فصل: طرح‌های فاکتوریل با سطوح متنوع و تجزیه SS

1) عنوان

فصل ۸: طرح‌های فاکتوریل با سطوح متنوع و تجزیه انحرافات (SS)

2) مقدمهٔ آموزشی

در فصل پیشین با اصول کلی آزمایش‌های فاکتوریل آشنا شدیم. در بسیاری از کاربردهای عملی، فاکتورها ممکن است بیش از دو سطح داشته باشند (مثلاً دمای پخت در ۳ یا ۴ سطح، یا زمان نگهداری در ۵ سطح). همچنین، درک عمیق‌تر نتایج تحلیل واریانس (ANOVA) نیازمند تجزیه مجذورات مجموع (SS) به اجزای تشکیل‌دهنده‌اش است. این فصل به بررسی طرح‌های فاکتوریل با سطوح مختلف (مانند ۲x۲x۴، ۲x۳x۲ و غیره) و روش‌های تجزیه SS برای عوامل خطی، درجه دوم و اثرات متقابل مرتبه بالاتر می‌پردازد تا درک ما از تأثیر فاکتورها را عمیق‌تر کند.

3) پیش‌نیازها

• تسلط کامل بر مفاهیم فصل‌های پیشین: طرح‌های پایه‌ای (CRD, RCBD)، اثرات اصلی و متقابل.
• آشنایی با اصول تحلیل واریانس (ANOVA).
• درک مفاهیم SS (Sum of Squares)، MS (Mean Square)، df (Degrees of Freedom) و F-value.

4) طرح‌های فاکتوریل با سطوح متنوع

الف) طرح‌های فاکتوریل با بیش از دو فاکتور:

• مثال: طرح ۲x۳x۴ به این معنی است که:
• فاکتور اول ۲ سطح دارد.
• فاکتور دوم ۳ سطح دارد.
• فاکتور سوم ۴ سطح دارد.
• تعداد کل تیمارها: ۲ × ۳ × ۴ = ۲۴ ترکیب تیماری منحصر به فرد.
• پیچیدگی تحلیل: با افزایش تعداد فاکتورها و سطوح، تعداد تیمارها و همچنین تعداد اثرات متقابل (Interactions) افزایش می‌یابد. برای مثال، در طرح A×B×C، اثرات متقابل عبارتند از: A×B, A×C, B×C و A×B×C.

ب) طرح‌های فاکتوریل با سطوح غیر عددی:

• مثال: طرح ۲x۲x۲ (فاکتور A: دو نوع افزودنی، فاکتور B: دو روش فرآوری، فاکتور C: دو غلظت).
• فاکتورهای کمی در مقابل کیفی: در این فصل، بیشتر بر فاکتورهایی تمرکز می‌کنیم که سطوح آن‌ها کمی هستند (مانند دما، زمان، غلظت) تا بتوانیم تجزیه SS را به اجزای خطی، درجه دوم و … انجام دهیم. اگر فاکتوری کیفی باشد (مانند نوع دستگاه)، اثر آن به صورت کلی در ANOVA ظاهر می‌شود و تجزیه به درجات بالاتر معمولاً معنی‌دار نیست.

5) تجزیه مجذورات مجموع (SS Decomposition)

الف) مفهوم تجزیه SS:

هدف از تجزیه SS، فراتر رفتن از صرفاً اعلام “معنی‌دار بودن” یک اثر در ANOVA است. با تجزیه SS یک فاکتور (یا اثر متقابل)، می‌توانیم بفهمیم که چه بخشی از تغییرات در پاسخ، به روند خطی (Linear Trend)، روند درجه دوم (Quadratic Trend) و … در سطوح کمی آن فاکتور مربوط می‌شود.

ب) تجزیه SS برای یک فاکتور کمی (مثلاً دما):

فرض کنید فاکتور A (مثلاً دما) دارای k سطح کمی باشد. کل SS مربوط به فاکتور A (SS_A) را می‌توان به صورت زیر تجزیه کرد:

$$SS_A = SS_{A, \text{Linear}} + SS_{A, \text{Quadratic}} + SS_{A, \text{Cubic}} + \dots + SS_{A, \text{k-th degree}}$$

• SS_{A, Linear}: بخشی از تغییرات که با یک روند خطی در سطوح A قابل توضیح است.
• SS_{A, Quadratic}: بخشی از تغییرات که با یک روند درجه دوم (سهمی‌وار) قابل توضیح است.
• و الی آخر…

ج) نحوه‌ی محاسبه (با استفاده از چندجمله‌ای‌های اورتوگونال - Orthogonal Polynomials):

برای انجام این تجزیه، معمولاً از چندجمله‌ای‌های اورتوگونال استفاده می‌شود. این چندجمله‌ای‌ها دارای خواص ریاضی ویژه‌ای هستند که امکان تفکیک اثرات را به صورت متعامد (مستقل) فراهم می‌کنند. جداول استاندارد چندجمله‌ای‌های اورتوگونال، ضرایب لازم برای محاسبه SS های خطی، درجه دوم و … را بر اساس تعداد سطوح و تعداد تکرارها ارائه می‌دهند.

مثال عددی ساده:

فرض کنید فاکتور A دارای ۳ سطح (۱، ۲، ۳) با ۲ تکرار باشد و میانگین پاسخ‌ها در این سطوح به ترتیب ۱، ۳، ۶ باشد.

• SS_Total برای این فاکتور (بدون در نظر گرفتن واریانس درون سطوح) محاسبه می‌شود.
• با استفاده از ضرایب اورتوگونال برای ۳ سطح و ۱ درجه آزادی برای هر جزء، می‌توان SS_Linear و SS_Quadratic را محاسبه کرد.
• اگر SS_Linear درصد بالایی از SS_A را تشکیل دهد، یعنی روند دما بر پاسخ عمدتاً خطی بوده است. اگر SS_Quadratic قابل توجه باشد، یعنی روند سهمی‌وار بوده است.

د) تجزیه SS برای اثرات متقابل:

تجزیه SS برای اثرات متقابل (مثلاً A×B) پیچیده‌تر است. در این حالت، می‌توان SS مربوط به اثر متقابل را نیز به اجزای خطی-خطی (Linear x Linear)، خطی-درجه دوم (Linear x Quadratic)، درجه دوم-خطی (Quadratic x Linear) و … تجزیه کرد. این تجزیه‌ها نشان می‌دهند که آیا روند متقابل بین فاکتورها خطی است یا دارای انحنا.

6) مثال کاربردی در صنایع غذایی:

بررسی تأثیر غلظت شکر (فاکتور A: سطوح ۵٪، ۱۰٪، ۱۵٪) و دما (فاکتور B: سطوح ۱۰۰°C، ۱۲۰°C) بر میزان قهوه‌ای شدن (Yellowness Index - YI) یک محصول غذایی.

• طرح: فاکتوریل ۳x۲ (۳ سطح شکر، ۲ سطح دما).
• تعداد تیمارها: ۳ × ۲ = ۶ ترکیب تیماری. فرض کنید هر کدام ۲ تکرار داشته باشند (مجموعاً ۱۲ آزمایش).
• تحلیل ANOVA: ابتدا ANOVA برای بررسی اثرات اصلی A، B و اثر متقابل A×B انجام می‌شود.
• تجزیه SS برای فاکتور شکر (A):
• SS_A کل، به SS_{A, Linear} و SS_{A, Quadratic} تجزیه می‌شود.
• SS_{A, Linear}: نشان می‌دهد روند افزایش شکر به صورت خطی بر YI تأثیر دارد یا خیر.
• SS_{A, Quadratic}: نشان می‌دهد آیا روند YI با افزایش شکر، ابتدا افزایش و سپس کاهش یافته (یا برعکس) است (روند سهمی‌وار).
• تجزیه SS برای اثر متقابل A×B:
• SS_A×B را می‌توان به SS_{Linear x Linear}، SS_{Linear x Constant (B)}، SS_{Quadratic x Linear (A)}، SS_{Quadratic x Constant (B)} تجزیه کرد (بسته به تعداد سطوح و نحوه تجزیه). این تجزیه‌ها نشان می‌دهند که آیا روند تأثیر شکر بر YI در دماهای مختلف، خطی باقی می‌ماند یا تغییر می‌کند.

تفسیر:

اگر SS_{A, Linear} بخش عمده‌ای از SS_A را تشکیل دهد، یعنی افزایش غلظت شکر تأثیر خطی بر قهوه‌ای شدن دارد. اگر SS_{A×B, Linear x Linear} معنی‌دار باشد، یعنی روند تأثیر شکر بر قهوه‌ای شدن در دماهای مختلف، خطی است و این روند با تغییر دما، تغییر می‌کند.

7) نکات کلیدی

• قدرت تحلیل: تجزیه SS به ما دید بسیار عمیق‌تری نسبت به صرفاً معنی‌دار بودن اثرات می‌دهد و به ما کمک می‌کند تا نوع رابطه بین فاکتورها و پاسخ را بهتر درک کنیم.
• کاربرد در بهینه‌سازی: این تجزیه برای یافتن سطوح بهینه فاکتورها بسیار مفید است. مثلاً اگر روند YI نسبت به شکر درجه دوم باشد، می‌توانیم نقطه بهینه (حداقل یا حداکثر YI) را با دقت بیشتری تخمین بزنیم.
• ضرورت سطوح کمی: تجزیه SS به درجات بالاتر تنها برای فاکتورهایی که سطوح کمی دارند و ترتیب منطقی بین آن‌ها وجود دارد، قابل انجام است.
• پیچیدگی محاسباتی: انجام این تجزیه‌ها به صورت دستی پیچیده است و معمولاً با استفاده از نرم‌افزارهای آماری (مانند SAS، SPSS، R) انجام می‌شود.

8) خلاصه فصل

این فصل به بررسی طرح‌های فاکتوریل با تعداد سطوح متنوع برای فاکتورها و اهمیت تجزیه مجذورات مجموع (SS) پرداخت. با استفاده از مفاهیمی چون چندجمله‌ای‌های اورتوگونال، می‌توان SS مربوط به هر فاکتور یا اثر متقابل را به اجزای خطی، درجه دوم و مراتب بالاتر تجزیه کرد. این کار درک عمیق‌تری از ماهیت روابط بین فاکتورها و پاسخ فراهم آورده و به ویژه در فرآیندهای بهینه‌سازی که نیاز به شناسایی سطوح بهینه دارند، کاربرد فراوانی در صنایع غذایی دارد.

9) تمرین‌های پایان فصل

تمرین ۱

یک پژوهشگر اثر سه فاکتور را بر ویسکوزیته یک سس بررسی می‌کند:

• فاکتور A: میزان نشاسته (۳ سطح: ۵٪، ۱۰٪، ۱۵٪)
• فاکتور B: دما (۲ سطح: ۸۰°C، ۹۰°C)
• فاکتور C: زمان پخت (۴ سطح: ۱۰ دقیقه، ۲۰ دقیقه، ۳۰ دقیقه، ۴۰ دقیقه)

الف) این طرح چه نوع طرح فاکتوریلی است؟ تعداد کل تیمارها چقدر است؟

ب) چه اثرات اصلی و چه اثرات متقابلی را می‌توان در این طرح مورد بررسی قرار داد؟ (لیست کنید)

تمرین ۲

فرض کنید در مثال بالا، تحلیل ANOVA نشان دهد که اثر اصلی میزان نشاسته (A) معنی‌دار است. اگر بخواهیم بفهمیم که آیا ویسکوزیته به صورت خطی با افزایش نشاسته تغییر می‌کند یا روند دیگری دارد، کدام بخش از SS مربوط به فاکتور A را باید تجزیه کنیم؟ (به اجزای خطی، درجه دوم و …)

تمرین ۳

در یک طرح فاکتوریل ۲x۳، اثر متقابل بین دو فاکتور A (۲ سطح) و B (۳ سطح) معنی‌دار است. اگر بخواهیم روند تأثیر فاکتور A را در سطوح مختلف فاکتور B بررسی کنیم، چه نوع تجزیه‌هایی برای SS اثر متقابل A×B مفید خواهند بود؟

تمرین ۴

یک شرکت تولیدکننده مربا، تأثیر میزان پکتین (۳ سطح: کم، متوسط، زیاد) و میزان حرارت‌دهی (۳ سطح: دمای پایین، متوسط، بالا) را بر غلظت نهایی مربا بررسی کرده است. فرض کنید سطوح میزان پکتین و حرارت‌دهی کمی هستند.

• الف) طرح فاکتوریل مورد استفاده چیست؟
• ب) اگر بخواهیم روند تغییر غلظت را با افزایش میزان پکتین (با در نظر گرفتن سطوح حرارت‌دهی) بررسی کنیم، چه تجزیه‌هایی را برای SS اثر متقابل پیشنهاد می‌کنید؟ (مثلاً Linear x Linear، Quadratic x Linear و …)
• ج) نتیجه‌گیری از یک اثر متقابل “Quadratic x Linear” چه می‌تواند باشد؟ (توضیح دهید)