La razón por la que se necesita el diseño experimental es que nuestros experimentos a menudo tienen muchas situaciones diferentes. Si hay muchas situaciones, lleva mucho tiempo y es laborioso verificarlas una por una mediante permutaciones y combinaciones, y algunas. situaciones son incluso difíciles de implementar. A veces diseñamos deliberadamente una serie de pruebas para filtrar los "positivos" deseados. Otra situación es que al intentar explicar un determinado fenómeno en la naturaleza, es necesario utilizar principios estadísticos para simular y verificar, de modo que las personas puedan estar convencidas de la hipótesis propuesta. La idea de verificación coincide con la idea del diseño experimental.
Se puede entender que el propósito del diseño experimental es proporcionar pautas científicas y modelos de análisis para los experimentos, y reducir costos (tiempo, mano de obra, recursos materiales) reduciendo el número de experimentos; La recopilación de datos, pero no la reducción de la información, es un análisis beneficioso. La siguiente es una introducción a tres métodos de diseño experimental comúnmente utilizados.
También conocido como "diseño de bloques completos aleatorios", etc. Este método es el más sencillo, pero en ocasiones resulta extremadamente eficaz. El propósito de diseñar experimentos utilizando este método es verificar el impacto de un factor en el sujeto experimental. Por lo general, en las mismas condiciones, se diseñan n bloques y los bloques suelen tener forma de tira. El nivel (valor) de un determinado factor es diferente entre bloques, pero el nivel (valor) del factor dentro de un bloque es constante. Los sujetos experimentales de los bloques son individuos aleatorios indiferenciados.
Por ejemplo, entre tres plántulas de abeto (tres familias) de la misma edad de diferentes fuentes, una de las familias parece más alta y parece ser diferente de las demás, pero no está claro si este rasgo es estable. , quizás cuando hay una diferencia estadística. En este punto, la evaluación se realiza mediante un ensayo totalmente aleatorio. Todas las plántulas de las tres familias se plantaron en el mismo ambiente y las de la misma familia se plantaron juntas. El llamado "factor único" en este ejemplo es el linaje familiar, siendo iguales todas las demás condiciones. La altura de los árboles obtenida se utilizó en un ANOVA unidireccional y los resultados permitieron evaluar el efecto del factor "familia" en el crecimiento de los abetos.
Dado que la mayoría de los experimentos tienen más de un factor influyente, o es difícil controlarlo a solo uno, se requiere un diseño de bloques aleatorios. El propósito de este diseño es evaluar la prioridad y el efecto de dos factores cuando el sujeto experimental se ve afectado por dos factores simultáneamente en un experimento. El enfoque habitual se basa en un ensayo completamente aleatorio, con diferentes niveles de tratamiento para un determinado factor dentro de cada bloque.
Por ejemplo, las tres familias de abetos mencionadas anteriormente ya no están plantadas en el mismo entorno, sino en tres tipos de terreno con diferentes contenidos de nitrógeno. El propósito de este diseño ya no es evaluar el impacto de las líneas familiares en el crecimiento de los abetos, sino cambiar la situación de los abetos de mejor crecimiento, las familias y el contenido de nitrógeno del suelo, y la importancia de esta mejor condición de crecimiento. en comparación con el nivel promedio? Porque queremos conocer la preferencia de nitrógeno de cada familia y obtener la planta individual óptima. A veces, se realizan comparaciones múltiples después de un ANOVA bidireccional para descubrir la contribución relativa del efecto real de cada factor, descubriendo así los factores que realmente conducen a resultados significativos.
Este método es una forma real de reducir el número de experimentos y es muy utilizado. Para experimentos con más de dos factores, el diseño de bloques aleatorios no tiene poder y el número de experimentos con más de dos factores suele ser mayor. Por lo tanto, se seleccionan algunos puntos representativos de los experimentos integrales basados en la ortogonalidad para realizar pruebas. Los puntos están uniformemente dispersos, ordenados y comparables. (Figura 1)
Cabe señalar que el diseño experimental y el análisis de datos son dos procesos. El primero solo proporciona soluciones para analizar los datos obtenidos, es necesario basarse en el análisis de varianza y la prueba de hipótesis. Para conocer el proceso específico, consulte los libros de referencia relevantes sobre "Diseño experimental" para el análisis, consulte "Estadística matemática", etc.