「温度・圧力・添加剤の3因子を各3水準で試したい。全部やると27通りになる——どこまで削れるのか？」こんな場面で力を発揮するのが実験計画法です。
この記事では、実験計画法の基本的な考え方と代表的な手法の概要を解説します。フィッシャーの3原則、実験の種類の選び方、そして実験計画の組み方の流れまで、製造業・研究開発の現場を想定した例を使って説明します。
- 実験計画法が何を解決するのか
- フィッシャーの3原則（反復・無作為化・局所管理）の意味
- 単一因子実験と要因実験の違い
- 直交表・応答曲面法・タグチメソッドの使い分けの概要
”実験計画法”とは
実験計画法（Design of Experiments、略してDOE）とは、最小の実験回数で最大の情報を引き出すための手法の体系です。
実験回数を減らすだけなら、適当に条件を省けばいい——そう思うかもしれません。ただし、やみくもに実験を減らすと「どの因子が効いているか判断できない」「偶然の影響を因子の効果と混同してしまう」といった問題が起きます。実験計画法は、こうした落とし穴を避けながら効率よく実験を設計するための考え方です。
扱う主な概念はこうです。
| 用語 | 意味 | 例 |
|---|---|---|
| 因子（Factor） | 応答変数に影響を与えると思われる変数 | 焼入れ温度、炭素量、保持時間 |
| 水準（Level） | 因子の設定値・カテゴリ | 850℃・900℃・950℃の3水準 |
| 応答変数（Response） | 実験で測定する結果 | 引張強度（MPa）、硬さ（HRC） |
| 主効果 | ある因子が応答に与える直接的な効果 | 温度を50℃上げると強度が+30MPa |
| 交互作用 | 2因子の組み合わせが生む追加効果 | 高温×高炭素の組み合わせだけ効果が大きい |
交互作用があると「温度の効果は炭素量によって変わる」ため、一度に1因子ずつしか変えない実験では見落とします。実験計画法を使う大きな動機の一つがこの交互作用の検出です。
フィッシャーの3原則
実験計画法の基礎を築いたR.A.フィッシャーは、信頼性の高いデータを得るための三つの原則を提唱しました。この3原則は今も実験設計の出発点として使われています。
反復の原則（Replication）
同じ条件の実験を複数回繰り返すことです。目的は二つあります。一つはランダムな変動（測定誤差・材料のばらつき）の影響を統計的に推定すること。もう一つは、検出力（本当の効果を検出できる確率）を確保することです。
何回繰り返せば十分かは、検出したい効果の大きさや許容するリスクで決まります。この計算についてはサンプルサイズの決め方で詳しく解説しています。
無作為化の原則（Randomization）
実験の順序をランダムに決めることです。時間とともに変化する要因（機械の温まり具合・作業者の疲れ・原材料のロット差など）が、特定の実験条件に偏って影響するのを防ぎます。
「順番を決めるのが面倒」という理由で条件を固定する実験をよく見ますが、それだと系統的な誤差が結果に混入します。乱数を使って順序を決めるだけで、この問題はかなり抑えられます。
局所管理の原則（Blocking）
実験環境の既知のばらつきをブロックとして整理し、そのばらつきが結果を歪めないよう管理することです。たとえば「機械が2台ある、どちらを使うかで結果が変わるかもしれない」なら、各条件を両方の機械で試して機械の違いを誤差から分離します。
ブロック化がうまくいくと、誤差が小さくなり、検出力が上がります。二元配置分散分析でブロック因子を扱う方法は二元配置分散分析を例題で解説を参照してください。
実験の組み方：どの手法を選ぶか
単一因子実験
「一度に一つの因子だけを変える」実験です。他の因子はすべて固定します。シンプルで解釈しやすいですが、交互作用は見えません。因子が少なく（2〜3因子程度）、交互作用が疑われない場合に向いています。
たとえば、因子Aと因子Bの2つの最適な組み合わせを決定したい場合、①因子Bを固定して因子Aの最適水準を決定⇒②最適な因子Aで固定して因子Bを実験する。このように一度の実験で因子を1つずつ取り上げる実験方法を単一因子実験（一元配置実験）といいます。
しかし、単一因子実験では誤った結論を導き出すことがあります。
因子Aが3水準（A1,A2,A3）と因子Bが2水準（B1,B2）の場合を考えてみます。”真のデータ”は以下のグラフとします。実験手順を以下とする場合の結論はどうでしょうか？
上の図から”交互作用がある場合”ではA2,B2の組み合わせが最も高い値を示すにも関わらず間違った結論を出してしまうことがわかります。
詳しくは要因実験と単一因子実験を参照してください。
要因実験（完全実施配置実験）
複数の因子のすべての組み合わせを実験します。2因子各3水準なら9通り、3因子各2水準なら8通りです。主効果と交互作用をすべて推定できますが、因子・水準が増えると実験数が急増します。
| 因子数 | 各水準数 | 全実験数 |
|---|---|---|
| 2 | 2 | 4 |
| 3 | 2 | 8 |
| 4 | 2 | 16 |
| 3 | 3 | 27 |
| 5 | 3 | 243 |
因子が多い場合は、実験数を削減するために次の手法を組み合わせます。
実験計画法の”実験の組み方”を説明するうえでまずは”単一因子実験”と”要因実験”について理解しましょう。
一部実施配置実験（直交表）
全組み合わせのうち、統計的に偏りなく情報が取れる一部だけを実施します。たとえばL8直交表なら、7因子各2水準を8回の実験で主効果を推定できます（ただし高次の交互作用は見えなくなります）。直交表の使い方は2水準直交表（交互作用なし）から入るとわかりやすいです。
交互作用も考慮した直交表の割り付けは2水準直交表（交互作用あり）を参照してください。
応答曲面法（RSM）
最適条件を数値的に探索したい場合に使います。因子と応答の関係を2次式でモデル化し、最適点を推定します。「強度が最大になる温度・時間の組み合わせは？」という問いに答えるのに向いています。詳細は応答曲面法（RSM）の基礎と実践で解説しています。
タグチメソッド（ロバスト設計）
「ばらつきを小さくする」ことを目的とした設計手法です。制御因子（調整できる）とノイズ因子（調整できない）を分けて実験し、ノイズに強い条件を探します。SN比の計算と直交表の使い方はタグチメソッド（ロバスト設計）の基礎で解説しています。
すが、交互作用がない場合はこのように一部の実験で主効果を推定することが可能です。
実験データの解析
実験計画法で取得したデータを解析する代表的な手法は分散分析（ANOVA）です。各因子の主効果と交互作用が統計的に有意かどうかを判断します。
一元配置分散分析（1因子）は一元配置分散分析を例題で解説、2因子以上の場合は二元配置分散分析を例題で解説、ExcelでのANOVA操作はExcelで分散分析を参照してください。
分散分析で因子の有意性がわかったら、次は多重比較法で水準間の差を調べます（TukeyのHSD法を例題で解説）。
実験計画の進め方
実際の実験計画はこの流れで進めます。
- 目的を明確にする：何を知りたいか（最適値の探索？効果の大きな因子の特定？ばらつきの低減？）
- 応答変数を決める：何を測定するか。測定方法の誤差も確認する（→ゲージR&Rで測定システムを評価）
- 因子と水準を決める：ブレインストーミングで因子を洗い出し、現実的な水準範囲を設定する
- 実験計画を設計する：実験数の予算に合わせて完全実施か一部実施かを決め、直交表や計画を選択する
- サンプルサイズを計算する：検出したい効果の大きさから必要な繰り返し数を決める（→サンプルサイズの決め方）
- 実験を実施する：ランダム化した順序で実験を行い、データを記録する
- データを解析する：分散分析・多重比較・残差確認を行う
- 結論を出す：最適条件を決定し、確認実験で検証する
実験計画法の手法一覧
このサイトでは実験計画法の各手法を個別に解説しています。目的に応じた記事を参照してください。
📐 実験計画法シリーズ
まとめ
実験計画法は「闇雲に試す」のではなく、「何をどの順番で、何回試せば目的の情報が得られるか」を設計する考え方です。
- フィッシャーの3原則（反復・無作為化・局所管理）が信頼性の基盤
- 因子数・水準数・実験予算に合わせて完全実施→直交表→RSMと手法を選ぶ
- ばらつき低減が目的ならタグチメソッドが有効
- 取得したデータは分散分析と多重比較で解析する
次のステップとして、まず要因実験と単一因子実験で基本的な実験の組み方を確認し、直交表か応答曲面法かを検討してみてください。
統計・実験計画法の全体的な学習の流れは学習ロードマップにまとめています。
📚 この記事の内容をもっと深く学ぶ
”Pythonを使った実験計画法”
『Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析』はPythonを用いたベイズ最適化を使った実験計画法を学ぶための入門書です。一般的にイメージされる直行表などの実験計画法とは違って、タイトル通りベイズ最適化に重きを置いています。
私はベイズ最適化と実験計画にPythonを取り入れたかったためこの本を購入しました。サンプルデータやサンプルコードが付いているので実践的に学びやすいですが、Python初心者には少し難しい内容かもしれません（私がそうでした。。）ですが、古典的実験計画法と異なるアプローチとサンプルコードはとても勉強になり、何度も読み返しています。解説も非常に丁寧でわかりやすく、行列などの基礎数学の補足解説もあり親切です。
Pythonを使って実験計画法に取り組みたい、ベイズ最適化の手法を知りたいという方におすすめの一冊です。
実験計画法の応用として、ノイズに強い設計条件を見つけるタグチメソッド（ロバスト設計）があります。SN比とL9直交表を使った手順はタグチメソッド（ロバスト設計）の基礎で解説しています。
