Plany czynnikowe: zasady i zastosowania

Projektowanie eksperymentów w Pythonie

James Chapman

Curriculum Manager, DataCamp

Wprowadzenie do planu czynnikowego

Badanie wielu zmiennych niezależnych/czynników w jednym eksperymencie
Testowanie każdej kombinacji poziomów czynników
Odkrywanie efektów głównych i interakcji między czynnikami

Eksperyment pokazujący wpływ warunków oświetlenia i rodzaju nawozu na wzrost roślin.

¹ Obraz wygenerowany przez DALL·E 3

Przykład danych z planu czynnikowego

Czynnik 1 (Light_Condition) – dwa poziomy: Full Sunlight i Partial Shade
Czynnik 2 (Fertilizer_Type) – dwa poziomy: Synthetic i Organic
Zmienna odpowiedzi (numeryczna): 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

Organizacja danych do wizualizacji interakcji

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

Wizualizacja interakcji za pomocą mapy cieplnej

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

Mapa cieplna wzrostu roślin

Interpretowanie interakcji

Light_Condition     Organic   Synthetic
Full Sunlight       20.602       19.869
Partial Shade       20.246       20.326

Interakcje: jak efekt jednego czynnika zmienia się w zależności od poziomu innego czynnika
Istotna interakcja → czynniki nie działają niezależnie

Plany czynnikowe a plany bloków losowanych

Wiele traktowań i interakcji
Analiza złożonych efektów wielozmiennych i interakcji
Może wymagać większej liczby obiektów

Eksperyment pokazujący wpływ warunków oświetlenia i rodzaju nawozu na wzrost roślin.

Grupowanie podobnych obiektów w losowych planach
Kontrola wariancji wewnątrz bloków
Każde traktowanie testowane w każdym bloku

Dwa bloki zawierające kostki z losowo przypisanymi kolorami.

¹ Obrazy wygenerowane przez DALL·E 3

Czas na ćwiczenia!

Projektowanie eksperymentów w Pythonie