Słownik metodologiczny · Projekt badania

Schemat split-plot – plan z podzielonymi poletkami

Schemat split-plot łączy czynnik trudny do zmiany, losowany dużym jednostkom, z czynnikiem łatwym do zmiany, losowanym wewnątrz nich. Pokazujemy, dlaczego wymaga dwóch członów błędu i jak go policzyć w R.

Strona główna / Słownik / Schemat split-plot
W skrócie: Schemat split-plot to eksperyment czynnikowy z dwoma poziomami randomizacji: czynnik trudny do zmiany losuje się całym poletkom, a czynnik łatwy do zmiany – podpoletkom w ich obrębie. Efekt pierwszego testuje się względem błędu całych poletek, drugiego – względem błędu podpoletek.

Co to jest schemat split-plot?

Schemat split-plot (ang. split-plot design, plan z podzielonymi poletkami) to eksperyment czynnikowy z dwoma poziomami randomizacji. Poziomy czynnika trudnego do zmiany (A) losuje się dużym jednostkom – całym poletkom – a poziomy czynnika łatwego do zmiany (B) losuje się wewnątrz każdego poletka, na podpoletkach. Nazwa pochodzi z doświadczeń polowych; Kowalski i in. (2007) pokazują ten sam układ w eksperymentach przemysłowych: czynnik trudny lub drogi do zmiany ustawia się rzadko, co oszczędza koszty, lecz daje mniej informacji o jego efekcie. W badaniach społecznych odpowiednikiem jest metoda nauczania przydzielona klasom i warunek zadania losowany uczniom w klasie, a w badaniach z pomiarami powtarzanymi – ANOVA mieszana, w której osoba pełni rolę całego poletka.

Dwa człony błędu

W odróżnieniu od zwykłego schematu czynnikowego efekt A testuje się względem zmienności między nielicznymi całymi poletkami, a efekt B i interakcję A × B – względem mniejszej zmienności wewnątrz poletek. Dlatego B i A × B są szacowane precyzyjniej niż A. W analizie wariancji odpowiada temu model z warstwą błędu dla poletek, a w modelu wielopoziomowym – losowy efekt poletka. Jones i Nachtsheim (2009) przeglądają nowsze metody projektowania i analizy takich planów i podają wskazówki ich stosowania.

Przykład

Osiem całych poletek (dane symulowane) wylosowano po cztery do poziomów A, a każde podzielono na trzy podpoletka z poziomami B. W poprawnej analizie efekt A nie jest istotny, F(1, 6) = 3.03, p = .133, a efekt B jest, F(2, 12) = 8.34, p = .005. Analiza z jednym błędem daje odwrotny obraz: A „istotne” (F(1, 18) = 8.52, p = .009), B nie (p = .477).

Na rysunku

Rysunek pokazuje dane z przykładu (ten sam set.seed(662)). Przydział poletek 1, 3, 6 i 8 do poziomu a1 jest w kodzie ustalony ręcznie, a podpoletka mają stałą kolejność b1–b3. W prawdziwym badaniu oba przydziały się losuje.

Dwa panele. A: osiem pionowych prostokątów, czyli całych poletek, każdy podzielony na trzy podpoletka b1, b2 i b3; nad poletkami 1, 3, 6 i 8 etykieta a1 (niebieskie), nad 2, 4, 5 i 7 etykieta a2 (pomarańczowe). B: wynik y w podpoletkach b1, b2 i b3, po jednej linii na poletko; poletka a1 to kółka i linie ciągłe, a2 to trójkąty i linie przerywane. Linie leżą na bardzo różnych wysokościach, od około 7.5 do 16.7, i mocno się przeplatają między poziomami A, ale większość z nich lekko rośnie od b1 do b3
Rysunek 1. Układ jednostek w schemacie split-plot (A) i wyniki trzech podpoletek w każdym całym poletku (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane z przykładu).

Co widać. Panel A pokazuje dwa poziomy losowania. Czynnik A dostaje całe poletko, a czynnik B – podpoletko w jego obrębie. W panelu B każda linia to jedno poletko. Średnie poletek a1 wahają się od 8.75 do 14.50, a poletek a2 od 11.67 do 15.90. Różnica średnich A (11.55 wobec 14.23) ginie w tym rozrzucie, a opiera się tylko na 4 i 4 poletkach. Stąd test A ma 6 stopni swobody błędu i p = .133. Czynnik B porównuje się wewnątrz linii. Różnica b3 − b1 jest dodatnia we wszystkich ośmiu poletkach (od 0.13 do 2.99), bo podpoletka tego samego poletka różnią się mało. Średni kwadrat błędu podpoletek, 0.47, jest ok. 30 razy mniejszy niż błędu całych poletek, 14.27.

Na co uważać. Na wykresie widać 24 punkty, ale dla czynnika A liczy się tylko 8 linii. Analiza, która traktuje punkty jak niezależne, to pseudoreplikacja. Wykres nie pokazuje też niepewności ani interakcji A × B w formie testu – nachylenia linii różnią się także przez sam błąd losowy. Jak model mieszany rozdziela zmienność między jednostkami i wewnątrz nich, pokazuje wpis Model mieszany w obrazkach.

Podpis do pracy:

Rysunek 1. Układ eksperymentu split-plot (A) i wyniki w podpoletkach poszczególnych całych poletek (B). Uwaga. Poziomy czynnika A przydzielono ośmiu całym poletkom (po 4 na poziom), a poziomy czynnika B – trzem podpoletkom w każdym poletku. Każda linia w panelu B łączy wyniki jednego całego poletka.

Kod poniżej odtwarza rysunek i liczby z tego akapitu (średnie kwadraty błędów pochodzą z analizy w przykładzie). Jest samowystarczalny: paletę Okabe–Ito i prosty motyw definiuje sam, a dane losuje tym samym ziarnem co przykład. Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki i siatka.

Kod R rysunku 1
# Rysunek 1. Schemat split-plot: układ całych poletek i podpoletek (A) oraz wyniki w każdym poletku (B)
library(ggplot2)
library(patchwork)
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom", plot.title = element_text(face = "bold"))
kol <- c(a1 = "#0072B2", a2 = "#D55E00")   # Okabe–Ito; poziom A niosą też etykiety, kształt punktu i typ linii

set.seed(662)                              # te same dane co w przykładzie
d <- expand.grid(B = factor(c("b1", "b2", "b3")), poletko = factor(1:8))
d$A <- factor(ifelse(as.integer(d$poletko) %in% c(1, 3, 6, 8), "a1", "a2"))
u <- rnorm(8, sd = 2)                                # błąd całych poletek
d$y <- 10 + 3 * (d$A == "a2") + c(0, 1, 2)[d$B] +
       u[d$poletko] + rnorm(nrow(d), sd = 1)         # błąd podpoletek

# Średnia każdego poletka i różnica b3 − b1 w jego obrębie
pol <- data.frame(poletko = 1:8, A = d$A[d$B == "b1"],
                  srednia = round(tapply(d$y, d$poletko, mean), 2),
                  b3_minus_b1 = round(d$y[d$B == "b3"] - d$y[d$B == "b1"], 2))
pol
round(tapply(pol$srednia, pol$A, mean), 2)          # średnie A: porównanie tylko 4 i 4 poletek

# A: każde całe poletko dostaje jeden poziom A, jego trzy podpoletka – poziomy B
pA <- ggplot(d, aes(x = as.integer(poletko), y = as.integer(B))) +
  geom_tile(aes(fill = A), colour = "white", linewidth = 0.8, alpha = 0.35, height = 0.95) +
  geom_tile(data = pol, aes(x = poletko, y = 2, colour = A), fill = NA, linewidth = 1.2,
            width = 0.92, height = 2.95, inherit.aes = FALSE) +
  geom_text(aes(label = B), size = 3.6) +
  geom_text(data = pol, aes(x = poletko, y = 3.85, label = A, colour = A), size = 4.2,
            fontface = "bold", inherit.aes = FALSE) +
  scale_fill_manual(values = kol, guide = "none") +
  scale_colour_manual(values = kol, guide = "none") +
  scale_x_continuous(breaks = 1:8) +
  scale_y_continuous(breaks = NULL, limits = c(0.5, 4.2)) +
  labs(title = "A. Układ: 8 całych poletek × 3 podpoletka", x = "Całe poletko", y = NULL) +
  motyw

# B: linie łączą trzy podpoletka tego samego poletka
pB <- ggplot(d, aes(B, y, group = poletko, colour = A, linetype = A, shape = A)) +
  geom_line(linewidth = 0.9) +
  geom_point(size = 2.8) +
  scale_colour_manual(values = kol, name = "Czynnik A") +
  scale_linetype_manual(values = c(a1 = "solid", a2 = "dashed"), name = "Czynnik A") +
  scale_shape_manual(values = c(a1 = 16, a2 = 17), name = "Czynnik A") +
  labs(title = "B. Wyniki w każdym poletku", x = "Czynnik B (podpoletko)", y = "Wynik y") +
  motyw
p1 <- pA + pB + plot_layout(widths = c(1.2, 1))
p1   # zapis: ggsave("schemat-split-plot-uklad.svg", p1, width = 10, height = 5)
Wynik w R
  poletko  A srednia b3_minus_b1
1       1 a1   12.52        1.94
2       2 a2   15.90        1.56
3       3 a1   10.42        0.32
4       4 a2   14.85        1.69
5       5 a2   14.51        0.51
6       6 a1   14.50        2.99
7       7 a2   11.67        0.13
8       8 a1    8.75        2.03
   a1    a2 
11.55 14.23 

Jak opisać w pracy

Zastosowano schemat split-plot: poziomy czynnika A wylosowano ośmiu całym poletkom, a poziomy czynnika B – podpoletkom w każdym z nich. Efekt A testowano względem błędu całych poletek, F(1, 6) = 3.03, p = .133; efekt B był istotny, F(2, 12) = 8.34, p = .005, a interakcja nie, F(2, 12) = 0.89, p = .437.

Na co uważać

  • Analiza jak dla planu w pełni losowego. Podpoletka traktowane jako niezależne powtórzenia A to pseudoreplikacja.
  • Mało całych poletek. Moc testu A zależy od ich liczby, nie od liczby pomiarów.
  • Mylenie z blokami. W randomizacji blokowej wszystkie warunki występują w każdym bloku; tu całe poletko dostaje jeden poziom A. Poletka są zagnieżdżone w A – zob. czynniki zagnieżdżone i skrzyżowane.
Przykład reprodukowalny

Schemat split-plot w R

Kod symuluje plan z ośmioma całymi poletkami i trzema podpoletkami w każdym, a potem porównuje analizę z dwoma członami błędu (aov z Error() i lme4::lmer) z błędną analizą z jednym członem błędu.

Dwa człony błędu a jeden

Dane wejściowe: 8 całych poletek (po 4 na poziom A), 3 podpoletka z poziomami B w każdym, 24 pomiary; błąd całych poletek SD = 2, podpoletek SD = 1.

Co odczytać: w poprawnej analizie A: F(1, 6) = 3.03, p = .133, B: F(2, 12) = 8.34, p = .005; w błędnej A: F(1, 18) = 8.52, p = .009, B: p = .477. Model mieszany odtwarza wartości F poprawnej analizy.

R
# Schemat split-plot: czynnik A na całych poletkach, czynnik B na podpoletkach
set.seed(662)
d <- expand.grid(B = factor(c("b1", "b2", "b3")), poletko = factor(1:8))
d$A <- factor(ifelse(as.integer(d$poletko) %in% c(1, 3, 6, 8), "a1", "a2"))
u <- rnorm(8, sd = 2)                                # błąd całych poletek
d$y <- 10 + 3 * (d$A == "a2") + c(0, 1, 2)[d$B] +
       u[d$poletko] + rnorm(nrow(d), sd = 1)         # błąd podpoletek
# Poprawnie: dwa człony błędu (całe poletka i podpoletka)
summary(aov(y ~ A * B + Error(poletko), data = d))
# Błędnie: jeden człon błędu, jakby każdy pomiar był niezależny
summary(aov(y ~ A * B, data = d))
# To samo w modelu mieszanym
suppressPackageStartupMessages(library(lme4))
m <- lmer(y ~ A * B + (1 | poletko), data = d)
anova(m)
Wynik w R

Error: poletko
          Df Sum Sq Mean Sq F value Pr(>F)
A          1  43.21   43.21   3.027  0.133
Residuals  6  85.64   14.27               

Error: Within
          Df Sum Sq Mean Sq F value  Pr(>F)   
B          2  7.818   3.909   8.345 0.00535 **
A:B        2  0.832   0.416   0.889 0.43668   
Residuals 12  5.621   0.468                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
            Df Sum Sq Mean Sq F value  Pr(>F)   
A            1  43.21   43.21   8.522 0.00916 **
B            2   7.82    3.91   0.771 0.47726   
A:B          2   0.83    0.42   0.082 0.92154   
Residuals   18  91.27    5.07                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Analysis of Variance Table
    npar Sum Sq Mean Sq F value
A      1 1.4180  1.4180  3.0272
B      2 7.8179  3.9089  8.3449
A:B    2 0.8324  0.4162  0.8885

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem lme4. Rysunek 1 wykonano w pakietach ggplot2 i patchwork i zapisano pakietem svglite. 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. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czym schemat split-plot różni się od zwykłego schematu czynnikowego?

W zwykłym schemacie każda kombinacja poziomów jest losowana jednostkom niezależnie. W split-plot jeden czynnik losuje się całym poletkom, a drugi podpoletkom, więc efekty mają różne człony błędu i różną precyzję.

Czy ANOVA mieszana to schemat split-plot?

Tak, formalnie to ten sam układ: osoba jest całym poletkiem, czynnik międzyobiektowy działa na poziomie osób, a pomiary powtarzane – na poziomie podpoletek. Stąd angielska nazwa split-plot ANOVA.

Jak policzyć schemat split-plot w R?

Użyj aov z członem Error(poletko) albo modelu mieszanego lme4::lmer z losowym efektem poletka. Kod na tej stronie pokazuje obie wersje i porównuje je z błędną analizą z jednym członem błędu.

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. Jones, B., & Nachtsheim, C. J. (2009). Split-plot designs: What, why, and how. Journal of Quality Technology, 41(4), 340–361. https://doi.org/10.1080/00224065.2009.11917790
  2. Kowalski, S. M., Parker, P. A., & Vining, G. G. (2007). Tutorial: Industrial split-plot experiments. Quality Engineering, 19(1), 1–15. https://doi.org/10.1080/08982110601057179

Cytowania BibTeX

@article{jones2009split, author={Jones, Bradley and Nachtsheim, Christopher J.}, title={{Split-plot designs: What, why, and how}}, journal={Journal of Quality Technology}, year={2009}, volume={41}, number={4}, pages={340--361}, doi={10.1080/00224065.2009.11917790}}
@article{kowalski2007tutorial, author={Kowalski, Scott M. and Parker, Peter A. and Vining, G. Geoffrey}, title={{Tutorial: Industrial split-plot experiments}}, journal={Quality Engineering}, year={2007}, volume={19}, number={1}, pages={1--15}, doi={10.1080/08982110601057179}}
R