Projekt eksperymentów

Projektowanie eksperymentów z pełnym planem czynnikowym (po lewej), powierzchnią odpowiedzi z wielomianem drugiego stopnia (po prawej)

Projekt eksperymentów ( DOE lub DOX ), znany również jako projekt eksperymentu lub projekt eksperymentu , to projekt dowolnego zadania, którego celem jest opisanie i wyjaśnienie zmienności informacji w warunkach, które mają odzwierciedlać zmienność. Termin ten jest ogólnie związany z eksperymentami , w których projekt wprowadza warunki, które bezpośrednio wpływają na zmienność, ale może również odnosić się do projektowania quasi-eksperymentów , w których do obserwacji wybiera się warunki naturalne wpływające na zmienność.

W najprostszej formie eksperyment ma na celu przewidywanie wyniku poprzez wprowadzenie zmiany warunków wstępnych, które są reprezentowane przez jedną lub więcej zmiennych niezależnych , zwanych również „zmiennymi wejściowymi” lub „zmiennymi predykcyjnymi”. Zakłada się, że zmiana jednej lub więcej zmiennych niezależnych spowoduje zmianę jednej lub więcej zmiennych zależnych , zwanych również „zmiennymi wyjściowymi” lub „zmiennymi odpowiedzi”. Projekt eksperymentu może również identyfikować zmienne kontrolne , które muszą być utrzymywane na stałym poziomie, aby zapobiec wpływowi czynników zewnętrznych na wyniki. Projekt eksperymentu obejmuje nie tylko wybór odpowiednich zmiennych niezależnych, zależnych i kontrolnych, ale także zaplanowanie przeprowadzenia eksperymentu w statystycznie optymalnych warunkach, biorąc pod uwagę ograniczenia dostępnych zasobów. Istnieje wiele podejść do określania zestawu punktów projektowych (unikalnych kombinacji ustawień zmiennych niezależnych), które mają być użyte w eksperymencie.

Główne obawy związane z projektowaniem eksperymentów obejmują ustalenie ważności , niezawodności i powtarzalności . Na przykład te obawy można częściowo rozwiać, starannie dobierając zmienną niezależną, zmniejszając ryzyko błędu pomiaru i upewniając się, że dokumentacja metody jest wystarczająco szczegółowa. Powiązane kwestie obejmują osiągnięcie odpowiednich poziomów i czułości statystycznej .

Prawidłowo zaprojektowane eksperymenty poszerzają wiedzę z zakresu nauk przyrodniczych, społecznych i technicznych. Inne zastosowania obejmują marketing i kształtowanie polityki. Badanie projektowania eksperymentów jest ważnym tematem metanauki .

Historia

Eksperymenty statystyczne według Charlesa S. Peirce'a

Główny artykuł: Statystyki Frequentist

Zobacz też: Randomizacja

Teoria wnioskowania statystycznego została opracowana przez Charlesa S. Peirce'a w „ Ilustracjach logiki nauki ” (1877–1878) i „ A Theory of Probable Inference ” (1883), dwóch publikacjach, które podkreślały znaczenie wnioskowania opartego na randomizacji w Statystyka.

Randomizowane eksperymenty

Główny artykuł: Losowe zadanie

Zobacz też: Projekt z powtarzanymi pomiarami

Charles S. Peirce losowo przydzielił ochotników do zaślepionego projektu z powtarzanymi pomiarami , aby ocenić ich zdolność do rozróżniania wag. Eksperyment Peirce'a zainspirował innych badaczy psychologii i edukacji, którzy w XIX wieku rozwinęli tradycję badawczą losowych eksperymentów w laboratoriach i specjalistycznych podręcznikach.

Optymalne projekty modeli regresji

Główny artykuł: Metodologia powierzchni odpowiedzi

Zobacz też: Optymalny projekt

Charles S. Peirce wniósł również pierwszą anglojęzyczną publikację na temat optymalnego projektu modeli regresji w 1876 r. Pionierski optymalny projekt regresji wielomianowej został zaproponowany przez Gergonne w 1815 r. W 1918 r. Kirstine Smith opublikowała optymalne projekty wielomianów stopnia szóstego ( i mniej).

Sekwencje eksperymentów

Główny artykuł: Analiza sekwencyjna

Zobacz też: Problem wielorękiego bandyty , Wskaźnik Gittinsa i Projekt optymalny

Wykorzystanie sekwencji eksperymentów, w przypadku których projekt każdego z nich może zależeć od wyników poprzednich eksperymentów, w tym ewentualnej decyzji o zaprzestaniu eksperymentów, mieści się w zakresie analizy sekwencyjnej, dziedziny zapoczątkowanej przez Abrahama Walda w kontekście sekwencyjne testy hipotez statystycznych. Herman Chernoff napisał przegląd optymalnych projektów sekwencyjnych, podczas gdy projekty adaptacyjne zostały zbadane przez S. Zacksa. Jednym ze specyficznych typów projektów sekwencyjnych jest „dwuręki bandyta”, uogólniony do wielorękiego bandyty , nad którym wczesne prace wykonał Herbert Robbins w 1952 roku.

Zasady Fishera

Metodologię projektowania eksperymentów zaproponował Ronald Fisher w swoich nowatorskich książkach: The Arrangement of Field Experiments (1926) i The Design of Experiments (1935). Wiele z jego pionierskich prac dotyczyło zastosowań metod statystycznych w rolnictwie. Jako przyziemny przykład opisał, jak przetestować hipotezę damy degustującej herbatę , że pewna dama może rozróżnić na podstawie samego smaku, czy najpierw w filiżance umieszczono mleko, czy herbatę. Metody te zostały szeroko zaadaptowane w badaniach biologicznych, psychologicznych i rolniczych.

Porównanie

Na niektórych kierunkach nie jest możliwe przeprowadzenie niezależnych pomiarów zgodnie z identyfikowalnym standardem metrologicznym . Porównania między metodami leczenia są o wiele bardziej wartościowe i zwykle preferowane, a często porównuje się je z naukową kontrolą lub tradycyjnym leczeniem, które stanowi punkt odniesienia.

Randomizacja

Losowe przydzielanie to proces losowego przydzielania osób do grup lub różnych grup w eksperymencie, tak aby każda osoba z populacji miała takie same szanse na zostanie uczestnikiem badania. Losowe przypisanie osób do grup (lub warunków w grupie) odróżnia rygorystyczny, „prawdziwy” eksperyment od badania obserwacyjnego lub „quasi-eksperymentu”. Istnieje obszerna teoria matematyczna, która bada konsekwencje przydzielania jednostek do leczenia za pomocą pewnego mechanizmu losowego (takiego jak tablice liczb losowych lub użycie urządzeń losowych, takich jak karty do gry lub kości). Losowe przypisywanie jednostek do leczenia ma tendencję do łagodzenia zakłóceń , co sprawia, że ​​efekty spowodowane czynnikami innymi niż leczenie wydają się wynikać z leczenia.

Ryzyko związane z losowym przydziałem (takie jak poważny brak równowagi w kluczowej charakterystyce między grupą badaną a grupą kontrolną) można obliczyć, a zatem można je obniżyć do akceptowalnego poziomu, stosując wystarczającą liczbę jednostek eksperymentalnych. Jeśli jednak populacja jest podzielona na kilka subpopulacji, które w jakiś sposób się różnią, a badanie wymaga, aby każda subpopulacja była równej wielkości, można zastosować losowanie warstwowe. W ten sposób jednostki w każdej subpopulacji są losowane, ale nie cała próba. Wyniki eksperymentu można wiarygodnie uogólnić z jednostek eksperymentalnych na większą statystyczną populację jednostek tylko wtedy, gdy jednostki eksperymentalne są próbą losową z większej populacji; prawdopodobny błąd takiej ekstrapolacji zależy między innymi od wielkości próby.

Replikacja statystyczna

Pomiary zwykle podlegają wahaniom i niepewności pomiaru ; w związku z tym są one powtarzane, a pełne eksperymenty są replikowane, aby pomóc zidentyfikować źródła zmienności, lepiej oszacować prawdziwe efekty leczenia, jeszcze bardziej wzmocnić wiarygodność i trafność eksperymentu oraz uzupełnić istniejącą wiedzę na ten temat. Jednak przed rozpoczęciem replikacji eksperymentu muszą być spełnione pewne warunki: oryginalne pytanie badawcze zostało opublikowane w recenzowanym czasopiśmie lub szeroko cytowane, badacz jest niezależny od oryginalnego eksperymentu, musi najpierw spróbować powtórzyć oryginalne ustalenia z wykorzystaniem oryginalnych danych, a w opisie należy stwierdzić, że przeprowadzone badanie jest badaniem replikacyjnym, w którym starano się jak najdokładniej odtworzyć oryginalne badanie.

Blokowanie

Blokowanie to nielosowe układanie jednostek eksperymentalnych w grupy (bloki) składające się z jednostek podobnych do siebie. Blokowanie zmniejsza znane, ale nieistotne źródła zmienności między jednostkami, a tym samym pozwala na większą precyzję oszacowania źródła zmienności w ramach badania.

Ortogonalność

Przykład ortogonalnego planu czynnikowego

Ortogonalność dotyczy form porównań (kontrast), które mogą być przeprowadzane w sposób uzasadniony i skuteczny. Kontrasty mogą być reprezentowane przez wektory, a zestawy kontrastów ortogonalnych są nieskorelowane i niezależnie dystrybuowane, jeśli dane są normalne. Z powodu tej niezależności każde leczenie ortogonalne dostarcza innych informacji niż pozostałe. Jeśli istnieją zabiegi T i kontrasty ortogonalne T – 1, wszystkie informacje, które można uchwycić z eksperymentu, można uzyskać ze zbioru kontrastów.

Eksperymenty wieloczynnikowe

Stosowanie eksperymentów wieloczynnikowych zamiast metody „jeden czynnik na raz”. Są one skuteczne w ocenie skutków i możliwych interakcji kilku czynników (zmiennych niezależnych). Analiza eksperymentu opiera się na analizie wariancji , zbiorze modeli, które dzielą obserwowaną wariancję na składowe, zgodnie z tym, jakie czynniki eksperyment musi oszacować lub przetestować.

Przykład

Ten przykład eksperymentów projektowych przypisuje się Haroldowi Hotellingowi , opierając się na przykładach Franka Yatesa . Eksperymenty zaprojektowane w tym przykładzie obejmują projekty kombinatoryczne .

Masy ośmiu przedmiotów mierzy się za pomocą wagi szalkowej i zestawu odważników wzorcowych. Każde ważenie mierzy różnicę masy między przedmiotami na lewej szalce i przedmiotami na prawej szalce, dodając skalibrowane odważniki do lżejszej szalki, aż waga znajdzie się w równowadze. Każdy pomiar ma przypadkowy błąd . Średni błąd wynosi zero; odchylenia standardowe rozkładu prawdopodobieństwa błędów to ta sama liczba σ przy różnych ważeniach; błędy w różnych ważeniach są niezależne . Oznacz prawdziwe wagi przez

${\ Displaystyle \ teta _ {1}, \ kropki, \ teta _ {8}. \,}$

Rozważamy dwa różne eksperymenty:

1. Zważ każdy przedmiot na jednej szalce, przy czym druga szalka jest pusta. Niech X _i będzie zmierzoną masą przedmiotu, dla i = 1, ..., 8.
2. Wykonaj osiem ważeń według następującego schematu – matrycy ważeń :

${\ Displaystyle {\ rozpocząć {tablica} {LC$

dla i ₌ 1 , . .., 8. Wtedy oszacowana wartość wagi θ ₁ wynosi

${\ Displaystyle {\ widehat {\ teta}} _ {1} = {\ Frac {Y_ {1} + Y_ {2} + Y_ {3} + Y_ {4} - Y_ {5} - Y_ {6} - Y_{7}-Y_{8}}{8}}.}$

Podobne szacunki można znaleźć dla wag innych przedmiotów. Na przykład

${\ Displaystyle {\ rozpocząć {wyrównane} {\ widehat {\ theta}} _ {2} & = {\ Frac {Y_ {1} + Y_ {2} -Y_ {3} -Y_ {4} + Y_ {5 }+Y_{6}-Y_{7}-Y_{8}}{8}}.\\[5pt]{\widehat {\theta }}_{3}&={\frac {Y_{1}+ Y_{2}-Y_{3}-Y_{4}-Y_{5}-Y_{6}+Y_{7}+Y_{8}}{8}}.\\[5pt]{\widehat {\ theta }}_{4}&={\frac {Y_{1}-Y_{2}+Y_{3}-Y_{4}+Y_{5}-Y_{6}+Y_{7}-Y_{ 8}}{8}}.\\[5pt]{\widehat {\theta}}_{5}&={\frac {Y_{1}-Y_{2}+Y_{3}-Y_{4} -Y_{5}+Y_{6}-Y_{7}+Y_{8}}{8}}.\\[5pt]{\widehat {\theta}}_{6}&={\frac {Y_ {1}-Y_{2}-Y_{3}+Y_{4}+Y_{5}-Y_{6}-Y_{7}+Y_{8}}{8}}.\\[5pt]{ \widehat {\theta}}_{7}&={\frac {Y_{1}-Y_{2}-Y_{3}+Y_{4}-Y_{5}+Y_{6}+Y_{7 }-Y_{8}}{8}}.\\[5pt]{\widehat {\theta}}_{8}&={\frac {Y_{1}+Y_{2}+Y_{3}+ Y_{4}+Y_{5}+Y_{6}+Y_{7}+Y_{8}}{8}}.\end{wyrównane}}}$

Kwestia projektowania eksperymentów brzmi: który eksperyment jest lepszy?

Wariancja oszacowania X ₁ z θ ₁ wynosi σ ² , jeśli użyjemy pierwszego doświadczenia. Ale jeśli użyjemy drugiego doświadczenia, wariancja oszacowania podanego powyżej wynosi σ ² /8. Tak więc drugi eksperyment daje nam 8 razy większą precyzję oszacowania pojedynczego elementu i szacuje wszystkie elementy jednocześnie, z tą samą precyzją. To, co drugi eksperyment osiąga z ośmioma, wymagałoby 64 ważeń, gdyby przedmioty były ważone oddzielnie. Należy jednak zauważyć, że oszacowania dla pozycji uzyskanych w drugim eksperymencie mają błędy, które korelują ze sobą.

Wiele problemów związanych z projektowaniem eksperymentów obejmuje projekty kombinatoryczne , jak w tym przykładzie i innych.

Unikanie fałszywych alarmów

Zobacz też: Metanauka

Fałszywe pozytywne wnioski, często wynikające z nacisku na publikację lub własnej autoryzacji stronniczości , są nieodłącznym zagrożeniem w wielu dziedzinach. Dobrym sposobem zapobiegania stronniczości potencjalnie prowadzącej do fałszywych alarmów w fazie gromadzenia danych jest zastosowanie projektu podwójnie ślepej próby. Gdy stosowany jest projekt z podwójnie ślepą próbą, uczestnicy są losowo przypisywani do grup eksperymentalnych, ale badacz nie jest świadomy, którzy uczestnicy należą do której grupy. Dlatego badacz nie może wpływać na reakcję uczestników na interwencję. Problemem są projekty eksperymentalne z nieujawnionymi stopniami swobody. Może to prowadzić do świadomego lub nieświadomego „ p-hakowania ”: próbowania wielu rzeczy, aż do uzyskania pożądanego rezultatu. Zwykle polega na manipulowaniu – być może nieświadomie – procesem analizy statystycznej i stopniami swobody, aż do uzyskania wartości poniżej poziomu istotności statystycznej p<0,05. Tak więc projekt eksperymentu powinien zawierać jasne stwierdzenie proponujące analizy, które należy przeprowadzić. P-hackingowi można zapobiec poprzez wstępną rejestrację badań, w ramach której badacze muszą przesłać swój plan analizy danych do czasopisma, w którym chcą opublikować swój artykuł, zanim jeszcze rozpoczną zbieranie danych, więc żadna manipulacja danymi nie jest możliwa ( https:// osf .io ). Innym sposobem, aby temu zapobiec, jest przeniesienie projektu podwójnie ślepej próby do fazy analizy danych, w której dane są wysyłane do analityka danych niezwiązanego z badaniem, który miesza dane, więc nie ma sposobu, aby dowiedzieć się, do których należą uczestnicy przed są potencjalnie odbierane jako wartości odstające.

Jasna i kompletna dokumentacja metodologii eksperymentalnej jest również ważna dla wspierania replikacji wyników.

Tematy dyskusji podczas tworzenia projektu eksperymentalnego

Projekt eksperymentalny lub randomizowane badanie kliniczne wymaga starannego rozważenia kilku czynników przed faktycznym przeprowadzeniem eksperymentu. Projekt eksperymentalny to opracowanie szczegółowego planu eksperymentu przed wykonaniem eksperymentu. Niektóre z poniższych tematów zostały już omówione w sekcji dotyczącej zasad projektowania eksperymentalnego:

1. Ile czynników ma projekt i czy poziomy tych czynników są stałe czy losowe?
2. Czy potrzebne są warunki kontrolne i jakie powinny być?
3. Kontrola manipulacji: czy manipulacja naprawdę zadziałała?
4. Jakie są zmienne tła?
5. Jaka jest wielkość próbki? Ile jednostek należy zebrać, aby eksperyment można było uogólnić i mieć wystarczającą moc ?
6. Jakie znaczenie mają interakcje między czynnikami?
7. Jaki jest wpływ opóźnionego wpływu czynników merytorycznych na wyniki?
8. W jaki sposób zmiany odpowiedzi wpływają na środki samoopisowe?
9. Jak wykonalne jest wielokrotne podawanie tych samych przyrządów pomiarowych tym samym jednostkom przy różnych okazjach, z testem końcowym i testami kontrolnymi?
10. A co z użyciem wstępnego testu proxy?
11. Czy są ukryte zmienne ?
12. Czy klient/pacjent, badacz, a nawet analityk danych powinien być ślepy na warunki?
13. Jaka jest wykonalność późniejszego zastosowania różnych warunków do tych samych jednostek?
14. Ile z każdego czynnika kontroli i hałasu należy wziąć pod uwagę?

Zmienna niezależna badania często ma wiele poziomów lub różne grupy. W prawdziwym eksperymencie badacze mogą mieć grupę eksperymentalną, w której realizowana jest ich interwencja testująca hipotezę, oraz grupę kontrolną, która ma ten sam element co grupa eksperymentalna, bez elementu interwencyjnego. Tak więc, gdy wszystko poza jedną interwencją jest niezmienione, badacze mogą z pewną dozą pewności stwierdzić, że ten jeden element spowodował obserwowaną zmianę. W niektórych przypadkach posiadanie grupy kontrolnej nie jest etyczne. Czasami rozwiązuje się to przy użyciu dwóch różnych grup eksperymentalnych. W niektórych przypadkach zmiennymi niezależnymi nie można manipulować, na przykład podczas testowania różnicy między dwiema grupami, które mają inną chorobę, lub testowania różnicy między płciami (oczywiście zmienne, do których przypisanie uczestników byłoby trudne lub nieetyczne). W takich przypadkach można zastosować projekt quasi-eksperymentalny.

Atrybucje przyczynowe

W czystym układzie eksperymentalnym badacz manipuluje zmienną niezależną (predyktorem) – to znaczy każdy uczestnik badania jest wybierany losowo z populacji, a każdemu wybranemu uczestnikowi losowo przypisuje się warunki zmiennej niezależnej. Tylko wtedy można z dużym prawdopodobieństwem stwierdzić, że przyczyną różnic w zmiennych wynikowych są różne uwarunkowania. Dlatego badacze powinni w miarę możliwości wybierać projekt eksperymentalny zamiast innych typów projektów. Jednak charakter zmiennej niezależnej nie zawsze pozwala na manipulację. W takich przypadkach badacze muszą być świadomi, że nie poświadczają atrybucji przyczynowej, gdy ich projekt na to nie pozwala. Na przykład w planach obserwacyjnych uczestnicy nie są przydzielani losowo do warunków, więc jeśli występują różnice w zmiennych wynikowych między warunkami, jest prawdopodobne, że jest coś innego niż różnice między warunkami, co powoduje różnice w wynikach, co jest – trzecią zmienną. To samo dotyczy badań z projektem korelacyjnym. (Adér i Mellenbergh, 2008).

Kontrola statystyczna

Najlepiej jest, aby proces był pod rozsądną kontrolą statystyczną przed przeprowadzeniem zaprojektowanych eksperymentów. Gdy nie jest to możliwe, odpowiednie blokowanie, replikacja i randomizacja pozwalają na staranne przeprowadzenie zaplanowanych eksperymentów. Aby kontrolować uciążliwe zmienne, badacze wprowadzają kontrole kontrolne jako dodatkowe środki. Badacze powinni upewnić się, że niekontrolowane wpływy (np. postrzeganie wiarygodności źródła) nie wypaczają wyników badania. Test manipulacji jest jednym z przykładów testu kontroli. Kontrole manipulacji pozwalają badaczom wyizolować główne zmienne, aby wzmocnić poparcie, że te zmienne działają zgodnie z planem.

Jednym z najważniejszych wymagań projektów badań eksperymentalnych jest konieczność wyeliminowania skutków zmiennych fałszywych , pośrednich i poprzedzających . W najbardziej podstawowym modelu przyczyna (X) prowadzi do skutku (Y). Ale może istnieć trzecia zmienna (Z), która wpływa na (Y), a X może wcale nie być prawdziwą przyczyną. Mówi się, że Z jest zmienną fałszywą i musi być kontrolowana. To samo dotyczy zmiennych pośredniczących (zmienna pomiędzy domniemaną przyczyną (X) a skutkiem (Y)) oraz zmiennych poprzedzających (zmienna poprzedzająca przypuszczalną przyczynę (X), która jest prawdziwą przyczyną). Kiedy trzecia zmienna jest zaangażowana i nie była kontrolowana, mówi się, że relacja jest relacją rzędu zerowego. W większości praktycznych zastosowań projektów badań eksperymentalnych istnieje kilka przyczyn (X1, X2, X3). W większości projektów manipuluje się tylko jedną z tych przyczyn na raz.

Eksperymentalne projekty po Fisherze

szacowania kilku efektów głównych zostały znalezione niezależnie iw niewielkiej kolejności przez Raja Chandrę Bose i K. Kishena w 1940 r . w tym samym czasie CR Rao wprowadził koncepcje tablic ortogonalnych jako projekty eksperymentalne. Koncepcja ta odegrała kluczową rolę w rozwoju metod Taguchiego przez Genichiego Taguchiego , co miało miejsce podczas jego wizyty w Indyjskim Instytucie Statystycznym na początku lat pięćdziesiątych. Jego metody zostały z powodzeniem zastosowane i przyjęte przez przemysł japoński i indyjski, a następnie zostały przyjęte również przez przemysł amerykański, choć z pewnymi zastrzeżeniami.

W 1950 roku Gertrude Mary Cox i William Gemmell Cochran opublikowali książkę Experimental Designs, która przez wiele lat stała się główną pracą referencyjną dotyczącą projektowania eksperymentów dla statystyków.

Rozwój teorii modeli liniowych objął i przekroczył przypadki, które dotyczyły wczesnych pisarzy. Dziś teoria opiera się na zaawansowanych zagadnieniach z zakresu algebry liniowej , algebry i kombinatoryki .

Podobnie jak w przypadku innych gałęzi statystyki, projekt eksperymentalny jest realizowany przy użyciu zarówno podejścia częstości, jak i bayesowskiego : podczas oceny procedur statystycznych, takich jak projekty eksperymentalne, statystyka częstości bada rozkład próbkowania , podczas gdy statystyka bayesowska aktualizuje rozkład prawdopodobieństwa w przestrzeni parametrów.

Niektórzy ważni współpracownicy w dziedzinie projektów eksperymentalnych to CS Peirce , RA Fisher , F. Yates , RC Bose , AC Atkinson, RA Bailey , DR Cox , GEP Box , WG Cochran , WT Federer, VV Fedorov, AS Hedayat, J. Kiefer , O. Kempthorne , JA Nelder , Andrej Pázman, Friedrich Pukelsheim, D. Raghavarao , CR Rao , Shrikhande SS , JN Srivastava , William J. Studden, G. Taguchi i HP Wynn.

Podręczniki D. Montgomery'ego, R. Myersa i G. Boxa/W. Hunter/JS Hunter dotarły do ​​pokoleń studentów i praktyków.

Pewne omówienie projektowania eksperymentalnego w kontekście identyfikacji systemu (budowa modelu dla modeli statycznych lub dynamicznych) podano w i .

Ograniczenia dotyczące ludzkiego uczestnika

Prawa i względy etyczne wykluczają niektóre starannie zaplanowane eksperymenty z udziałem ludzi. Ograniczenia prawne zależą od jurysdykcji . Ograniczenia mogą obejmować instytucjonalne komisje rewizyjne , świadomą zgodę i poufność , które mają wpływ zarówno na badania kliniczne (medyczne), jak i eksperymenty z zakresu nauk behawioralnych i społecznych. Na przykład w dziedzinie toksykologii przeprowadza się eksperymenty na zwierzętach laboratoryjnych w celu określenia bezpiecznych limitów narażenia dla ludzi . Równoważenie ograniczeń to poglądy z dziedziny medycyny. Jeśli chodzi o randomizację pacjentów, „... jeśli nikt nie wie, która terapia jest lepsza, nie ma etycznego imperatywu stosowania takiej czy innej terapii”. (s. 380) Jeśli chodzi o projekt eksperymentu, „…wyraźnie nieetyczne jest narażanie uczestników na ryzyko zbierania danych w źle zaprojektowanym badaniu, kiedy takiej sytuacji można łatwo uniknąć…”. (str. 393)

Zobacz też

• Współpraca kontradyktoryjna
• Bayesowski projekt eksperymentalny
• Projekt bloku
• Projekt Boxa-Behnkena
• Centralny projekt kompozytowy
• Badanie kliniczne
• Projekt badania klinicznego
• Eksperyment komputerowy
• Zmienna kontrolna
• Sterowanie dla zmiennej
• Eksperymetria ( eksperymenty związane z ekonometrią )
• Analiza czynników
• Ułamkowy plan czynnikowy
• Słowniczek projektowania eksperymentalnego
• Model w szarym pudełku
• Inżynieria przemysłowa
• Efekt instrumentu
• Prawo wielkich liczb
• Kontrole manipulacji
• Wieloczynnikowe projektowanie oprogramowania do eksperymentów
• Metoda „jeden czynnik na raz”.
• Optymalny projekt
• Projekt Placketta-Burmana
• Projekt probabilistyczny
• Protokół (nauki przyrodnicze)
• Projekt quasi-eksperymentalny
• Randomizowany projekt bloku
• Randomizowana kontrolowana próba
• Projekt badawczy
• Solidna konstrukcja parametrów
• Określenie wielkości próbki
• Przesycony projekt
• Królewska Komisja ds. Magnetyzmu Zwierząt
• Dobór próby
• Identyfikacja systemu
• Metody Taguchiego

Źródła

• Peirce, CS (1877–1878), „Ilustracje logiki nauki” (seria), Popular Science Monthly , tomy. 12–13. Odpowiednie dokumenty indywidualne:
  • (1878 marzec), „Doktryna szans”, Miesięcznik Popular Science , t. 12, wydanie marcowe, s. 604–615 . Archiwum internetowe Eprint .
  • (1878 kwiecień), „Prawdopodobieństwo indukcji”, Popular Science Monthly , t. 12, s. 705 –718. Archiwum internetowe Eprint .
  • (1878 czerwiec), „Porządek natury”, Miesięcznik Popular Science , t. 13, s. 203 –217. Archiwum internetowe Eprint .
  • (1878 sierpień), „Dedukcja, indukcja i hipoteza”, Miesięcznik Popular Science , t. 13, s. 470–482 . Archiwum internetowe Eprint .
  •   (1883), „Teoria prawdopodobnego wnioskowania”, Studies in Logic , s. 126–181 , Little, Brown and Company. (Przedruk 1983, John Benjamins Publishing Company, ISBN 90-272-3271-7 )

Linki zewnętrzne

• Rozdział z „NIST/SEMATECH Handbook on Engineering Statistics” w NIST
• Projekty Boxa – Behnkena z „NIST / SEMATECH Handbook on Engineering Statistics” w NIST
•   Szczegółowe rozwinięcia matematyczne najpowszechniejszych DoE w Opera Magistris v3.6 online, rozdział 15, sekcja 7.4, ISBN 978-2-8399-0932-7 .