Skip to content
กลับไปยังผลการค้นหา

การทดลองแบบแฟกทอเรียลเต็มรูปแบบ — การออกแบบการทดลองแบบแฟกทอเรียลสมบูรณ์

ผู้เสนอ
Ronald A. Fisher
ปี
1926 (Fisher's foundational paper); codified by the 1950s–1960s
ประเภท
Experimental design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองแบบแฟกทอเรียลเต็มรูปแบบจะดำเนินการทุกการผสมผสานที่เป็นไปได้ของระดับปัจจัยที่เลือกทั้งหมด ทำให้เป็นมาตรฐานทองคำสำหรับการประมาณค่าผลกระทบหลัก อันตรกิริยาสองทาง และอันตรกิริยาระดับสูงกว่าระหว่างตัวแปรอิสระหลายตัวพร้อมกัน การแนะนำผ่านงานพื้นฐานของโรนัลด์ ฟิชเชอร์เกี่ยวกับการออกแบบแฟกทอเรียลในทศวรรษที่ 1920 และจัดระบบโดยบ็อกซ์ ฮันเตอร์ และมอนต์โกเมอรี ทำให้ข้อมูลที่สมบูรณ์เกี่ยวกับวิธีการที่ปัจจัยต่างๆ ทำงานทั้งเดี่ยวและร่วมกันต่อผลลัพธ์

แนวคิดเบื้องหลังวิธีการ

สมมติว่าคุณกำลังทดสอบปุ๋ยสองชนิด (A, B) และตารางการรดน้ำสามแบบ (รายวัน รายสัปดาห์ รายเดือน) ต่อผลผลิตพืช การออกแบบแฟกทอเรียลเต็มรูปแบบหมายความว่าคุณปลูกพืชภายใต้การผสมผสานทั้งหมด 2 × 3 = 6 แบบ ไม่ใช่แค่แต่ละปัจจัยแยกกัน สิ่งนี้มีประสิทธิภาพเนื่องจากผลกระทบของปุ๋ยอาจขึ้นอยู่กับความถี่ในการรดน้ำ — อันตรกิริยาที่การศึกษาแบบปัจจัยเดียวทีละอย่างพลาดไปโดยสิ้นเชิง แฟกทอเรียลเต็มรูปแบบจับอันตรกิริยาทั้งหมดโดยการรับรองว่าแต่ละระดับของปัจจัยหนึ่งจะปรากฏร่วมกับทุกระดับของปัจจัยอื่น ๆ ทั้งหมด ทำให้ได้มุมมองที่สมดุลและไม่สับสนของปริภูมิปัจจัยทั้งหมด

ประวัติศาสตร์

โรนัลด์ ฟิชเชอร์ แนะนำแนวคิดของการทดลองแบบแฟกทอเรียลในบทความสำคัญของเขาในปี 1926 และพัฒนาอย่างเต็มที่ใน The Design of Experiments (1935) โดยโต้แย้งว่าการศึกษาปัจจัยหลายอย่างพร้อมกันมีประสิทธิภาพมากกว่าวิธีการศึกษาทีละปัจจัย แฟรงค์ เยตส์ ได้กำหนดรูปแบบสัญกรณ์และการคำนวณผลกระทบแฟกทอเรียลในทศวรรษที่ 1930 จอร์จ บ็อกซ์ เจ. สจวร์ต ฮันเตอร์ และวิลเลียม ฮันเตอร์ ได้จัดระบบการประยุกต์ใช้การออกแบบแฟกทอเรียลในทางปฏิบัติสำหรับการตั้งค่าทางอุตสาหกรรมและทางวิทยาศาสตร์ในตำราสำคัญของพวกเขาในปี 1978 (ปรับปรุงปี 2005) ตำราเรียนที่ได้รับการยอมรับอย่างกว้างขวางของดักลาส มอนต์โกเมอรี (ฉบับพิมพ์ครั้งแรกปี 1976) ได้ทำให้การออกแบบแฟกทอเรียลเต็มรูปแบบเป็นหัวใจสำคัญของหลักสูตรวิศวกรรมศาสตร์และวิทยาศาสตร์ประยุกต์ทั่วโลก

ควรใช้เมื่อใด

ใช้การทดลองแบบแฟกทอเรียลเต็มรูปแบบเมื่อคุณมีปัจจัยจำนวนน้อย (โดยทั่วไป k ≤ 4 หรือ 5 สำหรับการออกแบบสองระดับ) และต้องการประมาณค่าผลกระทบหลักและอันตรกิริยาทั้งหมดโดยไม่มีความคลุมเครือ เป็นตัวเลือกที่เหมาะสมเมื่อคาดว่าจะมีอันตรกิริยาหรือการมีอยู่ของอันตรกิริยามีความสำคัญทางวิทยาศาสตร์ เมื่อทรัพยากรเอื้ออำนวยให้ดำเนินการทุกการผสมผสาน และเมื่อผลลัพธ์สามารถวัดได้ภายใต้สภาวะที่ควบคุมได้ อย่าใช้การออกแบบแฟกทอเรียลเต็มรูปแบบเมื่อ k มีค่ามาก (เช่น k ≥ 6 ที่สองระดับ) เนื่องจากจำนวนการทดลอง 64+ ที่จำเป็นจะกลายเป็นเรื่องที่ไม่สามารถทำได้ — ควรเลือกการออกแบบแฟกทอเรียลบางส่วนหรือการออกแบบพื้นผิวการตอบสนองแทน หลีกเลี่ยงการออกแบบนี้เมื่อต้นทุนการทดลองหรือข้อจำกัดด้านวัสดุทำให้ N = 2^k (หรือ 3^k) สูงเกินไป หรือเมื่อคุณสนใจเฉพาะผลกระทบหลักและมีเหตุผลทางทฤษฎีที่แข็งแกร่งที่จะสมมติว่าไม่มีอันตรกิริยา

ข้อจำกัดและข้อควรพิจารณา

  • จำนวนการทดลองเพิ่มขึ้นแบบทวีคูณตามจำนวนปัจจัย: 2^k = 32 การทดลองสำหรับ 5 ปัจจัย, 64 สำหรับ 6 — กลายเป็นเรื่องที่ไม่สามารถปฏิบัติได้อย่างรวดเร็ว
  • อันตรกิริยาระดับสูง (สามทางหรือสูงกว่า) สามารถประมาณค่าได้ แต่ไม่ค่อยสามารถตีความได้หรือมีความหมายทางวิทยาศาสตร์ ทำให้การทดลองจำนวนมากซ้ำซ้อนในแง่ของข้อมูล
  • สมมติว่าปัจจัยสามารถตั้งค่าได้อย่างแม่นยำที่ระดับที่ระบุ การควบคุมปัจจัยมักจะง่ายกว่าในห้องปฏิบัติการมากกว่าในสภาพแวดล้อมภาคสนามหรือองค์กร
  • การทำซ้ำต้องใช้ทรัพยากรมาก หากไม่มีการทำซ้ำ การประมาณค่าความคลาดเคลื่อนจะอาศัยการรวมกำลังสองของผลรวมจากอันตรกิริยาระดับสูงที่น้อยมาก (ซึ่งถือว่าเป็นศูนย์) ซึ่งเป็นการสมมติฐานที่มีความเสี่ยง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ประมาณค่าผลกระทบหลักและอันตรกิริยาทั้งหมดโดยไม่มีการสับสนหรือการทำให้สับสน — ภาพที่สมบูรณ์ที่สุดเท่าที่จะเป็นไปได้จากการทดลองที่ควบคุมได้
  • การออกแบบตั้งฉาก: การประมาณค่าผลกระทบทั้งหมดเป็นอิสระต่อกันทางสถิติ ทำให้การตีความตรงไปตรงมา
  • ให้การประมาณค่าความคลาดเคลื่อนที่บริสุทธิ์เมื่อมีการทำซ้ำการทดลอง ช่วยให้การทดสอบสมมติฐานมีความเข้มงวดผ่าน ANOVA
  • โครงสร้างที่ยืดหยุ่น: ทำงานร่วมกับปัจจัยประเภทต่อเนื่อง หมวดหมู่ หรือผสม และสามารถรวมการบล็อกเพื่อควบคุมตัวแปรที่น่ารำคาญ
  • ปรับขนาดได้อย่างเป็นธรรมชาติ: การออกแบบ 2^k ที่มีการทดลองจุดกึ่งกลางสามารถเสริมเป็นการออกแบบพื้นผิวการตอบสนอง (การออกแบบจุดกึ่งกลางหรือ Box-Behnken) เพื่อตรวจจับความโค้ง

การประยุกต์ใช้

  • การกำหนดสูตรยา: การปรับปรุงความเข้มข้นของยา ประเภทสารเพิ่มปริมาณ และอุณหภูมิให้เหมาะสมพร้อมกัน เพื่อเพิ่มอัตราการละลายสูงสุด
  • วิทยาศาสตร์การเกษตร: การทดสอบการผสมผสานของปุ๋ย ระดับการชลประทาน และความหนาแน่นของการปลูกต่อผลผลิตพืช
  • การปรับปรุงกระบวนการผลิต: การระบุว่าความเร็วเครื่องจักร อุณหภูมิ และเกรดวัสดุส่งผลต่อความต้านทานแรงดึงของผลิตภัณฑ์ร่วมกันอย่างไร
  • การทดลองพฤติกรรมและการศึกษา: การตรวจสอบว่าวิธีการสอน ขนาดชั้นเรียน และประเภทการประเมินมีปฏิสัมพันธ์กันอย่างไรเพื่อส่งผลต่อผลลัพธ์การเรียนรู้
  • การวิจัยทางคลินิกและสุขภาพ: การประเมินการผสมผสานส่วนประกอบของการแทรกแซงพฤติกรรมเพื่อระบุว่าการผสมผสานใดที่ขับเคลื่อนผลการรักษา
  • วิศวกรรมซอฟต์แวร์: การทดสอบผลกระทบของประเภทอัลกอริทึม ขนาดชุดข้อมูล และการกำหนดค่าฮาร์ดแวร์ต่อประสิทธิภาพการคำนวณ

วิธีการทำงาน

วิธีการทำงาน

1

ระบุปัจจัยการทดลอง k และระบุระดับสำหรับแต่ละปัจจัย การออกแบบสองระดับ (แต่ละปัจจัยที่ระดับต่ำ/สูง) จะแสดงด้วย 2^k; การออกแบบสามระดับคือ 3^k ระดับปัจจัยควรถูกเลือกให้ครอบคลุมช่วงที่สนใจในทางปฏิบัติหรือทางวิทยาศาสตร์ จำนวนรวมของการผสมผสานการรักษาเท่ากับผลคูณของจำนวนระดับทั้งหมดในทุกปัจจัย

2

จำนวนรวมของการทดลองคือ N = ผลคูณของจำนวนระดับทั้งหมด (เช่น 2^3 = 8 สำหรับปัจจัยสามระดับสองระดับ) สิ่งนี้เพิ่มขึ้นแบบทวีคูณตามจำนวนปัจจัย ดังนั้นการออกแบบแฟกทอเรียลเต็มรูปแบบจึงมีความเป็นไปได้มากที่สุดเมื่อ k มีค่าน้อย (โดยทั่วไป k ≤ 5 สำหรับปัจจัยสองระดับ) เมทริกซ์การออกแบบจะถูกสร้างขึ้นโดยแสดงรายการทุกการผสมผสาน การทำซ้ำของการผสมผสานแต่ละครั้งจะช่วยเพิ่มการประมาณค่าความคลาดเคลื่อน

สูตร
N = \prod_{i=1}^{k} l_i
3

หน่วยทดลองจะถูกสุ่มกำหนดให้กับการผสมผสานการรักษาแต่ละครั้ง หรือลำดับของการทดลองจะถูกสุ่มทั้งหมด การสุ่มช่วยป้องกันอคติที่เป็นระบบจากแนวโน้มตามเวลา ความเหนื่อยล้า หรือการเปลี่ยนแปลงของอุปกรณ์ หากมีตัวแปรที่น่ารำคาญบางอย่างที่ทราบ (เช่น ชุดงาน ผู้ดำเนินการ วัน) การบล็อกจะถูกเพิ่มเพื่อแยกความแปรปรวนออกโดยไม่ทำให้การประมาณค่าปัจจัยสับสน

4

ตัวแปรการตอบสนองจะถูกวัดสำหรับการทดลองแต่ละครั้งภายใต้การผสมผสานระดับปัจจัยที่กำหนด ข้อมูลจะถูกบันทึกอย่างเป็นระบบ โดยรักษาความเชื่อมโยงระหว่างลำดับการทดลอง การตั้งค่าปัจจัย และผลลัพธ์ที่สังเกตได้ ขอแนะนำให้ทำซ้ำหลายครั้งต่อเซลล์เมื่อทรัพยากรเอื้ออำนวย เนื่องจากจะให้การประมาณค่าความคลาดเคลื่อนของการทดลองที่บริสุทธิ์

5

ผลกระทบหลักและผลกระทบอันตรกิริยาทั้งหมดจะถูกประมาณค่าโดยใช้วิธีกำลังสองน้อยที่สุด (หรือ ANOVA) ในการออกแบบ 2^k การประมาณค่าผลกระทบแต่ละครั้งจะเท่ากับความแตกต่างเชิงเส้นของค่าเฉลี่ยเซลล์ สูตร beta-hat = (X'X)^{-1} X'y จะใช้เมื่อ X เป็นเมทริกซ์โมเดลของการตั้งค่าปัจจัยที่เข้ารหัส เนื่องจากทุกการผสมผสานถูกทดสอบ ผลกระทบทั้งหมดจึงตั้งฉากและสามารถประมาณค่าได้โดยไม่มีการสับสน

สูตร
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

ตาราง ANOVA จะแบ่งความแปรปรวนทั้งหมดออกเป็นผลกระทบหลัก อันตรกิริยาสองปัจจัย อันตรกิริยาสามปัจจัย และอื่น ๆ อันตรกิริยาที่มีนัยสำคัญจะถูกตีความโดยใช้แผนภาพอันตรกิริยา: เส้นขนานบ่งชี้ว่าไม่มีอันตรกิริยา เส้นตัดกันหรือเส้นแยกออกจากกันส่งสัญญาณว่าผลกระทบของปัจจัยหนึ่งเปลี่ยนแปลงไปตามระดับของปัจจัยอื่น อันตรกิริยาระดับสูง (สามทางหรือสูงกว่า) นั้นหายากในทางปฏิบัติ แต่สามารถประมาณค่าและทดสอบได้ในการออกแบบแฟกทอเรียลเต็มรูปแบบ

ข้อผิดพลาดที่พบบ่อย

  • การละเลยอันตรกิริยาเมื่อเลือกการออกแบบ: หากคุณคาดว่าไม่มีอันตรกิริยา การออกแบบแฟกทอเรียลเต็มรูปแบบจะสิ้นเปลืองการทดลอง — แต่ถ้ามีอันตรกิริยาและคุณใช้วิธีการศึกษาปัจจัยเดียวทีละอย่าง คุณจะพลาดอันตรกิริยาเหล่านั้นไปโดยสิ้นเชิง
  • การใช้ระดับมากเกินไปโดยไม่มีเหตุผลอันสมควร: การออกแบบ 3^k มี 3^5 = 243 การทดลองสำหรับห้าปัจจัย เว้นแต่จะสมมติฐานความโค้งโดยเฉพาะ การออกแบบสองระดับมักจะเพียงพอและมีประสิทธิภาพมากกว่ามาก
  • การสับสนระหว่างแฟกทอเรียลเต็มรูปแบบกับแฟกทอเรียลบางส่วน: แฟกทอเรียลบางส่วนจะละเว้นการผสมผสานบางอย่างโดยเจตนาและทำให้บางอันตรกิริยาเกิดการสับสน — หากคุณต้องการประมาณค่าอันตรกิริยาทั้งหมด มีเพียงแฟกทอเรียลเต็มรูปแบบเท่านั้นที่ให้สิ่งนี้
  • การไม่สุ่มลำดับการทดลอง: แนวโน้มที่เป็นระบบ (การอุ่นเครื่องอุปกรณ์ การเรียนรู้ของผู้ดำเนินการ การเสื่อมสภาพของสารทำปฏิกิริยา) จะเพิ่มหรือลดค่าประมาณผลกระทบหากการทดลองดำเนินการตามลำดับที่คงที่และไม่สุ่ม
  • การวิเคราะห์ผลกระทบหลักแยกต่างหากเมื่ออันตรกิริยามีความสำคัญ: อันตรกิริยาที่มีนัยสำคัญทางสถิติหมายความว่าข้อสรุปเกี่ยวกับผลกระทบหลักขึ้นอยู่กับระดับของปัจจัยที่ปรับเปลี่ยน และต้องตีความตามเงื่อนไข

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่างการออกแบบแฟกทอเรียลเต็มรูปแบบและการออกแบบแฟกทอเรียลบางส่วน?

การออกแบบแฟกทอเรียลเต็มรูปแบบจะดำเนินการทุกการผสมผสานที่เป็นไปได้ของระดับปัจจัย โดยประมาณค่าผลกระทบหลักและอันตรกิริยาทั้งหมดโดยไม่มีการสับสน การออกแบบแฟกทอเรียลบางส่วนจะดำเนินการเพียงส่วนหนึ่งของการผสมผสานเหล่านั้นที่เลือกไว้อย่างระมัดระวัง โดยทำให้บางอันตรกิริยาระดับสูงเกิดการสับสนโดยเจตนาเพื่อลดจำนวนการทดลอง ใช้แฟกทอเรียลเต็มรูปแบบเมื่ออันตรกิริยามีความสำคัญและทรัพยากรเอื้ออำนวย ใช้แฟกทอเรียลบางส่วนเมื่อ k มีค่ามากและคุณยินดีที่จะสมมติว่าอันตรกิริยาระดับสูงบางอย่างน้อยมาก

ฉันจะเลือกจำนวนระดับสำหรับแต่ละปัจจัยได้อย่างไร?

สองระดับ (ต่ำและสูง) เพียงพอเมื่อคุณคาดว่าการตอบสนองจะค่อนข้างเป็นเส้นตรงตลอดช่วงปัจจัยและสนใจหลักในทิศทางและขนาดของผลกระทบ จำเป็นต้องมีสามระดับเมื่อคุณสงสัยในความโค้ง (การตอบสนองที่ไม่เป็นเชิงเส้น) แต่จะเพิ่มจำนวนการทดลองเป็นสามเท่าสำหรับแต่ละปัจจัยเพิ่มเติม กลยุทธ์ที่ปฏิบัติได้คือการเริ่มต้นด้วยการออกแบบ 2^k ที่เสริมด้วยการทดลองจุดกึ่งกลางเพื่อคัดกรองความโค้งก่อนที่จะดำเนินการออกแบบ 3^k

ฉันจำเป็นต้องทำซ้ำการผสมผสานการรักษาแต่ละครั้งหรือไม่?

ขอแนะนำอย่างยิ่งให้ทำซ้ำ หากไม่มีการทำซ้ำ แหล่งเดียวของการประมาณค่าความคลาดเคลื่อนคือผลรวมของกำลังสองที่รวมกันจากอันตรกิริยาระดับสูงที่น้อยมาก (สมมติว่าเป็นศูนย์) ซึ่งเป็นการสมมติฐานที่มีความเสี่ยง ด้วยการทำซ้ำเต็มรูปแบบแม้เพียงครั้งเดียว (เพิ่มจำนวนการทดลองเป็นสองเท่า) คุณจะได้รับการประมาณค่าความคลาดเคลื่อนที่บริสุทธิ์ ช่วงความเชื่อมั่นที่แคบลง และการทดสอบนัยสำคัญที่น่าเชื่อถือยิ่งขึ้น

ฉันควรใช้การทดสอบทางสถิติใดในการวิเคราะห์การทดลองแบบแฟกทอเรียลเต็มรูปแบบ?

การวิเคราะห์มาตรฐานคือ ANOVA แบบแฟกทอเรียล (หรือเทียบเท่ากับโมเดลการถดถอย) ซึ่งแบ่งความแปรปรวนทั้งหมดออกเป็นส่วนประกอบที่สามารถอธิบายได้จากผลกระทบหลักแต่ละรายการและแต่ละเทอมอันตรกิริยา ความสำคัญของผลกระทบจะตัดสินโดยการทดสอบ F เมื่อผลลัพธ์ไม่เป็นปกติหรือเป็นลำดับ จะใช้การทดสอบทางเลือกที่ไม่ใช่พาราเมตริกหรือแบบจำลองเชิงเส้นทั่วไปแทน

ฉันควรเปลี่ยนไปใช้การออกแบบพื้นผิวการตอบสนองเมื่อใด?

หากการออกแบบแฟกทอเรียลเต็มรูปแบบ 2^k ของคุณ (อาจมีการทดลองจุดกึ่งกลาง) แสดงให้เห็นถึงความโค้งที่มีนัยสำคัญทางสถิติในการตอบสนอง โมเดลแฟกทอเรียลเชิงเส้นจะไม่เพียงพอ และควรใช้การออกแบบพื้นผิวการตอบสนอง — เช่น การออกแบบจุดกึ่งกลางหรือ Box-Behnken การออกแบบพื้นผิวการตอบสนองจะเพิ่มจุดแกน (จุดดาว) เพื่อประมาณค่าเทอมกำลังสองและสร้างแผนที่ความโค้งเต็มรูปแบบของพื้นผิวการตอบสนอง

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

    ISBN: 978-1119492443
    คัดลอกแล้ว