Bölünmüş Parsel Deneysel Tasarımı
Split-Plot Experimental Design · Ayrıca şöyle bilinir: split-plot ANOVA, whole-plot sub-plot design, Bölünmüş Parsel Deseni (Split-Plot)
Bölünmüş parsel tasarımı, bir faktörün büyük ana parsellere ve ikinci bir faktörün her ana parsel içindeki alt bölümlere (alt parsellere) uygulandığı parametrik bir deneysel tasarımdır. 1935 yılında Frank Yates tarafından, sulama veya toprak işleme yöntemi gibi bir faktörün sık sık değiştirilmesinin zor veya pratik olmadığı, ancak ikinci bir faktörün aynı parsel içinde daha kolay değiştirilebildiği tarımsal deneyleri ele almak için tanıtılmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Denenizde iki faktör olduğunda ve bunlardan birinin deneysel çalıştırmalar arasında değiştirilmesinin gerçekten zor veya maliyetli olduğu (örneğin, fırın sıcaklığı, sulama rejimi, endüstriyel parti ayarları veya bir eğitim çalışmasındaki katılımcı grubu) durumlarda bölünmüş parsel tasarımı kullanın. Tasarım en az iki blok (ana parsel tekrarları), her blok içinde aynı alt parsel düzenlemesi ve sürekli veya sıralı bir yanıt değişkeni gerektirir. Her hata katmanındaki artıkların normalliği ve varyans homojenliği kontrol edilmelidir. Alt parsel grubu başına çok az gözlem varsa (yaklaşık ondan az), daha basit bir rastgele tam blok tasarımı daha uygundur.
Güçlü yönler & sınırlılıklar
- Diğer faktör üzerindeki geçerli çıkarımdan ödün vermeden bir faktörün ana parsel düzeyinde uygulanmasına izin vererek pratik kısıtlamaları karşılar.
- Eşdeğer büyüklükteki tamamen rastgeleleştirilmiş bir tasarıma kıyasla alt parsel faktörü ve etkileşim terimi için daha yüksek istatistiksel güç.
- Ana parsel ve alt parsel varyans bileşenlerini doğrudan tahmin ederek deneydeki değişkenlik kaynakları hakkında daha zengin bilgi sağlar.
- Zor değiştirilebilir bir faktörün bulunduğu tarım, mühendislik, gıda bilimi, klinik araştırma ve davranışsal deneylerde yaygın olarak uygulanabilir.
- Ana parsel faktörü üzerindeki çıkarım daha az serbestlik derecesine dayanır (ana parsel hatası), tamamen rastgeleleştirilmiş tasarımlara kıyasla ana parsel etkilerini tespit etme gücünü azaltır.
- Alt parsel düzenlemesi bloklar arasında farklılık gösterirse tasarım geçersizdir, çünkü karma model tutarlı bir yapıyı varsayar.
- Analiz, iki hata katmanlı karma etkili bir model gerektirir; tek hataya sahip yazılımlardan elde edilen standart bir ANOVA tablosu, ana parsel faktörü için yanlış F-testleri üretecektir.
- Dikkatli planlama gerektirir — rastgeleleştirmenin kısıtlı olduğunun sonradan belirlenmesi, yanlış hata terimi kullanılırsa şişirilmiş Tip I hataya yol açar.
SSS
Bölünmüş parsel tasarımı iki yönlü bir ANOVA'dan nasıl farklıdır?
İki yönlü bir ANOVA, tüm faktör kombinasyonlarının tam rastgeleleştirilmesini varsayar ve tek bir hata terimi kullanır. Bölünmüş parsel tasarımı kısıtlı rastgeleleştirmeye sahiptir — bir faktör ana parsel düzeyinde ve diğeri içinde rastgeleleştirilir — bu nedenle iki ayrı hata terimi gerektirir. Bölünmüş parsel verileri için standart bir iki yönlü ANOVA kullanmak, bu hataları yanlış bir şekilde birleştirir ve genellikle ana parsel faktörü için muhafazakar olmayan yanlış F-testleri üretir.
Ana parsel faktörü neden alt parsel faktöründen daha düşük güce sahiptir?
Güç, F-oranının paydasındaki serbestlik derecelerine bağlıdır. Ana parsel hatası, alt parsel hatasından daha az serbestlik derecesine sahiptir (ana parsel birimlerinin sayısına, yani bloklar çarpı ana parsel seviyeleri eksi bir'e dayanır). Daha az serbestlik derecesi, F-dağılımının daha ağır kuyruklara ve daha yüksek bir kritik değere sahip olduğu anlamına gelir, bu da ana parsel faktörü için sıfır hipotezinin reddedilmesini zorlaştırır.
Hangi yazılım bölünmüş parsel tasarımını doğru bir şekilde analiz edebilir?
Doğrusal karma modelleri uyan herhangi bir platform, tasarım varyans bileşenlerinin bir özel durumu olduğu için bölünmüş parsel verilerini doğru bir şekilde işleyecektir. Yaygın olarak kullanılan araçlar R'deki lme4'tür (sonrası karşılaştırmalar için emmeans ile) ve SPSS'deki Karma Modeller prosedürüdür. Ayrı hata terimlerinin belirtilmesini açıkça desteklemediği sürece standart sabit etkili ANOVA prosedürleri yetersizdir.
Ne zaman bölünmüş parsel tasarımından rastgele tam blok tasarımına geçmeliyim?
Alt parsel tedavi grubu başına yaklaşık on gözlemden azınız varsa, bölünmüş parsel tasarımının yetersiz gücü vardır ve rastgele tam blok tasarımı daha güvenli bir seçenektir. Zor değiştirme kısıtlaması ortadan kalkarsa da geçiş yapmayı düşünün — örneğin, tüm faktör kombinasyonlarını tam olarak rastgeleleştirebilirseniz — çünkü mümkün olduğunda tam rastgeleleştirme istatistiksel olarak her zaman tercih edilir.
Kaynaklar
- Yates, F. (1935). Complex Experiments. Supplement to the Journal of the Royal Statistical Society, 2(2), 181–247. DOI: 10.2307/2983638 ↗
- Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley. ISBN: 978-1119492443
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Split-Plot Experimental Design. ScholarGate. https://scholargate.app/tr/experimental-design/split-plot-design
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Tamamen Rastgele Deneme Tasarımı (CRD)Deney tasarımı↔ karşılaştır
- Hiyerarşik Doğrusal Modelleme (HLM / Çok Düzeyli Modelleme)İstatistik↔ karşılaştır
- Tek yönlü Varyans Analiziİstatistik↔ karşılaştır
- Rassal Tam Bloklu Deney Tasarımı (RCBD)Deney tasarımı↔ karşılaştır
- Tekrarlanan ölçümler ANOVAİstatistik↔ karşılaştır
- İki Yönlü Varyans Analizi (İki Yönlü ANOVA)İstatistik↔ karşılaştır