Skip to content
กลับไปยังผลการค้นหา

การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบ

ผู้เสนอ
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
ปี
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
ประเภท
Experimental trial design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบ (factorial RCT) คือการออกแบบการทดลองที่ผู้เข้าร่วมจะได้รับการสุ่มจัดสรรให้กับทุกๆ การผสมผสานที่เป็นไปได้ของปัจจัยอิสระตั้งแต่สองปัจจัยขึ้นไป (การรักษาหรือส่วนประกอบของการแทรกแซง) พร้อมกัน ซึ่งช่วยให้นักวิจัยสามารถประมาณผลกระทบหลักของแต่ละปัจจัยและปฏิสัมพันธ์ของปัจจัยเหล่านั้นได้ภายในหนึ่งการทดลองที่มีประสิทธิภาพ แทนที่จะทำการทดลองแยกกันสำหรับแต่ละปัจจัย

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการทดสอบยาใหม่ร่วมกับโปรแกรมให้คำปรึกษาเชิงพฤติกรรม แทนที่จะทำการทดลองแยกกันสองครั้ง การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบจะสุ่มจัดสรรผู้เข้าร่วมออกเป็นสี่กลุ่ม: ยาเพียงอย่างเดียว, การให้คำปรึกษาเพียงอย่างเดียว, ยาบวกกับการให้คำปรึกษา, และไม่ได้รับอะไรเลย คุณจะได้เรียนรู้ว่ายาได้ผลหรือไม่ การให้คำปรึกษาได้ผลหรือไม่ และที่สำคัญที่สุดคือ ทั้งสองอย่างทำงานร่วมกันได้ดีกว่าที่คาดการณ์จากผลกระทบของแต่ละอย่างหรือไม่ โครงสร้างแบบปัจจัยหลายตัวประกอบนี้ช่วยให้สามารถตอบคำถามหลายข้อได้จากการศึกษาเดียว ตราบใดที่มีผู้เข้าร่วมเพียงพอที่จะประมาณปฏิสัมพันธ์ได้อย่างน่าเชื่อถือ

ประวัติศาสตร์

การทดลองแบบปัจจัยหลายตัวประกอบได้รับการพัฒนาโดย Ronald A. Fisher ที่ Rothamsted Experimental Station ในช่วงทศวรรษที่ 1920 ในฐานะวิธีการศึกษาการรักษาทางการเกษตรหลายรายการพร้อมกัน หนังสือ The Design of Experiments (1935) ของ Fisher ได้ทำให้แนวทางนี้เป็นระบบ การออกแบบแบบปัจจัยหลายตัวประกอบได้เข้าสู่การทดลองทางคลินิกในช่วงปลายศตวรรษที่ 20 โดยเฉพาะอย่างยิ่งในการทดลองขนาดใหญ่ด้านโรคหัวใจและหลอดเลือด เช่น ISIS-2 (1988) ซึ่งใช้การออกแบบแบบปัจจัย 2×2 เพื่อทดสอบแอสไพรินและสเตรปโตคิเนสแยกกัน กรอบการทำงาน MOST ที่ Linda Collins และคณะได้อธิบายไว้ในช่วงปี 2000 ได้ให้บทบาทที่เป็นระบบแก่การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบในการปรับปรุงการแทรกแซงเชิงพฤติกรรม

ควรใช้เมื่อใด

ใช้การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบเมื่อคุณต้องการประเมินส่วนประกอบของการแทรกแซงหรือปริมาณยาตั้งแต่สองรายการขึ้นไปพร้อมกัน และต้องการประมาณผลกระทบทั้งเดี่ยวและผลกระทบร่วมอย่างมีประสิทธิภาพ ซึ่งเป็นสถานการณ์ทั่วไปในการปรับปรุงการแทรกแซงเชิงพฤติกรรม, เภสัชวิทยา, หรือสาธารณสุขที่มีหลายส่วนประกอบ กรอบการทำงาน Multiphase Optimization Strategy (MOST) แนะนำการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบโดยเฉพาะสำหรับระยะคัดกรองในการพัฒนากลยุทธ์การแทรกแซง ห้ามใช้การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบเมื่อ: (1) การศึกษามีกำลังไม่เพียงพอที่จะตรวจจับปฏิสัมพันธ์ ทำให้การประมาณค่าปฏิสัมพันธ์ไม่น่าเชื่อถือ; (2) ปัจจัยมีปฏิสัมพันธ์ที่ทราบกันดีว่ารุนแรงซึ่งละเมิดข้อสมมติฐานของการบวกที่จำเป็นในการให้เหตุผลถึงประสิทธิภาพ; (3) จำนวนปัจจัยมีมากเกินไป (ปัจจัยทวิภาคมากกว่าสี่ปัจจัยจะทำให้จำนวนเงื่อนไขและการสรรหาผู้เข้าร่วมเพิ่มขึ้นอย่างมาก); หรือ (4) ข้อจำกัดทางจริยธรรมหรือการดำเนินงานป้องกันไม่ให้สามารถให้การผสมผสานปัจจัยบางอย่างได้

ข้อจำกัดและข้อควรพิจารณา

  • ข้อกำหนดขนาดตัวอย่างจะเพิ่มขึ้นตามจำนวนปัจจัย และโดยเฉพาะอย่างยิ่งกับความจำเป็นในการมีกำลังเพียงพอสำหรับการทดสอบปฏิสัมพันธ์ ซึ่งโดยทั่วไปต้องใช้ขนาดตัวอย่างเป็นสี่เท่าของขนาดที่จำเป็นสำหรับผลกระทบหลักที่มีขนาดเท่ากัน
  • การบริหารจัดการการผสมผสานที่แตกต่างกันจำนวนมากเพิ่มความซับซ้อนของระเบียบวิธีวิจัย และอาจลดความเที่ยงตรงของการแทรกแซงหากเจ้าหน้าที่หรือผู้เข้าร่วมสับสนกับตารางเงื่อนไข
  • ปฏิสัมพันธ์ระหว่างปัจจัยที่คาดการณ์ไว้ล่วงหน้าอย่างรุนแรงอาจบั่นทอนข้อโต้แย้งเรื่องประสิทธิภาพ — หากต้องทดสอบปัจจัยร่วมกันอยู่แล้ว การออกแบบแบบปัจจัยหลายตัวประกอบจะให้ประโยชน์น้อยลง
  • การตีความจะซับซ้อนเมื่อพบปฏิสัมพันธ์ที่มีนัยสำคัญหลายอย่าง — ผลกระทบหลักอย่างง่ายจะต้องรายงานแยกกันสำหรับแต่ละระดับของปัจจัยที่มีปฏิสัมพันธ์

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ประเมินปัจจัยหลายตัวและปฏิสัมพันธ์ของปัจจัยเหล่านั้นในการทดลองเดียว ช่วยลดจำนวนผู้เข้าร่วมทั้งหมดและเวลาได้อย่างมากเมื่อเทียบกับการทำการทดลองแยกกันสำหรับแต่ละปัจจัย
  • ให้หลักฐานโดยตรงเกี่ยวกับผลกระทบปฏิสัมพันธ์ — ว่าปัจจัยต่างๆ เสริมฤทธิ์ ลดทอน หรือหักล้างผลกระทบของกันและกันหรือไม่
  • เหมาะสมอย่างยิ่งสำหรับระยะการปรับปรุงในการพัฒนากลยุทธ์การแทรกแซงที่มีหลายส่วนประกอบภายใต้กรอบการทำงานเช่น MOST
  • รักษาข้อดีของการอนุมานเชิงสาเหตุของการสุ่ม โดยควบคุมปัจจัยรบกวนสำหรับปัจจัยทั้งหมดพร้อมกัน
  • มีความยืดหยุ่น — สามารถรองรับผลลัพธ์ที่เป็นค่าต่อเนื่อง, ทวิภาค, หรือเรียงลำดับ และแบบจำลองการวิเคราะห์ที่หลากหลาย

การประยุกต์ใช้

  • การคัดกรองส่วนประกอบหลายอย่างของการแทรกแซงสุขภาพเชิงพฤติกรรม (เช่น การผสมผสานการเตือนทางข้อความ, การโทรให้คำปรึกษา, และสิ่งจูงใจใดมีประสิทธิภาพสูงสุดในการเลิกบุหรี่)
  • การปรับปริมาณยาและความถี่ของการรักษาด้วยยา ร่วมกับการแทรกแซงทางจิตสังคมร่วมในการทดลองทางคลินิกเดียว
  • การประเมินคุณสมบัติด้านสุขภาพดิจิทัล — ทดสอบว่าการแจ้งเตือนแบบพุช, การใช้เกม, และคุณสมบัติการเปรียบเทียบทางสังคม ช่วยเพิ่มการมีส่วนร่วมกับแอปได้อย่างอิสระหรือไม่
  • การวิจัยด้านการเกษตรและวิทยาศาสตร์อาหาร ประเมินการผสมผสานของการรักษาดิน, ประเภทปุ๋ย, และระดับการชลประทานต่อผลผลิตพืชผล
  • การวิจัยด้านการศึกษา ทดสอบวิธีการสอนและเวลาในการให้ข้อเสนอแนะพร้อมกันในห้องเรียนที่สุ่มจัดสรร
  • การทดลองป้องกันสาธารณสุขที่ประเมินการแทรกแซงระดับชุมชนตั้งแต่สองรายการขึ้นไป (เช่น การรณรงค์ผ่านสื่อและเจ้าหน้าที่สาธารณสุขชุมชน) ร่วมกัน

วิธีการทำงาน

วิธีการทำงาน

1

นักวิจัยกำหนดปัจจัยอิสระตั้งแต่สองปัจจัยขึ้นไป (เช่น ปัจจัย A: ยาเทียบกับยาหลอก; ปัจจัย B: การให้คำปรึกษาเทียบกับการไม่ให้คำปรึกษา) โดยแต่ละปัจจัยมีจำนวนระดับที่กำหนดไว้ การผสมผสานทั้งหมดของระดับปัจจัยจะกำหนดเงื่อนไขการทดลอง สำหรับปัจจัยทวิภาคสองปัจจัย จะได้ 2×2 = 4 เงื่อนไข การออกแบบควรมีกำลังเพียงพอที่จะตรวจจับทั้งผลกระทบหลักและผลกระทบปฏิสัมพันธ์ที่คาดการณ์ไว้

2

ผู้เข้าร่วมจะได้รับการจัดสรรแบบสุ่มไปยังเงื่อนไขปัจจัยใดเงื่อนไขหนึ่ง โดยทั่วไปการสุ่มจะดำเนินการโดยใช้ลำดับการจัดสรรที่สร้างด้วยคอมพิวเตอร์พร้อมกับการปกปิดเพื่อป้องกันความเอนเอียงในการเลือก ขอแนะนำให้ใช้การแบ่งกลุ่มหรือการแบ่งชั้นตามตัวแปรร่วมที่สำคัญ (เช่น สถานที่, ความรุนแรง) เพื่อสร้างความสมดุลระหว่างเงื่อนไขและเพิ่มความแม่นยำ

3

ผู้เข้าร่วมแต่ละคนจะได้รับการผสมผสานระดับปัจจัยที่จัดสรรให้กับเงื่อนไขของตนเป็นระยะเวลาการแทรกแซงทั้งหมด การปกปิดจะถูกนำมาใช้เท่าที่ทำได้ โดยผู้เข้าร่วมจะไม่ทราบการจัดสรรเงื่อนไขทั้งหมดของตน (ปกปิดฝ่ายเดียว) และผู้ประเมินจะถูกปกปิดเพิ่มเติมจากการจัดสรร (ปกปิดสองฝ่าย) เพื่อป้องกันความเอนเอียงในการปฏิบัติและในการตรวจจับ

4

ผลลัพธ์หลักและผลลัพธ์รองจะถูกวัด ณ จุดเวลาที่กำหนดไว้ล่วงหน้าโดยใช้อุปกรณ์ที่ผ่านการตรวจสอบแล้ว สำหรับการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบทางคลินิก ผลลัพธ์มักจะถูกรวบรวม ณ จุดเริ่มต้น, สิ้นสุดการรักษา, และการติดตามผล จุดสิ้นสุดหลักจะถูกกำหนดก่อนการเปิดเผยข้อมูลเพื่อป้องกันความเอนเอียงในการรายงานผลลัพธ์

5

การวิเคราะห์ใช้แบบจำลอง ANOVA หรือการถดถอยแบบปัจจัยหลายตัวประกอบ (factorial ANOVA or regression model) ซึ่งรวมถึงเทอมสำหรับผลกระทบหลักแต่ละตัวและเทอมปฏิสัมพันธ์ของปัจจัยทั้งหมด เทอมปฏิสัมพันธ์ (A×B) จะทดสอบว่าผลกระทบของปัจจัยหนึ่งแตกต่างกันในระดับของปัจจัยอื่นหรือไม่ หากปฏิสัมพันธ์มีนัยสำคัญน้อย ผลกระทบหลักจะสามารถตีความได้อย่างอิสระ หากปฏิสัมพันธ์มีนัยสำคัญ จะต้องมีการวิเคราะห์แบบมีเงื่อนไข (simple-effects analysis) และจะเปลี่ยนแปลงการตีความผลลัพธ์ในทางปฏิบัติ

ข้อผิดพลาดที่พบบ่อย

  • การมีกำลังไม่เพียงพอสำหรับการทดสอบปฏิสัมพันธ์ — นักวิจัยมักจะคำนวณกำลังสำหรับการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบสำหรับผลกระทบหลักเท่านั้น และพบว่าไม่สามารถตีความเทอมปฏิสัมพันธ์ได้อย่างน่าเชื่อถือ ซึ่งจะทำให้วัตถุประสงค์หลักของการออกแบบเสียไป
  • การละเลยข้อสมมติฐานของการไม่มีปฏิสัมพันธ์เชิงคุณภาพ — หากทิศทางของผลกระทบของปัจจัยหนึ่งกลับทิศทางขึ้นอยู่กับระดับของปัจจัยอื่น การรวมเงื่อนไขสำหรับการวิเคราะห์ผลกระทบหลักจะทำให้เข้าใจผิดและอาจเป็นอันตรายในบริบททางคลินิก
  • การออกแบบแบบปัจจัยหลายตัวประกอบที่ไม่สมบูรณ์โดยไม่มีเหตุผล — การละเว้นการผสมผสานปัจจัยบางอย่างเพื่อความสะดวกจะรบกวนความเป็นอิสระเชิงตั้งฉาก (orthogonality) ที่ทำให้การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบมีประสิทธิภาพ และต้องมีการปรับการวิเคราะห์ที่ซับซ้อนยิ่งขึ้น
  • การไม่คำนึงถึงการจัดกลุ่ม — ในการทดลองที่กลุ่ม (เช่น โรงเรียน, คลินิก) เป็นหน่วยของการสุ่ม แทนที่จะเป็นรายบุคคล การละเลยการจัดกลุ่มในการวิเคราะห์จะเพิ่มอัตราความผิดพลาดประเภทที่หนึ่ง (Type I error rates)
  • การตีความผลกระทบหลักโดยไม่ตรวจสอบปฏิสัมพันธ์ก่อน — การรายงานผลกระทบหลักว่าสามารถนำไปใช้ได้ทั่วไปเมื่อมีปฏิสัมพันธ์ที่มีนัยสำคัญอยู่ เป็นข้อผิดพลาดที่พบบ่อยและร้ายแรง

คำถามที่พบบ่อย

การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบมีประสิทธิภาพมากกว่าการทำการทดลองแยกกันเสมอหรือไม่

เฉพาะเมื่อปฏิสัมพันธ์ระหว่างปัจจัยมีขนาดเล็กหรือไม่มีเลย หากปัจจัยมีปฏิสัมพันธ์กันอย่างรุนแรง การรวมเงื่อนไขที่ทำให้การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบมีประสิทธิภาพจะไม่ถูกต้อง และการทดลองแยกกันหรือตามลำดับอาจจะดีกว่า การเพิ่มประสิทธิภาพนั้นมีอยู่จริงเมื่อการบวกกัน (additivity) เป็นจริง แต่ควรได้รับการประเมิน ไม่ใช่สันนิษฐาน

ฉันจะคำนวณขนาดตัวอย่างสำหรับการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบได้อย่างไร

คุณต้องระบุเป้าหมายกำลัง (power targets) สำหรับผลกระทบหลัก และที่สำคัญที่สุดคือสำหรับปฏิสัมพันธ์ หากการตรวจจับปฏิสัมพันธ์เป็นวัตถุประสงค์ของการศึกษา ผลกระทบปฏิสัมพันธ์โดยทั่วไปต้องใช้ขนาดตัวอย่างประมาณสี่เท่าของผลกระทบหลักที่มีขนาดเท่ากัน ซอฟต์แวร์เช่น G*Power, PASS หรือการจำลองแบบกำหนดเองสามารถจัดการกับการคำนวณกำลังแบบปัจจัยหลายตัวประกอบได้ ขอแนะนำอย่างยิ่งให้ปรึกษาผู้เชี่ยวชาญด้านสถิติก่อนสรุปการออกแบบ

อะไรคือความแตกต่างระหว่างการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบกับการทดลองแบบหลายแขน (multi-arm trial)

การทดลองแบบหลายแขนเปรียบเทียบการรักษาที่แยกจากกันหลายรายการกับกลุ่มควบคุมร่วม โดยทั่วไปจะวิเคราะห์แต่ละแขนเทียบกับกลุ่มควบคุมแยกกัน การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบจะตัดกันระหว่างปัจจัยตั้งแต่สองปัจจัยขึ้นไป เพื่อให้ผู้เข้าร่วมแต่ละคนมีส่วนร่วมในการประมาณผลกระทบหลักของแต่ละปัจจัย ทำให้สามารถทดสอบปฏิสัมพันธ์และเพิ่มประสิทธิภาพทางสถิติภายใต้ข้อสมมติฐานของการบวกได้ การทดลองแบบหลายแขนจะดีกว่าเมื่อการรักษาต่างๆ มีความแตกต่างกันในเชิงแนวคิดและไม่สนใจปฏิสัมพันธ์

ฉันสามารถใช้การออกแบบแบบปัจจัยหลายตัวประกอบในการทดลองแบบครอสโอเวอร์ (crossover) หรือการทดลองแบบสุ่มกลุ่ม (cluster-randomized trial) ได้หรือไม่

ได้ การออกแบบแบบปัจจัยหลายตัวประกอบสามารถฝังอยู่ในกรอบการทำงานแบบครอสโอเวอร์หรือแบบสุ่มกลุ่มได้ การทดลองแบบสุ่มกลุ่มที่มีปัจจัยหลายตัวประกอบจะสุ่มจัดสรรกลุ่มที่สมบูรณ์ไปยังเงื่อนไขแบบปัจจัยหลายตัวประกอบ; การทดลองแบบครอสโอเวอร์แบบปัจจัยหลายตัวประกอบ ผู้เข้าร่วมจะได้รับการผสมผสานปัจจัยที่แตกต่างกันตามลำดับ การผสมผสานทั้งสองอย่างจะเพิ่มความซับซ้อนในการวิเคราะห์ — ผลกระทบจากการต่อเนื่อง (carryover effects) ในแบบครอสโอเวอร์ และสหสัมพันธ์ภายในกลุ่ม (intraclass correlation) ในการออกแบบแบบกลุ่ม — และต้องอาศัยคำแนะนำจากผู้เชี่ยวชาญด้านสถิติ

กรอบการทำงาน MOST เพิ่มอะไรให้กับการทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบ

MOST (Multiphase Optimization Strategy) ที่พัฒนาโดย Linda Collins และคณะ เป็นกรอบการทำงานที่มีหลักการสำหรับการใช้การทดลองแบบสุ่มที่มีปัจจัยหลายตัวประกอบในช่วงการคัดกรองและปรับปรุงแก้ไขในการพัฒนากลยุทธ์การแทรกแซงที่มีหลายส่วนประกอบ ก่อนการทดลองประสิทธิภาพขั้นสุดท้าย โดยกำหนดกฎการตัดสินใจในการคงไว้หรือยกเลิกส่วนประกอบตามผลกระทบหลักและปฏิสัมพันธ์ เพื่อนำทางการปรับปรุงอย่างซ้ำๆ แทนที่จะสรุปผลแบบยอมรับ/ปฏิเสธอย่างง่าย

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Collins, L. M., Dziak, J. J., Kugler, K. C., & Trail, J. B. (2014). Factorial experiments: Efficient tools for evaluation of intervention components. American Journal of Preventive Medicine, 47(4), 498–504.

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

    ISBN: 978-1119492443
    คัดลอกแล้ว