Słownik metodologiczny · Projekt badania

Frakcyjny schemat czynnikowy – plan 2^(k−p), aliasy i rozdzielczość

Frakcyjny schemat czynnikowy bada wiele czynników w części warunków pełnego planu. Wyjaśniamy generator, relację definiującą, aliasy i rozdzielczość oraz pokazujemy plan 2^(4−1) w R.

Strona główna / Słownik / Frakcyjny schemat czynnikowy
W skrócie: Frakcyjny schemat czynnikowy to plan, w którym realizuje się tylko część kombinacji poziomów pełnego planu czynnikowego. Oszczędność ma cenę: część efektów jest aliasowana (nierozdzielna), a to, które, opisuje relacja definiująca i rozdzielczość planu.

Co to jest frakcyjny schemat czynnikowy?

Frakcyjny schemat czynnikowy (ang. fractional factorial design, plan ułamkowy) to eksperyment, w którym realizuje się tylko część kombinacji poziomów pełnego planu czynnikowego. Plan 2k−p bada k czynników dwupoziomowych w 2k−p warunkach zamiast 2k. Collins i in. (2009) zwracają uwagę, że w naukach behawioralnych takie plany są mało znane, choć ze względu na oszczędność warto je rozważyć: decyzję trzeba oprzeć na tym, czy pytania dotyczą efektów głównych, i na tym, które efekty są ze sobą aliasowane (nierozdzielne).

Generator, aliasy i rozdzielczość

W planie 24−1 bierze się pełny plan dla A, B i C, a czwarty czynnik ustawia generatorem D = ABC. Relacja definiująca to I = ABCD, więc każdy efekt ma alias będący jego iloczynem z ABCD: A = BCD, AB = CD, AC = BD, AD = BC. Oszacowany „efekt AB” jest w rzeczywistości sumą AB + CD.

Rozdzielczość to długość najkrótszego słowa w relacji definiującej. W rozdzielczości III efekty główne mieszają się z interakcjami dwuczynnikowymi, w IV – z trójczynnikowymi (a interakcje dwuczynnikowe między sobą), w V efekty główne i dwuczynnikowe są wolne od siebie nawzajem. Plan 24−1 z I = ABCD ma rozdzielczość IV. Fries i Hunter (1980) pokazali, że plany o tej samej, maksymalnej rozdzielczości nie są równie dobre, i zaproponowali kryterium minimalnej aberracji.

Przykład

W ośmiu przebiegach (dane symulowane) współczynniki regresji (kodowanie −1/+1) dla A i B wyniosły 1.99 i 0.84. Kolumna A:B macierzy modelu jest identyczna z C:D, więc wartość 1.54 opisuje AB + CD, a współczynniki B:C, B:D i C:D są nieestymowalne (NA).

Na rysunku

Tabela znaków planu 2 do potęgi 4 minus 1: osiem wierszy (przebiegi) i szesnaście kolumn efektów ułożonych w osiem par: I i ABCD, A i BCD, B i ACD, C i ABD, D i ABC, AB i CD, AC i BD, AD i BC. W każdej parze obie kolumny mają ten sam układ plusów (niebieskie pola) i minusów (pomarańczowe pola), a kolumny I i ABCD mają same plusy
Rysunek 1. Tabela znaków planu 24−1 z generatorem D = ABC, kolumny ułożone w pary aliasów. Obliczenia: R, pakiet ggplot2.

Co widać. Każda kolumna to kodowanie jednego efektu w ośmiu przebiegach (+1 lub −1). W planie z D = ABC kolumna A jest identyczna z BCD, AB z CD, AC z BD, a AD z BC; kolumna ABCD składa się z samych plusów, tak jak wyraz wolny I. To jest relacja definiująca I = ABCD na rysunku. Dwóch identycznych kolumn żadna analiza nie rozdzieli.

Na co uważać. Tabela pokazuje tylko strukturę planu. Nie mówi, które z aliasowanych efektów są w rzeczywistości zerowe – to założenie badacza, nie wynik.

Podpis do pracy:

Rysunek 1. Tabela znaków frakcyjnego planu czynnikowego 2^(4−1) z generatorem D = ABC (relacja definiująca I = ABCD). Uwaga. Wiersze – warunki eksperymentu; kolumny – kodowanie efektów (+1, −1) zgrupowane w pary aliasów.
Wykres punktowy współczynników sześciu interakcji dwuczynnikowych. Puste kółka – wartości prawdziwe: A:B 1.5, C:D 1.0, pozostałe 0. Niebieskie kropki z pełnego planu 16 przebiegów leżą blisko prawdy: A:B 1.60, C:D 1.11. Pomarańczowe trójkąty z połowy frakcji: A:B 2.71, czyli suma obu interakcji, A:C 0.28, A:D 0.22; dla B:C, B:D i C:D brak oszacowań (NA, aliasy)
Rysunek 2. Współczynniki interakcji dwuczynnikowych w pełnym planie 24 i w połowie frakcji 24−1. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(616)).

Co widać. Dane mają dwie prawdziwe interakcje: AB = 1.5 i CD = 1.0. Pełny plan (16 przebiegów) odtwarza je osobno: 1.60 i 1.11. Połowa frakcji (te 8 przebiegów, w których D = ABC) daje jeden współczynnik A:B = 2.71, czyli w przybliżeniu sumę obu, a C:D jest nieestymowalny. Z samych danych frakcji nie odróżnisz „silnego AB” od „AB + CD”.

Na co uważać. W wydruku R alias nie jest podpisany – współczynnik nazywa się po prostu A:B. Bez znajomości generatora łatwo go przypisać jednej interakcji.

Podpis do pracy:

Rysunek 2. Oszacowania interakcji dwuczynnikowych w pełnym planie 2^4 (16 przebiegów) i w połowie frakcji 2^(4−1) (8 przebiegów; D = ABC). Uwaga. Puste kółka – wartości przyjęte w symulacji; w planie frakcyjnym współczynnik A:B oznacza sumę AB + CD, a B:C, B:D i C:D są nieestymowalne.

Wartości interakcji (AB = 1.5, CD = 1.0) i efektów głównych ustawiono ręcznie tak, by sumowanie aliasów było wyraźne; ziarno set.seed(616) ustalono raz i nie zmieniano. Rysunki na stronie różnią się od wyniku kodu tylko motywem serwisu.

Kod R rysunków 1 i 2
# Rysunek 1. Tabela znaków planu 2^(4-1) z generatorem D = ABC: kolumny aliasów są identyczne
# Rysunek 2. Ten sam model w pełnym planie 2^4 (16 przebiegów) i w połowie frakcji (8 przebiegów)
library(ggplot2)

kol <- c(pelny = "#0072B2", frakcja = "#D55E00", plus = "#56B4E9", minus = "#E69F00")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

# Plan 2^(4-1): pełny plan dla A, B, C, a D = ABC (relacja definiująca I = ABCD)
p <- expand.grid(A = c(-1, 1), B = c(-1, 1), C = c(-1, 1))
p$D <- p$A * p$B * p$C
efekty <- c("A", "B", "C", "D", "AB", "AC", "AD", "BC", "BD", "CD", "ABC", "ABD", "ACD", "BCD", "ABCD")
kolumna <- function(e) Reduce(`*`, p[strsplit(e, "")[[1]]])
znaki <- sapply(efekty, kolumna)
znaki <- cbind(I = 1, znaki)
# pary aliasów: kolumny identyczne w 8 przebiegach
pary <- list(c("I", "ABCD"), c("A", "BCD"), c("B", "ACD"), c("C", "ABD"), c("D", "ABC"),
             c("AB", "CD"), c("AC", "BD"), c("AD", "BC"))
sapply(pary, function(x) all(znaki[, x[1]] == znaki[, x[2]]))

tab <- do.call(rbind, lapply(seq_along(pary), function(k) {
  do.call(rbind, lapply(pary[[k]], function(e) data.frame(
    przebieg = 1:8, efekt = e, para = paste(pary[[k]], collapse = " = "), znak = znaki[, e])))
}))
tab$para <- factor(tab$para, levels = sapply(pary, paste, collapse = " = "))
tab$efekt <- factor(tab$efekt, levels = unlist(pary))
p1 <- ggplot(tab, aes(efekt, factor(przebieg, levels = 8:1))) +
  geom_tile(aes(fill = factor(znak)), colour = "white", linewidth = 0.8) +
  geom_text(aes(label = ifelse(znak > 0, "+", "−")), size = 6, fontface = "bold", colour = "#0f1d3a") +
  facet_grid(. ~ para, scales = "free_x", space = "free_x") +
  scale_fill_manual(values = c(`-1` = kol[["minus"]], `1` = kol[["plus"]]),
                    labels = c("−1 (poziom niski)", "+1 (poziom wysoki)"), name = NULL) +
  labs(title = "Każda para kolumn jest identyczna – efekty w parze są nierozdzielne",
       x = "Kolumna efektu w macierzy planu (pary aliasów)", y = "Przebieg (warunek)") +
  motyw + theme(panel.grid.major = element_blank(), strip.text = element_text(face = "bold", size = 11),
                panel.spacing.x = unit(0.6, "lines"))
p1

# Rysunek 2: model z dwiema interakcjami (AB i CD), oszacowany w pełnym planie i w połowie frakcji
set.seed(616)
pelny <- expand.grid(A = c(-1, 1), B = c(-1, 1), C = c(-1, 1), D = c(-1, 1))
pelny$y <- with(pelny, 20 + 2 * A + 1 * B + 1.5 * A * B + 1.0 * C * D) + rnorm(16, sd = 0.5)  # parametry ustawione ręcznie
frakcja <- pelny[pelny$D == pelny$A * pelny$B * pelny$C, ]   # te 8 przebiegów, w których D = ABC
m_pelny <- lm(y ~ (A + B + C + D)^2, data = pelny)
m_frak  <- lm(y ~ (A + B + C + D)^2, data = frakcja)
dwuczynnikowe <- c("A:B", "A:C", "A:D", "B:C", "B:D", "C:D")
oszac <- rbind(data.frame(plan = "pełny 2^4 (16 przebiegów)", efekt = dwuczynnikowe, b = coef(m_pelny)[dwuczynnikowe]),
               data.frame(plan = "frakcja 2^(4−1) (8 przebiegów)", efekt = dwuczynnikowe, b = coef(m_frak)[dwuczynnikowe]))
rownames(oszac) <- NULL
oszac$b <- round(oszac$b, 2)
oszac
prawdziwe <- data.frame(efekt = dwuczynnikowe, b = c(1.5, 0, 0, 0, 0, 1.0))
oszac$y <- match(oszac$efekt, rev(dwuczynnikowe)) + ifelse(grepl("pełny", oszac$plan), 0.13, -0.13)
prawdziwe$y <- match(prawdziwe$efekt, rev(dwuczynnikowe))
p2 <- ggplot(oszac[!is.na(oszac$b), ], aes(b, y)) +
  geom_vline(xintercept = 0, colour = "grey60") +
  geom_point(data = prawdziwe, aes(shape = "prawdziwa wartość"), size = 5, colour = "grey30", stroke = 1.1) +
  geom_point(aes(colour = plan, shape = plan), size = 3.6) +
  annotate("label", x = 0.15, y = c(3, 2, 1) - 0.13, hjust = 0, size = 3.8, linewidth = 0, fill = NA,
           label = c("frakcja: NA (alias A:D)", "frakcja: NA (alias A:C)", "frakcja: NA (alias A:B)")) +
  scale_y_continuous(breaks = 1:6, labels = rev(dwuczynnikowe)) +
  scale_colour_manual(values = c(kol[["frakcja"]], kol[["pelny"]]), name = NULL) +
  scale_shape_manual(values = c(17, 16, 1), name = NULL) +
  labs(title = "W połowie frakcji „efekt A:B” to suma AB + CD",
       x = "Oszacowany współczynnik interakcji (kodowanie −1/+1)", y = NULL) +
  motyw + theme(panel.grid.minor = element_blank()) +
  guides(colour = "none", shape = guide_legend(override.aes = list(colour = c(kol[["frakcja"]], kol[["pelny"]], "grey30"))))
p2
Wynik w R
[1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
                             plan efekt    b
1       pełny 2^4 (16 przebiegów)   A:B 1.60
2       pełny 2^4 (16 przebiegów)   A:C 0.15
3       pełny 2^4 (16 przebiegów)   A:D 0.11
4       pełny 2^4 (16 przebiegów)   B:C 0.11
5       pełny 2^4 (16 przebiegów)   B:D 0.12
6       pełny 2^4 (16 przebiegów)   C:D 1.11
7  frakcja 2^(4−1) (8 przebiegów)   A:B 2.71
8  frakcja 2^(4−1) (8 przebiegów)   A:C 0.28
9  frakcja 2^(4−1) (8 przebiegów)   A:D 0.22
10 frakcja 2^(4−1) (8 przebiegów)   B:C   NA
11 frakcja 2^(4−1) (8 przebiegów)   B:D   NA
12 frakcja 2^(4−1) (8 przebiegów)   C:D   NA

Jak opisać w pracy

Cztery czynniki dwupoziomowe zbadano w planie frakcyjnym 2^(4−1) (8 warunków) z generatorem D = ABC i relacją definiującą I = ABCD (rozdzielczość IV). Efekty główne są aliasowane tylko z interakcjami trójczynnikowymi, które założono za pomijalne; interakcje dwuczynnikowe tworzą pary aliasów (AB = CD, AC = BD, AD = BC).

Na co uważać

  • Interpretacja aliasu jako jednego efektu. Przypisanie AB + CD wyłącznie interakcji AB wymaga założenia albo dodatkowej frakcji.
  • Brak stopni swobody na błąd. Bez powtórzeń nie ma oszacowania błędu ani testu; zaplanuj replikacje z myślą o mocy testu albo model bez części efektów.
  • Za niska rozdzielczość. Jeśli spodziewasz się interakcji trójczynnikowej lub wielu dwuczynnikowych, wybierz pełny schemat czynnikowy.

Plany ułamkowe stosuje się też w analizie conjoint, a podobną oszczędność daje kwadrat łaciński.

Przykład reprodukowalny

Frakcyjny schemat czynnikowy w R

Kod buduje plan 24−1 ręcznie (generator D = ABC), sprawdza aliasy w model.matrix i pokazuje je funkcją alias(). Funkcja FrF2::FrF2(nruns = 8, nfactors = 4) daje ten sam plan: generator D = ABC i aliasy AB = CD, AC = BD, AD = BC.

Plan 2^(4−1) i jego aliasy

Dane wejściowe: 8 przebiegów, czynniki A–D kodowane −1/+1, wynik symulowany z efektami A = 2, B = 1 i AB = 1.5 (SD błędu 0.5).

Co odczytać: kolumny A:B i C:D, A:C i B:D, A:D i B:C są identyczne (TRUE), a A = BCD; estymowalne są efekty główne i trzy sumy aliasów, pozostałe współczynniki to NA; FrF2 zwraca ten sam generator i te same pary aliasów.

R
# Frakcyjny schemat 2^(4-1): pełny plan dla A, B, C i generator D = ABC
p <- expand.grid(A = c(-1, 1), B = c(-1, 1), C = c(-1, 1))
p$D <- p$A * p$B * p$C                  # relacja definiująca I = ABCD
p                                         # 8 przebiegów zamiast 16
X <- model.matrix(~ (A + B + C + D)^2, data = p)
# Które kolumny są identyczne? (aliasy)
all.equal(X[, "A:B"], X[, "C:D"]); all.equal(X[, "A:C"], X[, "B:D"])
all.equal(X[, "A:D"], X[, "B:C"]); all.equal(p$A, p$B * p$C * p$D)
set.seed(616)
p$y <- 20 + 2 * p$A + 1 * p$B + 1.5 * p$A * p$B + rnorm(8, sd = 0.5)
fit <- lm(y ~ (A + B + C + D)^2, data = p)
round(coef(fit), 2)                       # NA = efekt nieestymowalny (alias)
alias(fit)$Complete
# To samo w pakiecie FrF2: generator i aliasy interakcji dwuczynnikowych
suppressPackageStartupMessages(library(FrF2))
plan <- FrF2(nruns = 8, nfactors = 4, randomize = FALSE)
generators(plan); design.info(plan)$aliased$fi2
Wynik w R
   A  B  C  D
1 -1 -1 -1 -1
2  1 -1 -1  1
3 -1  1 -1  1
4  1  1 -1 -1
5 -1 -1  1  1
6  1 -1  1 -1
7 -1  1  1 -1
8  1  1  1  1
[1] TRUE
[1] TRUE
[1] TRUE
[1] TRUE
(Intercept)           A           B           C           D         A:B 
      20.21        1.99        0.84       -0.22       -0.31        1.54 
        A:C         A:D         B:C         B:D         C:D 
       0.09        0.17          NA          NA          NA 
    (Intercept) A B C D A:B A:C A:D
B:C 0           0 0 0 0 0   0   1  
B:D 0           0 0 0 0 0   1   0  
C:D 0           0 0 0 0 1   0   0  
$generators
[1] "D=ABC"

[1] "AB=CD" "AC=BD" "AD=BC"

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem FrF2 2.3-5; rysunki – pakiet ggplot2 4.0.2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. FrF2 (wersja 2.3-5): Groemping, U. (2026). FrF2: Fractional factorial designs with 2-level factors (R package version 2.3-5) [Computer software]. https://doi.org/10.32614/CRAN.package.FrF2
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Co oznacza, że efekty w planie frakcyjnym są aliasowane?

Kolumny dwóch efektów w macierzy planu są identyczne, więc dane dają tylko ich sumę. W planie 2^(4−1) z I = ABCD oszacowanie „AB” jest sumą AB + CD.

Jaką rozdzielczość powinien mieć plan frakcyjny?

Do oszacowania efektów głównych przy pomijalnych interakcjach trójczynnikowych wystarcza zwykle rozdzielczość IV. Jeśli interesują cię interakcje dwuczynnikowe, potrzebna jest rozdzielczość V albo pełny plan.

Jak sprawdzić aliasy planu frakcyjnego w R bez pakietu FrF2?

Zbuduj plan ręcznie z generatorem, utwórz model.matrix z interakcjami i porównaj kolumny albo dopasuj lm i wywołaj alias(). Kod na tej stronie robi to dla planu 2^(4−1).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, L. M., Dziak, J. J., & Li, R. (2009). Design of experiments with multiple independent variables: A resource management perspective on complete and reduced factorial designs. Psychological Methods, 14(3), 202–224. https://doi.org/10.1037/a0015826 ● Otwarty dostęp: pełny tekst
  2. Fries, A., & Hunter, W. G. (1980). Minimum aberration 2^(k−p) designs. Technometrics, 22(4), 601–608. https://doi.org/10.1080/00401706.1980.10486210

Cytowania BibTeX

@article{collins2009design, author={Collins, Linda M. and Dziak, John J. and Li, Runze}, title={{Design of experiments with multiple independent variables: A resource management perspective on complete and reduced factorial designs}}, journal={Psychological Methods}, year={2009}, volume={14}, number={3}, pages={202--224}, doi={10.1037/a0015826}}
@article{fries1980minimum, author={Fries, Arthur and Hunter, William G.}, title={{Minimum aberration 2^(k−p) designs}}, journal={Technometrics}, year={1980}, volume={22}, number={4}, pages={601--608}, doi={10.1080/00401706.1980.10486210}}
R