外觀
Statistics › 實驗設計 › 設計原則
實驗設計原則 (Principles of Experimental Design)
Fisher 在 1920 年代提出的三大原則,至今仍是實驗設計的基礎,不是可選的建議,而是得出有效結論的必要條件。
| 原則 | 控制 | 提升 | 一句話 |
|---|---|---|---|
| 隨機化 (randomization) | 干擾(已知與未知) | 內部效度 | 對抗隱藏的偏誤 |
| 重複 (replication) | 隨機誤差 | 檢定力 | 量測雜訊有多大 |
| 區集化 (blocking) | 已知的雜訊變數 | 精確度 | 移除已知的雜訊變異 |
| 局部控制 (local control) | 組內的額外變異 | 精確度 | 標準化流程 |
實務上三者並用:(1) 依已知雜訊變數(醫院、批次)分區集;(2) 在每個區集內隨機分派處理;(3) 用足夠的重複達到檢定力。
1. 隨機化 (Randomization)
用隨機機制(而非研究者判斷、方便性或系統規則)分派處理。這是唯一能同時控制已知與未知干擾因子的設計策略。
| 沒有隨機化 | 有隨機化 |
|---|---|
| 病情較重者可能集中在處理組 | 病情輕重隨機分散到各組 |
| 研究者偏好影響分派 | 偏誤被隨機機制消除 |
| 無法建立因果 | 可推論因果(執行良好時) |
| 隨機抽樣 (random sampling) | 隨機分派 (random assignment) |
|---|---|
| 從母體隨機選人 | 把選到的人隨機分到各組 |
| 支持推廣(外部效度) | 支持因果(內部效度) |
隨機化的類型
| 類型 | 做法 | 何時用 |
|---|---|---|
| 簡單隨機化 (simple) | 每個單位獨立分派(像擲硬幣) | 大樣本,平衡會自然出現 |
| 區塊隨機化 (block / permuted block) | 每 4 或 6 人一個區塊,區塊內各組人數相等 | 小樣本、陸續收案;確保各時點組數平衡 |
| 分層隨機化 (stratified) | 先依關鍵變數(年齡、性別)分層,層內再隨機 | 確保各組在重要共變數上平衡 |
| 群集隨機化 (cluster) | 整個群(學校、診所)一起分派 | 個人層級隨機不可行;分析單位要跟著變成群 |
python
import numpy as np
import pandas as pd
rng = np.random.default_rng(42)
# 簡單隨機化:組別人數可能不平衡
simple = rng.choice(["Treatment", "Control"], size=20)
# 區塊隨機化:每 4 人中剛好 2 處理、2 對照
block_assign = np.concatenate([rng.permutation(["T", "T", "C", "C"]) for _ in range(5)])
# 分層隨機化:在每個 (年齡, 性別) 層內做區塊隨機化
df = pd.DataFrame({"age": rng.choice(["<50", "50+"], 100), "sex": rng.choice(["M", "F"], 100)})
df["arm"] = (df.groupby(["age", "sex"])["age"]
.transform(lambda g: rng.permutation(np.resize(["A", "B"], len(g)))))
pd.crosstab([df["age"], df["sex"]], df["arm"])隨機 ≠ 隨便:交替分派、依病歷號奇偶、依方便性分派都是系統性分派,不是隨機。用亂數產生器並記錄 seed。
實驗室中的隨機化
| 情境 | 做法 |
|---|---|
| 96 孔盤 | 樣本位置隨機排列,避免邊緣效應 (edge effect) 與處理混在一起 |
| 處理順序 | 隨機決定樣本處理 / 上機順序,避免時間漂移與處理混淆 |
| 定序批次 | 每個批次都要包含各組樣本;絕不能「對照組一批、處理組一批」 |
| 判讀 | 盲化 (blinding):判讀者不知道樣本屬於哪組 |
2. 重複 (Replication)
每個處理組有多個獨立實驗單位,才能:
- 估計實驗誤差(同處理下單位間的自然變異)
- 把真正的處理效果與隨機雜訊分開
- 推廣結果
重複 ≠ 重複量測:同一單位量兩次是重複量測(技術重複),不是重複。真正的重複需要獨立的實驗單位(生物重複),見 核心概念。
需要幾個重複取決於效果量、變異、α 與目標檢定力,見 樣本數與檢定力。經驗值:
| 研究類型 | 每組最少重複 |
|---|---|
| 先導 / 篩選 | 3–5 |
| 控制良好的實驗室實驗 | 5–10 |
| RNA-seq 差異表現 | 至少 3,建議 ≥ 6 生物重複 |
| 臨床試驗 | 由正式 power analysis 決定 |
| 網頁 A/B 測試 | 數百到數千(效果量小) |
SE 隨 n 增加而縮小(∝ 1/√n):n = 3 → 10 → 30 → 100 時,σ = 10 的平均數 SE 約為 5.8 → 3.2 → 1.8 → 1.0。
3. 區集化 (Blocking)
把相似的實驗單位分成區集 (block),並讓每個區集都包含所有處理,以控制已知的變異來源。
text
沒有區集化:誤差 = 區集效果 + 隨機雜訊 → 誤差被放大,難偵測處理效果
有區集化: 區集效果被模型扣除 → 誤差只剩隨機雜訊,檢定更敏感| 適合區集化 | 不適合 |
|---|---|
| 事先能指認雜訊變數 | 沒有有意義的分組變數 |
| 雜訊變數解釋大量變異(經驗上 ≥ 10–15%) | 解釋的變異很少(反而浪費自由度) |
| 天然形成的區集:批次、實驗室、日期、同窩小鼠 | 實驗單位很少 |
python
# 3 個實驗室(區集效果大)× 2 處理,真實處理效果 = 5
rows = [{"lab": lab, "trt": trt, "y": 100 + b + t + rng.normal(0, 2)}
for lab, b in {"Lab1": 0, "Lab2": 15, "Lab3": -10}.items()
for trt, t in {"Control": 0, "Treatment": 5}.items()]
d = pd.DataFrame(rows)
wide = d.pivot(index="lab", columns="trt", values="y")
(wide["Treatment"] - wide["Control"]).mean() # 區集內差值的平均 ≈ 5
import statsmodels.formula.api as smf
smf.ols("y ~ C(trt) + C(lab)", data=d).fit().params # 模型中加入區集,效果相同分析時一定要把區集放進模型(RCBD ANOVA、配對檢定、混合模型),否則區集化的好處就浪費了。
4. 局部控制 (Local Control)
讓組內實驗條件盡可能一致:標準化流程(同設備、同時段、同操作者)、控制環境(溫度、濕度、光照)、訓練並校正人員。
隨機化處理組間的干擾;局部控制處理組內的變異。兩者都需要。
事前註冊與分析計畫
在蒐集資料前寫下:主要結果變數、假設、樣本數與 power analysis、分析方法、排除標準。避免事後挑選結果造成的 p-hacking。臨床試驗在 ClinicalTrials.gov 註冊、一般研究可用 OSF。