Skip to content
返回搜索结果

析因实验 — 析因实验设计

提出者
Ronald A. Fisher
年份
1926–1935
类型
Quantitative experimental design
类别
Experimental design

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

析因实验(factorial experiment)是一种实验设计,其中同时操控两个或更多个自变量(因子),并测试其水平的所有组合。该方法由罗纳德·费雪(Ronald Fisher)在20世纪20年代至30年代引入,是研究人员不仅需要检测每个因子的主效应,还需要检测一个因子的效应是否依赖于另一个因子的水平(即交互效应)时的标准方法。

方法背后的直觉

设想一下,您正在测试一种新型肥料(是/否)和两种灌溉水平(低/高)对作物产量的影响。一次一因子(one-factor-at-a-time)方法需要进行两个独立的实验。而析因实验则在一个研究中测试所有四种组合——施肥-是/灌溉-低、施肥-是/灌溉-高、施肥-否/灌溉-低、施肥-否/灌溉-高。这不仅节省了资源,而且是发现肥料在高灌溉条件下是否比低灌溉条件下效果更好的唯一途径。这种交叉模式就是交互作用,析因设计正是为了检测它而构建的。

历史学

罗纳德·费雪(Ronald Fisher)在他 1926 年关于农业实验的论文中正式阐述了析因实验的逻辑,并在他 1935 年的里程碑式著作《实验设计》(The Design of Experiments)中阐述了该理论,其中他引入了随机化、重复和析因交叉作为健全经验推断的基础。费雪的工作动机是实际需要同时测试多种农艺干预措施,而不是一次只测试一种。到 20 世纪中叶,析因设计已被心理学、工程学、医学和社会科学等领域采用。道格拉斯·蒙哥马利(Douglas Montgomery)广泛使用的教科书《实验设计与分析》(Design and Analysis of Experiments)(第一版于 1976 年出版)将析因和部分析因方法引入工程和工业领域,巩固了该方法作为实验方法论基石的地位。

何时使用

当您希望在一个研究中研究两个或更多因子,并且检测交互作用具有重要的科学意义时,请使用析因实验。只要资源允许,它优于一次一因子设计,因为它以较低的总样本成本提供了关于每个因子的相同信息,并且额外提供了交互作用估计。当因子数量过多时(四个或更多因子,每个因子有多个水平,会产生难以管理的单元格数量),请避免使用它;在这些情况下,首选部分析因设计(fractional factorial design)或响应曲面法(response-surface method)。当您只有一个因子时,请勿使用完全析因设计——简单的随机对照试验(RCT)或单向方差分析(one-way ANOVA)就足够了。当操作上无法实现所有因子水平组合时,也应避免使用。

局限与注意事项

  • 样本量需求随因子数量和水平呈乘法增长,使得大型设计成本高昂。
  • 具有许多因子的完全析因设计通常不可行;研究人员必须求助于部分析因设计,但会损失一些信息。
  • 当多个高阶交互作用显著时,解释变得复杂,需要仔细绘图和简单效应的后续分析。
  • 必须检查所有标准的析因方差分析假设(正态性、方差齐性、独立性),如果违反,则需解决。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 唯一能够估计因子间交互效应的设计——多因子研究中最具信息量的特征。
  • 比单独的单因子研究更具统计效率:每个观测值都有助于估计每个主效应。
  • 当因子完全随机化时,支持因果推断,达到与随机对照试验相同的标准。
  • 高度灵活:因子可以是组间(between-subjects)、组内(within-subjects,重复测量)或混合的。
  • 可推广的发现:关于因子 A 的结论适用于因子 B 的所有测试水平,而不是单一的任意条件。

应用

  • 心理学:研究认知干预的效果如何因参与者年龄组或性别而异(2 × 2 组间设计)。
  • 农业和生物学:测试肥料类型和灌溉水平组合对作物产量的影响。
  • 工程和制造:通过同时改变工艺温度、压力和材料等级来优化产品质量。
  • 药理学:评估药物剂量和给药途径组合对生物利用度的影响。
  • 教育:评估一种新的教学方法在不同班级规模和学科领域中是否同样有效。
  • 市场营销:测试信息框架和媒体渠道组合对消费者购买意愿的影响。

使用方式

使用方式

1

确定所有具有理论或实践意义的自变量(因子),并为每个因子设定水平。例如,一个 2 x 3 设计表示一个因子有两个水平,另一个因子有三个水平,从而产生 6 种处理条件。水平的选择应基于先前的研究或实质性理论,而非随意方便。

2

形成因子水平的所有可能组合。这种交叉是析因设计的定义:如果因子 A 有 a 个水平,因子 B 有 b 个水平,则该设计包含 a × b 个处理单元。完全交叉确保主效应和所有交互作用都可以在不混淆的情况下进行估计。

3

将实验单位(参与者、地块、批次)随机分配到处理单元,或者在被试内设计(within-subjects variant)中,随机化每个单位接受所有条件的顺序。适当的随机化对于有效的因果推断和满足析因方差分析(factorial ANOVA)所依据的独立性假设至关重要。

4

根据实验方案实施每种处理条件,并记录每个单位的结局变量。在所有单元中保持一致的程序——除了对因子的有意操控之外——对于排除混淆因素至关重要。

5

拟合析因方差分析(或带有交互项的回归)模型:Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk。计算每个主效应和每个交互项的显著性检验和效应量估计(eta-squared, omega-squared)。每个来源的 F 比率将其均方与残差均方进行比较。

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

检查交互作用图(以一个因子为 x 轴,另一个因子为线条绘制单元格均值)。非平行线表明存在交互作用:一个因子的效应在另一个因子的不同水平上不一致。当发现显著交互作用时,必须谨慎解释主效应——简单效应分析(在另一个因子的每个水平上分析一个因子)可以阐明其模式。

常见陷阱

  • 忽略显著的交互作用并孤立地解释主效应——当存在交互作用时,主效应是异质子组的误导性平均值;始终首先绘制单元格均值。
  • 单个单元格的效能不足——析因设计中的效能必须针对最小预期效应(通常是交互作用)计算,而不是仅针对主效应;使用主效应效能公式会导致交互作用检验的效能不足。
  • 未能随机化或平衡单元格大小——不等的单元格大小引入非正交性,使方差的划分复杂化;使用 III 型平方和并明确报告不平衡。
  • 将析因设计视为单独的单向方差分析——对每个因子进行单独的方差分析会忽略交叉结构并夸大 I 型错误;始终分析完整的析因模型。
  • 包含过多的因子——每个新增因子都会使单元格数量和交互作用图的复杂性成倍增加;四个或更多因子通常需要采用部分析因或响应曲面方法。

常见问题

析因实验和完全析因实验有什么区别?

每个完全析因实验都是一个析因实验——这些术语通常可以互换使用。当研究人员区分它们时,“析因实验”是通用类别(包括完全和部分变体),而“完全析因”则特指包含所有可能的因子水平组合。部分析因(fractional factorial)设计系统地省略了部分单元格以降低成本,代价是混淆了高阶交互作用。

每个单元格需要多少参与者?

每个单元格至少需要两到三个观测值来估计单元格内方差,但这通常不足以提供足够的效能。应使用交互作用的预期效应量(通常小于主效应)以及所需的 alpha 和效能水平进行正式的效能分析,以确定单元格大小。在行为研究中,每个单元格五到二十名参与者是常见的操作范围,但工程研究可能会使用三个或更少,且测量精度高。

如果我的交互作用显著,我还需要报告主效应吗?

是的,但要谨慎。当存在显著交互作用时,主效应描述的是异质条件下的平均值,这可能会产生误导。报告它们,但将解释的重点放在交互作用上:进行简单效应分析(在另一个因子的每个水平上分别检验一个因子),并呈现交互作用图,以便读者可以直接看到模式。

析因设计可以用于被试内(重复测量)因子吗?

可以。混合析因设计结合了至少一个组间因子和至少一个组内因子。完全被试内析因设计也是可能的。这些设计通过控制个体差异来提高统计效能,但它们引入了需要通过平衡或清除期来解决的结转效应和顺序效应。

什么时候应该使用部分析因设计?

当因子数量较多时(通常是四个或更多,每个因子有多个水平),运行所有处理组合会变得过于昂贵。部分析因设计测试了经过精心选择的一部分单元格——以牺牲高阶交互作用的估计(这些在实践中通常可以忽略不计)为代价,大幅减少了运行次数。如果理论上高阶交互作用(超过两因子)不太可能存在,那么半部分析因或四分之一部分析因设计通常是更好的选择。

相关方法

参考文献

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

    打开出版物文献
    已复制。
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN:978-1119320937
    已复制。