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
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:
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:
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"))))
p2Wynik 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 NAJak opisać w pracy
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.
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
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$fi2Wynik 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()).
- 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/
- 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
- 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
Eksperyment czynnikowy i frakcyjny
Pięć składników interwencji w 16 warunkach: plan 2^(5−1), aliasy w FrF2, kodowanie −1/+1, liczebność na efekt i pułapka rozdzielczości III.
Czytaj →PoradnikInterakcja w ANOVA – jak ją opisać
Co zrobić po istotnej interakcji: wykres, efekty proste na średnich brzegowych, interakcja porządkująca i krzyżowa oraz gotowy wzór opisu APA.
Czytaj →PoradnikEksperyment czynnikowy w mailingu
Marketplace z rękodziełem: temat, godzina i personalizacja w kostce 2³, interakcje w punktach procentowych, plan frakcyjny i trzy testy A/B – pięć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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}}