要因計画DOEの作成と解析(Create & Analyse Factorial DoE)
Create Factorial DoEは、データを収集する前に実験を定義する計画生成のステップです。調べる因子、各因子の水準数、そして分解能、ブロック、反復、中心点を含む計画の構造を指定します。
最終レビュー
重要なポイント
Create Factorial DoEは、データを収集する前に実験を定義する計画生成のステップです。
このページの内容
Create Factorial DoEとは
Create Factorial DoEは、データを収集する前に実験を定義する計画生成のステップです。調べる因子、各因子の水準数、そして分解能、ブロック、反復、中心点を含む計画の構造を指定します。ツールは、実験の完全な実験条件の一覧を生成し、因子設定のどの組み合わせを、どの順序で試験すべきかを正確に示します。
この段階で計画を適切に作ることが重要です。うまく構築された要因計画は、因子の効果を正確に推定でき、交絡を最小限に抑え、投入した資源に対して最大限の有用な情報を実験から得ることを可能にします。
簡単な定義:データを収集する前に、因子、計画の構造、実験順序を定義する要因実験の計画ステップです。うまく計画された実験は、明確で信頼できる答えにつながります。
Create Factorial DoEを使用する場面
- 実験をまだ1回も実施していない段階で、新しい要因実験を一から計画する 場合に使用します。
- 因子が 2〜15個(連続、カテゴリー、または混合)あり、それらの個別の効果と交互作用を調べたい場合に使用します。
- 時間に起因する効果や作業者のバイアスを防ぐ、ランダム化された構造的な実験順序の一覧を生成したい 場合に使用します。
- 資源や時間の制約により 一部実施要因計画 が必要な場合に使用します。すべての可能な組み合わせから、慎重に選んだ一部を試験します。
Create Factorial DoEを正しく使用するためのガイドライン
- 因子の水準は、現実的で実際に達成可能な範囲 に定義してください。範囲は、実際の効果を検出できる程度に広く、かつ実験中に安全で実行可能な値にします。
- 必ず 実験順序をランダム化 してください。実験をランダムな順序で行うことで、系統的な時間の影響、設備のウォームアップの傾向、作業者の習熟が結果に偏りを与えるのを防げます。
- すべての実験に 中心点 を含めてください。比較的少ない実験回数で、曲率の検出と誤差の推定が可能になり、有用です。
- 複数の日、シフト、機械、原材料ロットにわたって試験する場合など、既知の外乱変数がある場合はブロックを使用 して、その変数が見かけの因子効果を膨らませるのを防いでください。
- どの情報が最も重要かに基づいて 分解能を選択 してください。2因子交互作用が重要な場合は分解能Vを使用し、分解能IIIは大規模な初期スクリーニング実験にのみ許容してください。
代替手法:Create Factorial DoEを使用すべきでない場合
- スクリーニングする因子が 15個を超える場合は、完全要因計画に投資する前に、まず 決定的スクリーニング計画の作成 を使用して重要な因子を絞り込んでください。
- すべての因子が 合計が一定になる成分の割合の場合は、代わりに 配合計画DOEの作成 を使用してください。標準的な要因計画では、配合の制約を扱えません。
- 実験がすでに実施済みで、解析するデータがある場合は、新しい計画を作成せずに、直接 要因計画DOEの解析 に進んでください。
Analyse Factorial DoEとは
Analyse Factorial DoEは、要因実験で収集した応答データを処理し、各因子とその交互作用が応答にどのように影響するかを定量化する統計モデルを当てはめます。どの効果が統計的に有意かを特定し、各効果の大きさと方向を推定し、モデルがデータの信頼できる記述であることを確認するための診断プロットと要約統計量を出力します。
この解析は、生の実験測定値を、実用的な知見へと変えます。どの因子が応答を本当に左右するのか、どの程度左右するのか、そして因子を個別に調べただけでは見えない形で因子同士が連動していないかを教えてくれます。
Analyse Factorial DoEを使用する場面
- 計画したすべての実験を 完了し、すべての応答の測定値を記録した後に使用します。
- どの因子が 統計的に有意な効果 を持ち、今後の工程管理でどの因子を無視してよいかを特定するために使用します。
- 何が重要かだけでなく、それを調整すると応答がどれだけ変化するかがわかるよう、各効果の大きさと方向 を定量化するために使用します。
- ある因子の影響が別の因子の水準に依存する 因子間の交互作用 を検出するために使用します。
Analyse Factorial DoEを正しく使用するためのガイドライン
- 効果を解釈する前に、必ず 残差プロットを確認 してください。診断のチェックに合格しないモデルは、結論の導出や提言に使用すべきではありません。
- モデルは 階層的に構築 してください。交互作用項が有意な場合は、その交互作用に関わるすべての主効果を、それらの主効果が単独では有意でなくても残してください。
- 統計的有意性とあわせて 実用的有意性も考慮 してください。ある効果は統計的に検出できても、工程にとっては実用上小さすぎて意味がない場合があります。
- 工程の変更を実施する前に、予測された最適設定で 確認実験 によって最終モデルを検証してください。モデルは予測であり、保証ではありません。
- 中心点によって曲率が検出された場合は、曲がった関係を適切に説明する応答曲面モデルを当てはめるために、軸点で計画を拡張 することを検討してください。
代替手法:Analyse Factorial DoEを使用すべきでない場合
- 実験を 決定的スクリーニング計画で作成した場合は、代わりに 決定的スクリーニング計画の解析 を使用してください。DSDのデータ構造に特化して最適化されたアルゴリズムを使用します。
- 実験が 配合計画だった場合は、代わりに 配合計画DOEの解析 を使用してください。標準的な要因計画の解析では、配合の制約を正しく扱えません。
要因計画DOEの作成と解析の例
手順は次のとおりです。
- 右側のパネルDesign & Analysis Inputsに、必要なデータを入力します。

2. 次に、Zometric Statistical Software(https://statsai.zometric.com/)でデータを分析します。
3. 要因計画DOEの作成と解析は、Statistical module> DOE>Create & Analyse Factorial DoE.から選択します。
4. Step 1をクリックします。必要なオプションが既定の設定で入力されます。
5. Step 2をクリックします。左側のパネルの Designed Experiments & Resultsに、計画行列が生成されます。応答(結果)変数を、計画行列の末尾に新しい列として追加します。
6. 右側のパネルの Design & Analysis Inputsで、Responses オプションを探します。新しく追加した結果変数の列を選択して、応答変数として定義します。
7. 実験の要件に応じて、必要な 交互作用項 を選択します。
8. Step 3 をクリックして、計画した実験の解析を実行します。

9. 上記のツールを使用すると、次のような出力が得られます。



要因計画DOEの作成と解析の実行方法
手順は次のとおりです。
- まず、Zometric Statistical Softwareにログインします:https://statsai.zometric.com/
- ホーム画面でStatistical Tool> DOE>Create & Analyse Factorial DoEを選択します。
- 次に、データを手動で入力するか、Excelシートからデータ全体をコピー(Ctrl+C)して貼り付けます(Ctrl+V)。または、Load Exampleオプションを使用してサンプルデータを読み込むこともできます。
- 次に、必要なオプションを入力します。
- 最後に、ページ下部のcalculateをクリックすると、目的の結果が得られます。
Create & Analyse Factorial DoEのダッシュボードでは、画面が2つの部分に分かれています。

左側にはDesigned Experiments & Resultsがあります。Designed Experiments & Resultsには、実験計画が生成されます。
右側には、次のような多くのオプションがあります。
Load example: 用意済みのサンプルデータセットを読み込みます。自分のデータを入力する前に、ツールを試して作業の流れを把握できます。
- Step 1: Fetch Design Options : 上記で説明したオプションが自動的に入力されます。
Step 2: Create Designed Experiments: 左側のパネル(Designed Experiments & Results)に実験計画が生成されます。
Step 3: Analyse Experiments - Resolution: 一部実施要因計画が、交絡なしに推定できる情報の量を定義します。分解能が高い計画ほど、主効果と交互作用をより明確に分離できますが、必要な実験回数は増えます:
1. 完全実施要因計画(Full Factorial Design、Full Fraction)
完全実施要因計画は、因子の水準のすべての可能な組み合わせを試験する実験計画です。主な特徴
長所
短所
例
3つの因子(A、B、C)が各2水準の場合:
総実験回数 = 2³ = 8回2. 一部実施要因計画(半実施 – 1/2実施、Fractional Factorial Design)
半実施要因計画(1/2実施)は、一部実施要因計画の一種で、完全実施要因計画の総実験回数の半分だけを実施します。主な特徴
長所
短所
例
3つの因子(A、B、C)の場合:
完全実施要因計画 = 8回
半実施 = 2³⁻¹ = 4回 - 各因子が2水準の k個の因子がある場合、総実験回数は次のとおりです:
2ᵏ
- 各因子が2水準の k個の因子がある場合、総実験回数は次のとおりです:
- 因子間の すべての可能な交互作用 を評価します。
- 各効果について 完全で交絡のない情報が得られます。
- エイリアスによる情報の損失がありません。
- 最高水準の精度。
- すべての 主効果 と 交互作用効果 を独立に推定できます。
- 解釈に曖昧さがありません。
- 因子の数が増えると、実験回数が急速に増加します。
- 実施に 時間とコストがかかる場合があります。
- k個の因子の場合、実験回数は次のようになります:
2ᵏ⁻¹
- k個の因子の場合、実験回数は次のようになります:
- 実験回数を 50%削減します。
- 体系的に選ばれた 組み合わせの一部 を使用します。
- 一部の効果が他の効果と 交絡(エイリアス)します。
- 実験の回数が 少なくて済み、時間とコストを節約できます。
- 実験の初期段階(重要な因子のスクリーニング)に役立ちます。
- 一部の効果を分離できません(エイリアスのため)。
- 完全実施要因計画と比べて、解釈が不明確になる場合があります。
- Centre Points per Block: 各ブロック内に追加される、すべての因子範囲の中点での実験の回数です。中心点は、応答の曲率を検出するのに役立ち、因子の組み合わせを追加せずに実験誤差の独立した推定値を与えます。
- Replicates for Corner Points: 各頂点(因子の極端な組み合わせ)を繰り返す回数です。反復を追加すると、効果の推定精度が向上し、誤差の推定もより信頼できるものになりますが、必要な総実験回数は増えます。
- Blocks: 同じ条件(例えば、日、作業者、設備)で行う実験をグループに分けます。ブロック化により、既知の変動要因が解析から取り除かれ、因子効果をより明確に推定できます。
- Resolution: 一部実施要因計画が、交絡なしに推定できる情報の量を定義します。分解能が高い計画ほど、主効果と交互作用をより明確に分離できますが、必要な実験回数は増えます:
- Responses: 実験中に収集する応答変数(出力の測定値)を追加します。これらは、ワークシートの計画行列の最後の列の直後に、新しい列として入力してください。応答の列を追加したら、出力変数である新しく追加した列を、Responses オプションで選択します。これにより、実験結果が定義した応答に正しく対応付けられ、以降の解析に使用されます。
- Select Terms:解析モデルに含めるモデルの項(主効果、2因子交互作用、2次効果)を選択します。既定では主効果が含まれます。因子が互いに影響し合うと予想される場合は、交互作用項を追加してください。
- 生成した計画の解析を実行します。
- Download as Excel: 結果をExcel形式で表示します。Excel形式のデータは容易に編集でき、load fileオプションで再読み込みして計算に使用できます。
よくある質問
完全実施要因計画と一部実施要因計画の違いは何ですか?
完全実施要因計画は、因子の水準のすべての組み合わせを試験します。2水準のk個の因子では2ᵏ回の実験となり、すべての主効果と交互作用について、交絡のない完全な推定値が得られます。半実施は2ᵏ⁻¹回、つまり半分の実験回数で、時間とコストを節約できますが、一部の効果が交絡(エイリアス)して分離できません。
要因計画DOEはどのような場合に使用しますか?
連続、カテゴリー、または混合の2〜15個の因子について、個別の効果と交互作用を調べる実験を計画する場合に使用します。資源や時間によって実験回数が制限される場合は、一部実施要因計画を選択します。因子が15個を超える場合は、まず決定的スクリーニング計画でスクリーニングしてください。成分の割合には、配合計画を使用します。
要因計画に、中心点、反復、ブロックを追加するのはなぜですか?
中心点は、比較的少ない実験回数で曲率を検出でき、実験誤差の独立した推定値が得られます。頂点を反復すると、効果の推定精度が向上します。ブロックは、日、作業者、機械など同じ条件で行う実験をまとめるため、既知の外乱変数が見かけの因子効果を膨らませることを防ぎます。
要因実験はどのように解析しますか?
Zometric Statistical Softwareでは、Step 1で計画のオプションを取得し、Step 2で計画行列を生成します。末尾に応答の列を追加してResponsesとして選択し、モデルの項を選んでStep 3をクリックすると解析します。効果を解釈する前に残差プロットを確認し、有意な交互作用に関わる主効果を残し、予測された最適条件は確認実験で検証してください。
