Faktorielles Design: Prinzipien und Anwendungen

Versuchsplanung mit Python

James Chapman

Curriculum Manager, DataCamp

Faktorielles Design verstehen

 

  • Mehrere unabhängige Variablen/Faktoren in einem Experiment untersuchen
  • Jede Kombination von Faktorstufen testen
  • Direkte Effekte und Interaktionen zwischen Faktoren erkennen

Ein Experiment, das zeigt, wie Lichtbedingungen und Düngerart das Pflanzenwachstum beeinflussen.

1 Image Generated with DALL·E 3
Versuchsplanung mit Python

Beispieldaten für faktorielles Design

  • Faktor 1 (Light_Condition) – zwei Stufen: Full Sunlight und Partial Shade
  • Faktor 2 (Fertilizer_Type) – zwei Stufen: Synthetic und Organic
  • Numerische Ziel-/Antwortvariable: Growth_cm
plant_growth_data.head()

   Plant_ID  Light_Condition  Fertilizer_Type  Growth_cm
0         1    Full Sunlight        Synthetic  16.489735
1         2    Partial Shade          Organic  18.361689
2         3    Full Sunlight        Synthetic  18.039459
3         4    Full Sunlight          Organic  12.682425
4         5    Full Sunlight          Organic  21.480601
Versuchsplanung mit Python

Daten für Interaktionen aufbereiten

plant_growth = pd.pivot_table(plant_growth_data, 
                              values='Growth_cm',
                              index='Light_Condition',
                              columns='Fertilizer_Type', 
                              aggfunc='mean')


plant_growth

Light_Condition     Organic   Synthetic
Full Sunlight       20.602       19.869
Partial Shade       20.246       20.326
Versuchsplanung mit Python

Interaktionen mit Heatmap visualisieren

import seaborn as sns
import matplotlib.pyplot as plt
sns.heatmap(plant_growth, 
            annot=True, 
            cmap='coolwarm',
            fmt='g')
plt.show()

Heatmap zum Pflanzenwachstum

Versuchsplanung mit Python

Interaktionen interpretieren

Light_Condition     Organic   Synthetic
Full Sunlight       20.602       19.869
Partial Shade       20.246       20.326
  • Interaktionen: Wie sich der Effekt eines Faktors je nach Stufe eines anderen ändert
  • Signifikante Interaktion → Faktoren wirken nicht unabhängig
Versuchsplanung mit Python

Faktorielles Design vs. randomisierte Blockdesigns

  • Mehrere Behandlungen und Interaktionen
  • Komplexe Mehrfacheffekte und Interaktionen zerlegen
  • Braucht oft mehr Probanden

Ein Experiment, das zeigt, wie Lichtbedingungen und Düngerart das Pflanzenwachstum beeinflussen.

  • Ähnliche Probanden in randomisierten Designs gruppieren
  • Varianz innerhalb von Blöcken kontrollieren
  • Jede Behandlung wird in jedem Block getestet

Zwei Blöcke mit Würfeln in zufällig zugewiesenen Farben.

1 Images Generated with DALL·E 3
Versuchsplanung mit Python

Lass uns üben!

Versuchsplanung mit Python

Preparing Video For Download...