การทดลองแบบแฟกทอเรียล — การออกแบบการทดลองแบบแฟกทอเรียล
- ผู้เสนอ
- Ronald A. Fisher
- ปี
- 1926–1935
- ประเภท
- Quantitative experimental design
- กลุ่มวิธี
- Experimental design
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
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
ระบุตัวแปรอิสระทั้งหมด (ปัจจัย) ที่มีความสนใจทางทฤษฎีหรือทางปฏิบัติ และกำหนดชุดของระดับสำหรับแต่ละปัจจัย ตัวอย่างเช่น การออกแบบแบบ 2 x 3 มีปัจจัยหนึ่งที่ 2 ระดับ และปัจจัยที่สองที่ 3 ระดับ ทำให้เกิดเงื่อนไขการทดลอง 6 แบบ การเลือกระดับควรมีพื้นฐานมาจากการวิจัยก่อนหน้าหรือทฤษฎีที่สำคัญ ไม่ใช่ความสะดวกตามอำเภอใจ
สร้างการผสมผสานที่เป็นไปได้ทั้งหมดของระดับปัจจัย การตัดกันนี้คือสิ่งที่กำหนดการออกแบบแบบแฟกทอเรียล: หากปัจจัย A มี a ระดับ และปัจจัย B มี b ระดับ การออกแบบจะประกอบด้วยเซลล์การทดลอง a × b การตัดกันเต็มรูปแบบ (full crossing) ทำให้มั่นใจได้ว่าผลกระทบหลักและปฏิสัมพันธ์ทั้งหมดสามารถประมาณค่าได้โดยไม่มีความสับสน (confounding)
สุ่มกำหนดหน่วยทดลอง (ผู้เข้าร่วม, แปลงทดลอง, ชุดการผลิต) ให้กับเซลล์การทดลอง หรือในรูปแบบภายในกลุ่มตัวอย่าง (within-subjects) ให้สุ่มลำดับที่หน่วยแต่ละหน่วยจะได้รับเงื่อนไขทั้งหมด การสุ่มที่เหมาะสมเป็นสิ่งจำเป็นสำหรับการอนุมานเชิงสาเหตุที่ถูกต้อง และสำหรับการตอบสนองสมมติฐานความเป็นอิสระที่อยู่เบื้องหลังการวิเคราะห์ความแปรปรวนแบบแฟกทอเรียล (factorial ANOVA)
ดำเนินการทดลองแต่ละเงื่อนไขตามระเบียบวิธี และบันทึกตัวแปรผลลัพธ์สำหรับแต่ละหน่วย การรักษาขั้นตอนที่สอดคล้องกันในทุกเซลล์ — ยกเว้นการควบคุมปัจจัยโดยเจตนา — เป็นสิ่งสำคัญอย่างยิ่งในการตัดประเด็นที่อาจทำให้สับสนออกไป (confounds)
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
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
Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วMontgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119320937คัดลอกแล้ว