัยสำคัญและการประมาณค่าขนาดผลกระทบ (eta-squared, omega-squared) จะถูกคำนวณสำหรับแต่ละผลกระทบหลักและแต่ละพจน์ปฏิสัมพันธ์ อัตราส่วน F สำหรับแต่ละแหล่งจะเปรียบเทียบค่าเฉลี่ยกำลังสอง (mean square) กับค่าเฉลี่ยกำลังสองของส่วนที่เหลือ (residual mean square)

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

ตรวจสอบแผนภาพปฏิสัมพันธ์ (interaction plots) (ค่าเฉลี่ยเซลล์ที่พล็อตโดยมีปัจจัยหนึ่งอยู่บนแกน x และเส้นสำหรับปัจจัยอื่น) เส้นที่ไม่ขนานกันบ่งชี้ถึงปฏิสัมพันธ์: ผลกระทบของปัจจัยหนึ่งไม่สม่ำเสมอตลอดระดับของปัจจัยอื่น เมื่อพบปฏิสัมพันธ์ที่มีนัยสำคัญ จะต้องตีความผลกระทบหลักด้วยความระมัดระวัง การวิเคราะห์ผลกระทบอย่างง่าย (simple effects analyses) (ทดสอบปัจจัยหนึ่งแยกกันที่แต่ละระดับของอีกปัจจัยหนึ่ง) จะช่วยให้เห็นรูปแบบที่ชัดเจนขึ้น

ข้อผิดพลาดที่พบบ่อย

  • การละเลยปฏิสัมพันธ์ที่มีนัยสำคัญและการตีความผลกระทบหลักโดยลำพัง — เมื่อมีปฏิสัมพันธ์อยู่ ผลกระทบหลักจะอธิบายค่าเฉลี่ยของกลุ่มย่อยที่แตกต่างกัน ซึ่งอาจทำให้เข้าใจผิดได้ ควรรายงานผลกระทบหลัก แต่ให้เน้นการตีความไปที่ปฏิสัมพันธ์: ควรพล็อตค่าเฉลี่ยเซลล์ก่อนเสมอ
  • การมีกำลังการทดสอบไม่เพียงพอในแต่ละเซลล์ — กำลังการทดสอบในการออกแบบแบบแฟกทอเรียลจะต้องคำนวณสำหรับผลกระทบที่คาดว่าจะน้อยที่สุด (มักจะเป็นปฏิสัมพันธ์) และระดับอัลฟาและกำลังการทดสอบที่ต้องการ การใช้สูตรกำลังการทดสอบสำหรับผลกระทบหลักจะนำไปสู่การทดสอบปฏิสัมพันธ์ที่มีกำลังการทดสอบไม่เพียงพอ
  • การไม่สุ่มหรือการไม่ทำให้ขนาดเซลล์สมดุล — ขนาดเซลล์ที่ไม่เท่ากันทำให้เกิดความไม่ตั้งฉาก (non-orthogonality) ซึ่งทำให้การแบ่งความแปรปรวนซับซ้อนขึ้น ควรใช้ผลรวมกำลังสองประเภทที่สาม (Type III sums of squares) และรายงานความไม่สมดุลอย่างชัดเจน
  • การปฏิบัติต่อการออกแบบแบบแฟกทอเรียลราวกับว่าเป็นการวิเคราะห์ความแปรปรวนทางเดียวแยกกัน — การทำการวิเคราะห์ความแปรปรวนทีละปัจจัยจะละเลยโครงสร้างแบบตัดกันและเพิ่มข้อผิดพลาดประเภทที่หนึ่ง (Type I error) ควรวิเคราะห์โมเดลแฟกทอเรียลเต็มรูปแบบเสมอ
  • การรวมปัจจัยมากเกินไป — ปัจจัยที่เพิ่มขึ้นแต่ละตัวจะคูณจำนวนเซลล์และความซับซ้อนของแผนภาพปฏิสัมพันธ์ ปัจจัยสี่ปัจจัยขึ้นไปมักจะต้องการแนวทางแบบแฟกทอเรียลบางส่วนหรือแบบผิวการตอบสนอง

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างการทดลองแบบแฟกทอเรียลและการทดลองแบบแฟกทอเรียลเต็มรูปแบบ?

การทดลองแบบแฟกทอเรียลเต็มรูปแบบทุกครั้งคือการทดลองแบบแฟกทอเรียล — คำทั้งสองมักใช้สลับกัน เมื่อนักวิจัยแยกความแตกต่าง 'การทดลองแบบแฟกทอเรียล' คือหมวดหมู่ทั่วไป (รวมทั้งรูปแบบเต็มและบางส่วน) และ 'แฟกทอเรียลเต็มรูปแบบ' ระบุว่ามีการรวมทุกการผสมผสานที่เป็นไปได้ของระดับปัจจัย การทดลองแฟกทอเรียลบางส่วนจะละเว้นชุดเซลล์ที่เลือกอย่างเป็นระบบเพื่อลดต้นทุน โดยแลกกับการทำให้ปฏิสัมพันธ์ลำดับสูงสับสน (confounding)

ฉันต้องการผู้เข้าร่วมกี่คนต่อเซลล์?

อย่างน้อยที่สุด จำเป็นต้องมีการสังเกตสองหรือสามครั้งต่อเซลล์เพื่อประมาณค่าความแปรปรวนภายในเซลล์ แต่นี่มักไม่เพียงพอสำหรับกำลังการทดสอบที่เพียงพอ การวิเคราะห์กำลังการทดสอบอย่างเป็นทางการโดยใช้ขนาดผลกระทบที่คาดหวังสำหรับปฏิสัมพันธ์ (โดยทั่วไปจะเล็กกว่าผลกระทบหลัก) และระดับอัลฟาและกำลังการทดสอบที่ต้องการ ควรเป็นตัวกำหนดขนาดเซลล์ ผู้เข้าร่วมห้าถึงยี่สิบคนต่อเซลล์เป็นช่วงการทำงานทั่วไปในการวิจัยพฤติกรรม แต่การศึกษาด้านวิศวกรรมอาจใช้สามคนหรือน้อยกว่านั้นด้วยความแม่นยำในการวัดที่สูง

จะเกิดอะไรขึ้นหากปฏิสัมพันธ์ของฉันมีนัยสำคัญ — ฉันยังคงต้องรายงานผลกระทบหลักหรือไม่?

ใช่ แต่ด้วยความระมัดระวัง เมื่อมีปฏิสัมพันธ์ที่มีนัยสำคัญ ผลกระทบหลักจะอธิบายค่าเฉลี่ยของเงื่อนไขที่แตกต่างกัน ซึ่งอาจทำให้เข้าใจผิดได้ ควรรายงานผลกระทบหลัก แต่ให้เน้นการตีความไปที่ปฏิสัมพันธ์: ควรทำการวิเคราะห์ผลกระทบอย่างง่าย (ทดสอบปัจจัยหนึ่งแยกกันที่แต่ละระดับของอีกปัจจัยหนึ่ง) และนำเสนอแผนภาพปฏิสัมพันธ์เพื่อให้ผู้อ่านเห็นรูปแบบได้โดยตรง

สามารถใช้การออกแบบแบบแฟกทอเรียลกับปัจจัยภายในกลุ่มตัวอย่าง (การวัดซ้ำ) ได้หรือไม่?

ได้ การออกแบบแฟกทอเรียลแบบผสม (mixed factorial designs) จะรวมปัจจัยระหว่างกลุ่มตัวอย่างอย่างน้อยหนึ่งปัจจัยกับปัจจัยภายในกลุ่มตัวอย่างอย่างน้อยหนึ่งปัจจัย การออกแบบแฟกทอเรียลภายในกลุ่มตัวอย่างเต็มรูปแบบก็เป็นไปได้เช่นกัน การออกแบบเหล่านี้ช่วยเพิ่มกำลังการทดสอบทางสถิติเนื่องจากมีการควบคุมความแตกต่างระหว่างบุคคล แต่จะนำไปสู่ผลกระทบจากการตกค้าง (carryover effects) และผลกระทบจากลำดับ (order effects) ที่ต้องจัดการผ่านการถ่วงดุล (counterbalancing) หรือช่วงพัก (washout periods)

ฉันควรใช้แฟกทอเรียลบางส่วนเมื่อใด?

เมื่อจำนวนปัจจัยมีมาก (โดยทั่วไปคือสี่ปัจจัยขึ้นไปที่มีหลายระดับแต่ละปัจจัย) การดำเนินการตามการผสมผสานการทดลองทั้งหมดจะมีค่าใช้จ่ายสูงเกินไป การออกแบบแฟกทอเรียลบางส่วนจะทดสอบส่วนที่เลือกอย่างระมัดระวังของการทดลอง — โดยเสียสละการประมาณค่าปฏิสัมพันธ์ลำดับสูง (ซึ่งมักจะน้อยมากในทางปฏิบัติ) เพื่อแลกกับการลดจำนวนครั้งลงอย่างมาก หากปฏิสัมพันธ์ที่สูงกว่าระดับสองทางไม่น่าจะเป็นไปได้ทางทฤษฎี การออกแบบครึ่งส่วน (half-fraction) หรือส่วนที่สี่ (quarter-fraction) มักเป็นทางเลือกที่ดีกว่า

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    ISBN: 978-1119320937
    คัดลอกแล้ว