全因子实验 — 完全因子实验设计
- 提出者
- Ronald A. Fisher
- 年份
- 1926 (Fisher's foundational paper); codified by the 1950s–1960s
- 类型
- 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
它有什么作用?
全因子实验运行所有选定因子水平的所有可能组合,是同时估计多个自变量之间主效应、二阶交互效应和更高阶交互效应的黄金标准。该方法通过 Ronald Fisher 在 20 世纪 20 年代关于因子设计的开创性工作引入,并由 Box、Hunter 和 Montgomery 系统化,它提供了关于因子如何单独以及组合作用于结果的完整信息。
方法背后的直觉
假设您正在测试两种肥料类型(A、B)和三种浇水方案(每日、每周、每月)对作物产量的影响。全因子设计意味着您在所有 2 × 3 = 6 种组合下种植作物,而不仅仅是单独考虑每个因子。这非常强大,因为肥料的效果可能取决于浇水频率——这是单因子一次性研究完全会遗漏的交互效应。全因子设计通过确保一个因子的每个水平与所有其他因子的每个水平一起出现来捕捉所有交互效应,从而提供对整个因子空间的平衡、无混淆的视图。
历史学
Ronald Fisher 在他 1926 年的里程碑式论文中引入了因子实验的概念,并在《实验设计》(1935) 中充分发展了它,他认为同时研究多个因子比一次性方法更有效。Frank Yates 在 20 世纪 30 年代对因子效应的表示法和计算进行了正式化。George Box、J. Stuart Hunter 和 William Hunter 在他们 1978 年的开创性教科书中(2005 年更新)系统化了因子设计在工业和科学环境中的实际应用。Douglas Montgomery 被广泛采用的教科书(第一版 1976 年)此后使全因子设计成为全球工程和应用科学课程的核心。
何时使用
当您拥有的因子数量较少(通常两水平设计 k ≤ 4 或 5)并且需要无歧义地估计所有主效应和交互效应时,请使用全因子实验。当预期存在交互效应或其存在具有科学重要性,并且资源允许完成所有组合,以及结果可以在受控条件下测量时,这是正确的选择。当 k 较大(例如,两水平时 k ≥ 6)时,请勿使用全因子设计,因为所需的 64 次以上运行将变得不切实际——请改用部分因子设计或响应面设计。当运行成本或材料限制使 N = 2^k(或 3^k)变得 prohibitive 时,或者您只关心主效应并且有充分的理论理由假设不存在交互效应时,也请避免使用。
局限与注意事项
- 运行次数随因子数量呈指数增长:5 个因子的 2^k = 32 次运行,6 个因子的 64 次运行——很快变得不切实际。
- 高阶交互效应(三向或更高)是可估计的,但很少有可解释性或科学意义,使得许多运行在信息上是冗余的。
- 假设因子可以精确地设置为指定水平;在实验室中控制因子通常比在现场或组织环境中更容易。
- 重复成本高昂;如果没有重复,误差估计将依赖于合并可忽略的高阶交互效应,这需要判断。
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
- 估计所有主效应和所有交互效应,没有混淆或混淆——这是受控实验所能提供的最完整图景。
- 正交设计:所有效应估计在统计上是独立的,从而简化了解释。
- 当运行重复时,提供纯误差估计,从而能够通过方差分析进行严格的假设检验。
- 灵活的结构:适用于连续、分类或混合因子类型,并且可以包含区组以进行干扰控制。
- 自然扩展:带有中心点运行的 2^k 设计可以扩充为响应面设计(中心复合设计或 Box-Behnken 设计)以检测曲率。
应用
- 药物制剂:同时优化药物浓度、赋形剂类型和温度以最大化溶解速率。
- 农业科学:测试肥料、灌溉水平和种植密度组合对作物产量的影响。
- 制造工艺改进:确定机器速度、温度和材料等级如何共同影响产品拉伸强度。
- 行为和教育实验:研究教学方法、班级规模和评估类型如何相互作用以影响学习成果。
- 临床和健康研究:评估行为干预组成部分的组合,以确定哪些组合驱动治疗效果。
- 软件工程:测试算法类型、数据集大小和硬件配置对计算性能的影响。
使用方式
使用方式
确定 k 个实验因子并指定每个因子的水平。两水平设计(每个因子处于低/高水平)表示为 2^k;三水平设计表示为 3^k。因子水平的选择应跨越实际或科学感兴趣的范围。处理组合的总数等于所有因子水平数的乘积。
实验运行的总数为 N = 所有水平数的乘积(例如,三个两水平因子的 2^3 = 8)。这随着因子数量呈指数增长,因此当 k 较小(通常两水平因子 k ≤ 5)时,全因子设计最可行。构建一个设计矩阵,列出所有组合;每个组合的重复次数可以增强误差估计。
公式
N = \prod_{i=1}^{k} l_i将实验单元随机分配到每个处理组合,或者完全随机化运行顺序。随机化可以防止时间趋势、疲劳或设备漂移引起的系统偏差。如果存在一些已知的干扰变量(例如,批次、操作员、日期),则会添加区组以隔离其方差,而不会混淆因子估计。
在每个实验运行下,根据分配的因子水平组合测量响应变量。数据系统地记录,保留运行顺序、因子设置和观察结果之间的联系。只要资源允许,建议对每个单元进行多次重复,因为它们提供了实验误差的纯粹估计。
使用最小二乘法(或方差分析 ANOVA)估计主效应和所有交互效应。在 2^k 设计中,每个效应估计等于单元均值的一个线性对比;公式 beta-hat = (X'X)^{-1} X'y 适用,其中 X 是编码因子设置的模型矩阵。因为测试了所有组合,所以所有效应都是正交的且可估计,没有混淆。
公式
\hat{\beta} = (X^\top X)^{-1} X^\top y方差分析表将总方差划分为主效应、二因子交互效应、三因子交互效应等。显著的交互效应使用交互效应图进行解释:平行线表示没有交互效应;交叉线或发散线表示一个因子的效应随另一个因子的水平而变化。高阶交互效应(三向或更高)在实践中很少见,但在全因子设计中是可估计和可检验的。
常见陷阱
- 在选择设计时忽略交互效应:如果您预期没有交互效应,全因子设计会浪费运行次数——但如果存在交互效应而您使用了单因子一次性方法,您将完全错过它们。
- 在没有理由的情况下使用过多的水平:对于五个因子,3^k 设计有 3^5 = 243 次运行;除非特别假设存在曲率,否则两水平设计通常就足够了,而且效率要高得多。
- 混淆全因子设计与部分因子设计:部分因子设计故意省略某些组合,并混淆某些交互效应——如果您需要估计所有交互效应,只有全因子设计能提供这一点。
- 未能随机化运行顺序:系统趋势(设备预热、操作员学习、试剂降解)如果以固定的、非随机的顺序执行运行,会夸大或缩小效应估计。
- 在交互效应显著时孤立地分析主效应:统计上显著的交互效应意味着主效应的结论取决于调节因子的水平,并且必须有条件地解释。
常见问题
全因子设计与部分因子设计有什么区别?
全因子设计运行因子水平的所有可能组合,估计所有主效应和交互效应而无混淆。部分因子设计仅运行那些组合中经过精心选择的一部分,故意混淆某些高阶交互效应以减少运行次数。当交互效应很重要且资源允许时,使用全因子设计;当 k 较大且您愿意假设某些高阶交互效应可忽略时,使用部分因子设计。
我该如何选择每个因子的水平数?
当您期望在因子范围内存在大致线性的响应,并且主要对效应的方向和幅度感兴趣时,两个水平(低和高)就足够了。当您怀疑存在曲率(非线性响应)时,需要三个水平,但这会使每个额外因子的运行次数增加三倍。一个实用的策略是先使用带有中心点运行的 2^k 设计来筛选曲率,然后再决定使用 3^k 设计。
我需要重复每个处理组合吗?
强烈建议重复。没有重复,误差估计的唯一来源是可忽略的高阶交互效应(假设为零)的合并平方和,这是一个有风险的假设。即使有一个完整的重复(使所有运行次数加倍),您也可以获得真实的纯误差估计、更窄的置信区间和更可靠的显著性检验。
我应该使用什么统计检验来分析全因子实验?
标准分析是因子方差分析(或其回归模型等效项),它将总方差划分为归因于每个主效应和每个交互项的组成部分。效应的显著性通过 F 检验来判断。当结果非正态或有序时,则使用非参数替代方法或广义线性模型。
我应该在何时改用响应面设计?
如果您的 2^k 全因子设计(可能带有中心点)显示响应中存在统计上显著的曲率,则线性因子模型是不够的,应该使用响应面设计——例如中心复合设计或 Box-Behnken 设计。响应面设计增加了轴向(星形)点以估计二次项并绘制响应面的完整曲率。
相关方法
参考文献
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已复制。Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN:978-1119492443已复制。