Однофакторный метод - One-factor-at-a-time method

В однофакторный метод,[1] также известный как по одной переменной за раз, OFAT, ЧАСТО,OFaaT, ОВАТ, OV @ T, OVaaT, или же монотетический анализ это метод разработка экспериментов включает в себя тестирование факторов или причин по одному, а не нескольких факторов одновременно.

Преимущества

OFAT предпочитают неспециалисты, особенно в ситуациях, когда данные дешевы и многочисленны.

Существуют случаи, когда умственные усилия, необходимые для проведения сложного многофакторного анализа, превышают усилия, необходимые для сбора дополнительных данных, и в этом случае OFAT может иметь смысл. Кроме того, некоторые исследователи показали, что OFAT может быть более эффективным, чем дробные факториалы при определенных условиях (количество прогонов ограничено, основная цель состоит в том, чтобы добиться улучшений в системе, а экспериментальная ошибка не велика по сравнению с эффектами факторов, которые должны быть аддитивными и независимыми друг от друга).[2][3]

Недостатки

Напротив, в ситуациях, когда данные важны и требуют тщательного анализа, почти всегда лучше изменить сразу несколько факторов. Примером средней школы, иллюстрирующим этот момент, является семья головоломки с балансом, который включает в себя загадку Двенадцать монет. На уровне бакалавриата можно было сравнить[4] СЕТКИ против ГРАДЛИ. Последнее далеко не оптимально, но первое, которое изменяет только одну переменную за раз, хуже. См. Также факторный экспериментальный план методы, впервые примененные Сэр Рональд А. Фишер. Причины нежелания OFAT включают:

  1. OFAT требует больше прогонов для той же точности оценки эффекта
  2. OFAT не может оценивать взаимодействия
  3. OFAT может упустить оптимальные настройки факторов.

Спроектированные эксперименты почти всегда предпочтительнее OFAT с множеством доступных типов и методов, в дополнение к дробным факториалам, которые, хотя обычно требуют большего количества прогонов, чем OFAT, решают три проблемы, указанные выше.[5] Одним из современных дизайнов, перед которым OFAT не имеет преимущества по количеству прогонов, является Плакетт-Берман которые, поскольку все факторы меняются одновременно (важное качество в экспериментальных планах),[5] дает в целом большая точность оценки эффекта.

Смотрите также

Рекомендации

  1. ^ Разави, Саман; Гупта, Хошин В. (2015). «Что мы подразумеваем под анализом чувствительности? Необходимость всесторонней характеристики« глобальной »чувствительности в моделях систем Земли и окружающей среды». Исследование водных ресурсов. 51 (5): 3070–3092. Дои:10.1002/2014wr016527. ISSN  0043-1397.
  2. ^ Фридман М. и Сэвидж Л. Дж. (1947), «Планирование экспериментов в поисках максимумов», в «Методы статистического анализа», ред. К. Эйзенхарт, М. В. Хастей и В. А. Уоллис, Нью-Йорк: McGraw-Hill, стр. 365-372.
  3. ^ Дэниел К. (1973), «Индивидуальные планы», Журнал Американской статистической ассоциации 68, 353–360.
  4. ^ Бевингтон и Робинсон, Обработка данных и анализ ошибок для физических наук, 2-е изд. Макгроу-Хилл (1992)
  5. ^ а б Цитром, Вероника (1999). «Разовые по сравнению с разработанными экспериментами». Американский статистик. 53 (2): 126–131. Дои:10.2307/2685731. JSTOR  2685731.