Skip to content
กลับไปยังผลการค้นหา

การทดลองแฟกทอเรียลแบบเศษส่วน — การออกแบบการทดลองแฟกทอเรียลแบบเศษส่วน

ผู้เสนอ
D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
ปี
1945 (Finney); broader development 1950s–1970s by Box, Hunter
ประเภท
Quantitative experimental design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองแฟกทอเรียลแบบเศษส่วน (Fractional Factorial Experiment) คือการออกแบบการทดลองที่ใช้ทรัพยากรอย่างมีประสิทธิภาพ โดยทำการทดสอบเพียงส่วนน้อยที่คัดเลือกมาอย่างดีจากชุดค่าผสมของระดับปัจจัยที่เป็นไปได้ทั้งหมด ด้วยการใช้ประโยชน์จากหลักการที่ว่าอันตรกิริยาระดับสูงมักจะไม่มีนัยสำคัญ การออกแบบนี้จะระบุผลกระทบหลักและอันตรกิริยาระดับต่ำของปัจจัย k โดยใช้จำนวนครั้งที่ทำการทดลองน้อยกว่าการออกแบบแฟกทอเรียลเต็มรูปแบบอย่างมาก ทำให้เป็นการออกแบบหลักสำหรับการทดลองคัดกรองในอุตสาหกรรมและวิศวกรรม

แนวคิดเบื้องหลังวิธีการ

สมมติว่าคุณต้องการศึกษาปัจจัย 7 ตัว โดยแต่ละตัวมีสองระดับ การออกแบบแฟกทอเรียลเต็มรูปแบบจะต้องทำการทดลอง 128 ครั้ง ซึ่งไม่สามารถทำได้จริงและมีค่าใช้จ่ายสูง การทดลองแฟกทอเรียลแบบเศษส่วนจะใช้เพียงครึ่งหนึ่ง (หรือหนึ่งในสี่) ของชุดค่าผสมเหล่านั้นที่เลือกมาอย่างมีกลยุทธ์: 64 หรือ 32 ครั้ง เคล็ดลับคือการทดลองแต่ละครั้งที่ถูกละเว้นไปนั้นสอดคล้องกับอันตรกิริยาระดับสูงที่แทบจะไม่มีค่าเป็นศูนย์ในทางปฏิบัติ คุณยอมแลกความสามารถในการประมาณค่าอันตรกิริยาที่ไม่น่าจะเป็นไปได้เหล่านั้นกับการลดต้นทุนการทดลองลงอย่างมาก ในขณะที่ยังคงจับผลกระทบที่สำคัญที่สุดได้ หัวใจสำคัญคือการทราบแน่ชัดว่าผลกระทบใดบ้างที่ถูกทำให้สับสน (aliased) ซึ่งกันและกัน เพื่อให้สามารถตีความผลลัพธ์ได้อย่างถูกต้อง

ประวัติศาสตร์

การออกแบบการทดลองแฟกทอเรียลแบบเศษส่วนมีต้นกำเนิดมาจากการทำงานพื้นฐานของ Ronald Fisher เกี่ยวกับการทดลองแฟกทอเรียลที่ Rothamsted Experimental Station ในช่วงทศวรรษที่ 1920 และ 1930 D. J. Finney ได้แนะนำการจำลองแบบเศษส่วนอย่างเป็นทางการในบทความปี 1945 ในวารสาร Annals of Eugenics โดยแสดงให้เห็นว่าชุดการทดลองที่เลือกมาอย่างระมัดระวังสามารถประมาณค่าผลกระทบหลักได้โดยเสียสละเพียงอันตรกิริยาระดับสูงเท่านั้น George Box, J. Stuart Hunter และ William Hunter ได้ทำให้วิธีการนี้เป็นที่นิยมและเป็นระบบสำหรับการทดลองในอุตสาหกรรมผ่านชุดตำราที่มีอิทธิพลของพวกเขาซึ่งเริ่มในปี 1978 โดยกำหนดให้ระดับของการออกแบบ (resolution) และการสับสน (aliasing) เป็นแนวคิดหลักที่ผู้ปฏิบัติงานใช้ในปัจจุบัน การออกแบบเหล่านี้ยังคงเป็นรากฐานสำคัญของการฝึกอบรม Six Sigma, Design of Experiments (DOE) และวิศวกรรมคุณภาพทั่วโลก

ควรใช้เมื่อใด

ใช้การออกแบบการทดลองแฟกทอเรียลแบบเศษส่วนเมื่อคุณมีปัจจัยจำนวนมาก (โดยทั่วไปคือห้าปัจจัยขึ้นไป) ที่ต้องการคัดกรองและไม่สามารถทำการทดลองแฟกทอเรียลเต็มรูปแบบได้ เมื่อทรัพยากร (เวลา วัสดุ ค่าใช้จ่าย) มีจำกัด และเมื่อสันนิษฐานว่าอันตรกิริยาระดับสูงไม่มีนัยสำคัญ ซึ่งเป็นข้อสันนิษฐานที่สมเหตุสมผลในการทดลองทางกายภาพ เคมี และวิศวกรรมส่วนใหญ่ การออกแบบนี้เป็นการก้าวแรกตามปกติในกลยุทธ์การทดลองแบบต่อเนื่อง (คัดกรอง → ปรับให้เหมาะสม) **ห้าม**ใช้เมื่อคุณต้องการประมาณค่าอันตรกิริยาระดับสูงทั้งหมด (ให้ใช้การออกแบบแฟกทอเรียลเต็มรูปแบบแทน) เมื่อคุณมีปัจจัยน้อยกว่าสี่หรือห้าตัว (การออกแบบแฟกทอเรียลเต็มรูปแบบสามารถทำได้) เมื่อการสับสนของอันตรกิริยาสองปัจจัยเป็นสิ่งที่ยอมรับไม่ได้หากไม่มีการทดลองเพิ่มเติม หรือเมื่อพื้นผิวการตอบสนอง (response surface) จำเป็นต้องได้รับการอธิบายอย่างละเอียด (ให้ใช้วิธีการพื้นผิวการตอบสนองแทน)

ข้อจำกัดและข้อควรพิจารณา

  • การสับสน (Aliasing) หมายความว่าผลกระทบบางอย่างไม่สามารถประมาณค่าได้อย่างอิสระภายในเศษส่วนเดียว การแก้ไขการสับสนต้องใช้การทดลองเพิ่มเติม
  • ข้อสันนิษฐานที่ว่าอันตรกิริยาระดับสูงไม่มีนัยสำคัญอาจไม่เป็นจริงในระบบชีวภาพ สังคม หรือระบบที่ซับซ้อน
  • ต้องมีความรู้ความเข้าใจทางสถิติเพื่อระบุตัวสร้าง (generators) ได้อย่างถูกต้อง ตรวจสอบระดับของการออกแบบ (resolution) และตีความรูปแบบการสับสน (alias pattern)
  • ด้วยจำนวนครั้งที่ทำการทดลองน้อยมาก (เช่น การออกแบบ Resolution III จำนวน 8 ครั้งสำหรับ 7 ปัจจัย) จึงมีกำลังในการตรวจจับผลกระทบส่วนใหญ่ได้น้อย

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ลดจำนวนครั้งที่ทำการทดลองลงอย่างมากเมื่อเทียบกับการออกแบบแฟกทอเรียลเต็มรูปแบบ ช่วยประหยัดเวลาและทรัพยากร
  • โครงสร้างการสับสนที่เป็นระบบหมายความว่านักวิจัยทราบแน่ชัดเสมอว่าผลกระทบใดบ้างที่สับสนกัน — ไม่มีความคลุมเครือที่ซ่อนอยู่
  • สามารถทำต่อเนื่องและรวมกันได้: เศษส่วนสามารถพับทับหรือรวมกับเศษส่วนใหม่เพื่อแยกแยะผลกระทบที่สำคัญในระยะที่สอง
  • ได้รับการสนับสนุนอย่างกว้างขวางในซอฟต์แวร์ทางสถิติ (R, SAS, JMP, Minitab) และมีเอกสารประกอบมากมายในวรรณกรรม
  • โครงสร้างการออกแบบที่ตั้งฉาก (orthogonal) ทำให้การประมาณค่าพารามิเตอร์ตรงไปตรงมาและมีประสิทธิภาพทางสถิติ

การประยุกต์ใช้

  • การคัดกรองตัวแปรในกระบวนการผลิตทางเคมีหรือเภสัชกรรมหลายสิบตัวเพื่อระบุตัวแปรเพียงไม่กี่ตัวที่มีผลต่อผลผลิตหรือความบริสุทธิ์มากที่สุด
  • การปรับปรุงการรักษาทางการเกษตร — การผสมผสานปุ๋ย การชลประทาน ยาฆ่าแมลง — ตลอดฤดูปลูกโดยใช้แปลงทดลองที่จำกัด
  • การศึกษาการออกแบบผลิตภัณฑ์ทางวิศวกรรมที่ต้องสำรวจพารามิเตอร์วัสดุ รูปทรง และกระบวนการทั้งหมดภายในงบประมาณการสร้างต้นแบบที่จำกัด
  • การทดลองซอฟต์แวร์และเว็บ (feature flags, UI elements) เมื่อการทำการทดลองแฟกทอเรียลเต็มรูปแบบสำหรับฟีเจอร์จำนวนมากพร้อมกันเป็นไปไม่ได้
  • การพัฒนากระบวนการทางเคมีวิเคราะห์ — การระบุความเข้มข้นของสารทำปฏิกิริยา อุณหภูมิ และการตั้งค่าเครื่องมือที่ส่งผลต่อประสิทธิภาพของการทดสอบ
  • โครงการปรับปรุงคุณภาพในการผลิตโดยใช้กรอบการทำงาน DMAIC หรือ Six Sigma

วิธีการทำงาน

วิธีการทำงาน

1

ระบุปัจจัย k ทั้งหมดที่จะทำการศึกษาและกำหนดระดับของปัจจัยเหล่านั้น (โดยทั่วไปคือสองระดับ — ต่ำและสูง ซึ่งแทนด้วย -1 และ +1) ชี้แจงตัวแปรตอบสนองที่จะทำการวัด หากมีปัจจัยมากกว่าห้าหรือหกตัว การออกแบบแบบเศษส่วนมักจะมีความจำเป็น แต่หากมีน้อยกว่าสี่ตัว การออกแบบแฟกทอเรียลเต็มรูปแบบมักจะสามารถทำได้

2

เลือกเศษส่วน 2^(k-p) โดยที่ p กำหนดว่ามีกี่คอลัมน์ของปัจจัยที่ถูกสร้างขึ้นจากการคูณคอลัมน์ที่มีอยู่ เศษส่วนครึ่งหนึ่ง (p=1) ใช้ 2^(k-1) ครั้ง เศษส่วนหนึ่งในสี่ (p=2) ใช้ 2^(k-2) ครั้ง ระดับของการออกแบบ (Resolution) (III, IV, V) จะกำหนดว่าผลกระทบใดบ้างที่ถูกทำให้สับสน (aliased): Resolution III ทำให้ผลกระทบหลักสับสนกับอันตรกิริยาสองปัจจัย Resolution IV ทำให้ผลกระทบสองปัจจัยสับสนซึ่งกันและกัน Resolution V หรือสูงกว่า จะทำให้ผลกระทบหลักและอันตรกิริยาสองปัจจัยแยกจากกัน

สูตร
2^{k-p}
3

สร้างเมทริกซ์การออกแบบโดยการเขียนการออกแบบแฟกทอเรียลเต็มรูปแบบในปัจจัยพื้นฐาน k-p ก่อน จากนั้นจึงสร้างคอลัมน์ p เพิ่มเติมโดยการคูณคอลัมน์ที่มีอยู่ตามตัวสร้าง (generator) ที่เลือก ตรวจสอบโครงสร้างการสับสน (alias pattern) เพื่อยืนยันว่ายอมรับได้สำหรับคำถามวิจัย

4

ทำการทดลองตามลำดับแบบสุ่มเพื่อป้องกันอคติที่เป็นระบบซึ่งเกี่ยวข้องกับเวลา ใช้การแบ่งบล็อก (blocking) หากมีปัจจัยรบกวน เช่น รุ่นการผลิต วัน หรือผู้ปฏิบัติงาน บันทึกค่าตอบสนองที่วัดได้สำหรับการทดลองแต่ละครั้ง รวมถึงการทดลองซ้ำหรือจุดกึ่งกลาง (center-point runs) ที่รวมอยู่เพื่อประมาณค่าความคลาดเคลื่อนที่แท้จริง

5

ประมาณค่าผลกระทบหลักและผลกระทบอันตรกิริยาโดยใช้การถดถอยกำลังสองน้อยที่สุด (ordinary least squares) หรืออัลกอริทึมของ Yates คำนวณขนาดของผลกระทบและค่าความคลาดเคลื่อนมาตรฐาน ใช้แผนภาพความน่าจะเป็นปกติของผลกระทบ (normal probability plot of effects) แผนภาพครึ่งปกติ (half-normal plot) หรือวิธีของ Lenth เพื่อแยกแยะผลกระทบที่สำคัญ (active effects) ออกจากสัญญาณรบกวน โดยเฉพาะอย่างยิ่งเมื่อไม่มีการทดลองซ้ำเพื่อให้ประมาณค่าความคลาดเคลื่อนโดยตรง

6

ตีความผลกระทบที่ประมาณค่าได้แต่ละรายการโดยพิจารณาจากโครงสร้างการสับสน: ค่าประมาณที่มีนัยสำคัญอาจสะท้อนถึงผลกระทบที่ระบุ ชื่อของผลกระทบที่สับสน หรือทั้งสองอย่าง ใช้ความรู้เฉพาะทางสาขา การทดลองยืนยันเพิ่มเติม หรือการออกแบบแบบพับทับ (fold-over design) เพื่อแยกแยะผลกระทบที่สับสนซึ่งไม่สามารถแก้ไขได้จากการทดลองเศษส่วนปัจจุบัน รายงานระดับของการออกแบบและรูปแบบการสับสนอย่างโปร่งใส เพื่อให้ผู้อ่านสามารถประเมินได้ว่าผลกระทบใดบ้างที่สามารถประมาณค่าได้และไม่ได้

ข้อผิดพลาดที่พบบ่อย

  • การเลือกระดับของการออกแบบ (resolution) ที่ต่ำเกินไป (เช่น Resolution III) เมื่ออันตรกิริยาสองปัจจัยมีความเป็นไปได้ — การประมาณค่าผลกระทบหลักจะมีความเอนเอียงจากอันตรกิริยาเหล่านั้น และผลลัพธ์อาจทำให้เข้าใจผิดอย่างร้ายแรง
  • การละเลยการสุ่ม: การทำการทดลองตามลำดับมาตรฐานจะนำไปสู่การสับสนกับแนวโน้มตามเวลาที่โครงสร้างการสับสนไม่ได้ถูกออกแบบมาเพื่อจัดการ
  • การไม่รายงานรูปแบบการสับสน (alias pattern) ในเอกสาร ทำให้ผู้อ่าน (หรือผู้ทบทวน) ไม่สามารถประเมินได้ว่าผลกระทบใดบ้างที่สามารถประมาณค่าได้
  • การปฏิบัติต่อผลการคัดกรองเสมือนเป็นผลสุดท้ายโดยไม่มีการทดลองยืนยันหรือขั้นตอนการปรับให้เหมาะสมเพิ่มเติม — การออกแบบแฟกทอเรียลแบบเศษส่วนโดยเนื้อแท้แล้วเป็นขั้นตอนแรก ไม่ใช่คำตอบสุดท้าย

คำถามที่พบบ่อย

คำว่า 'resolution' ในการออกแบบการทดลองแฟกทอเรียลแบบเศษส่วนหมายถึงอะไร?

Resolution อธิบายว่าผลกระทบใดบ้างที่สับสน (aliased) กับผลกระทบใด Resolution III: ผลกระทบหลักสับสนกับอันตรกิริยาสองปัจจัย — ใช้เฉพาะเมื่ออันตรกิริยาสองปัจจัยทราบว่าไม่มีนัยสำคัญ Resolution IV: ผลกระทบหลักแยกจากอันตรกิริยาสองปัจจัย แต่อันตรกิริยาสองปัจจัยสับสนซึ่งกันและกัน Resolution V หรือสูงกว่า: ทั้งผลกระทบหลักและอันตรกิริยาสองปัจจัยสามารถประมาณค่าได้อย่างอิสระ — เป็นที่ต้องการเมื่ออันตรกิริยาสองปัจจัยมีความเป็นไปได้

ฉันจะเลือกระหว่างเศษส่วนครึ่งหนึ่งกับเศษส่วนหนึ่งในสี่ได้อย่างไร?

เศษส่วนครึ่งหนึ่ง (2^(k-1)) รักษาระดับของการออกแบบ (resolution) ที่สูงกว่า แต่ลดจำนวนครั้งที่ทำการทดลองลงครึ่งหนึ่งเท่านั้น เศษส่วนหนึ่งในสี่ (2^(k-2)) มีขนาดเล็กกว่า แต่โดยทั่วไปมีระดับของการออกแบบที่ต่ำกว่า ทำให้ปัญหาการสับสนเพิ่มขึ้น หากคุณมีปัจจัยเจ็ดตัวขึ้นไปและทรัพยากรมีจำกัดมาก ให้เริ่มต้นด้วยเศษส่วนหนึ่งในสี่ที่มี Resolution IV หากคุณมีปัจจัยสี่ถึงหกตัว เศษส่วนครึ่งหนึ่งที่ Resolution IV หรือ V มักจะสามารถทำได้และเป็นที่ต้องการมากกว่า

การทดลองแฟกทอเรียลแบบเศษส่วนแตกต่างจากการออกแบบ Plackett-Burman อย่างไร?

ทั้งสองเป็นการออกแบบคัดกรองสำหรับปัจจัยจำนวนมากในการทดลองจำนวนน้อย แต่ใช้หลักการสร้างที่แตกต่างกัน การออกแบบแฟกทอเรียลแบบเศษส่วน (2^(k-p)) มีพื้นฐานมาจากการออกแบบแฟกทอเรียลเต็มรูปแบบสองระดับและมีโครงสร้างการสับสนที่ชัดเจนและตีความได้ง่าย การออกแบบ Plackett-Burman ใช้เมทริกซ์ Hadamard มีความยืดหยุ่นมากกว่าในเรื่องจำนวนครั้งที่ทำการทดลอง (เป็นจำนวนเท่าของ 4) แต่มีโครงสร้างการสับสนที่ซับซ้อนกว่าและไม่เป็นลำดับชั้น ทำให้การตีความอันตรกิริยาสองปัจจัยทำได้ยากขึ้น

ฉันควรทำอย่างไรหลังจากที่การทดลองแฟกทอเรียลแบบเศษส่วนระบุปัจจัยที่มีนัยสำคัญ?

การทดลองแฟกทอเรียลแบบเศษส่วนเป็นการออกแบบคัดกรอง ไม่ใช่การออกแบบเพื่อปรับให้เหมาะสม เมื่อระบุปัจจัยที่มีนัยสำคัญได้แล้ว ให้ดำเนินการในระยะต่อไป: พับทับ (fold-over) เศษส่วนเดิมเพื่อแก้ไขผลกระทบที่สับสน จากนั้นใช้ระเบียบวิธีพื้นผิวการตอบสนอง (response surface method) (เช่น การออกแบบ Central Composite หรือ Box-Behnken) หรือการออกแบบแฟกทอเรียลเต็มรูปแบบใหม่สำหรับเฉพาะปัจจัยที่มีนัยสำคัญ เพื่ออธิบายและปรับปรุงค่าตอบสนองให้เหมาะสม

ฉันสามารถใช้การทดลองแฟกทอเรียลแบบเศษส่วนที่มีระดับมากกว่าสองระดับต่อปัจจัยได้หรือไม่?

ได้ การออกแบบแฟกทอเรียลแบบเศษส่วนสามระดับ (เช่น การออกแบบ 3^(k-p)) มีอยู่และใช้เมื่อสงสัยว่ามีภาวะโค้ง (curvature) อย่างไรก็ตาม การออกแบบเหล่านี้ต้องใช้จำนวนครั้งที่ทำการทดลองมากกว่าการออกแบบสองระดับอย่างมาก สำหรับการคัดกรองเบื้องต้น การออกแบบแฟกทอเรียลแบบเศษส่วนสองระดับเกือบจะถูกนำมาใช้เสมอ การออกแบบสามระดับหรือแบบผสมระดับมักใช้กันทั่วไปในระยะการปรับให้เหมาะสม

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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
    คัดลอกแล้ว
  2. Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว