การออกแบบการทดลอง

TL;DR:

แผนการทดลองที่ดีช่วยให้การทดลองภาคสนามมีความถูกต้องและแม่นยำ โดยใช้หลักการทำซ้ำ การสุ่ม และการควบคุมความคลาดเคลื่อน

แผนการทดลอง หมายถึง กฎเกณฑ์ที่ใช้ในการกำหนดทรีตเมนต์ให้กับแปลงทดลอง หากดำเนินการอย่างถูกต้อง จะช่วยให้สามารถเปรียบเทียบระหว่างทรีตเมนต์ได้อย่างถูกต้อง (valid) และช่วยควบคุมแหล่งความแปรปรวนหลักในการทดลองภาคสนาม ซึ่งก็คือ ความไม่สม่ำเสมอของดิน (Soil heterogeneity)

แผนการทดลองที่เหมาะสมต้องยึดหลักสำคัญ 3 ประการ

1. การทำซ้ำ (Replication)
2. การสุ่ม (Randomization)
3. การควบคุมความคลาดเคลื่อน (Error control)

การเลือกแผนการทดลอง

ประเภทของแผนการทดลองที่ดีที่สุดขึ้นอยู่กับปัจจัยดังนี้:

• ระดับความไม่สม่ำเสมอของดินในพื้นที่ทดลอง

• ประเภทและจำนวนของทรีตเมนต์ที่จะทดสอบ

• ระดับความแม่นยำ (precision) ที่ต้องการ

ห้ามเลือกแผนการทดลองที่ขาดหลักการใดหลักการหนึ่งในสามประการข้างต้น

กลุ่มของแผนการทดลองที่นิยมใช้ในการทดลอง

แผนการทดลองแบ่งออกเป็น 3 กลุ่มใหญ่ ดังนี้:

1. แผนการทดลองแบบบล็อกสมบูรณ์ (Complete Block Designs) มักใช้กับการทดลองอย่างง่ายที่มีจำนวนทรีตเมนต์ไม่มากนัก มีลักษณะสำคัญคือ:

• ทรีตเมนต์ทุกตัวจะปรากฏอยู่ในทุกบล็อก

• การวิเคราะห์ข้อมูลทำได้ง่าย

• จัดการข้อมูลที่ขาดหาย (missing data) ได้สะดวก

• ใช้ได้ทั้งกับการทดลองแบบปัจจัยเดียว (Single-factor) และแบบแฟกทอเรียล (Factorial)

2. แผนการทดลองแบบบล็อกไม่สมบูรณ์ (Incomplete Block Designs) ใช้สำหรับการทดลองที่มีจำนวนทรีตเมนต์มากเกินกว่าจะบรรจุลงในบล็อกที่มีความสม่ำเสมอเดียวกันได้หมด เช่น การทดสอบพันธุ์ข้าวที่มีหลายร้อยพันธุ์ มีลักษณะคือ:

• ทรีตเมนต์ทั้งหมดจะไม่ปรากฏอยู่ในบล็อกเดียวกัน

• การวิเคราะห์ข้อมูลมีความซับซ้อนกว่า โดยเฉพาะเมื่อมีข้อมูลขาดหาย

3. แผนการทดลองแบบสปลิตพลอต (Split-plot Designs) ใช้สำหรับการทดลองแบบแฟกทอเรียลเท่านั้น ในกรณีที่มีชุดรวมของทรีตเมนต์จำนวนมาก หรือเมื่อทรีตเมนต์บางตัวต้องการขนาดแปลงที่ใหญ่กว่าตัวอื่น

กฎเกณฑ์พื้นฐานในการเลือกแผนการทดลอง

1. การทดลองปัจจัยเดียว (Single factor experiments)

แผนการทดลอง	เงื่อนไขการใช้งาน
RCB	ทรีตเมนต์น้อยกว่า 10 ตัว, ทำซ้ำกี่ครั้งก็ได้, ดินมีความอุดมสมบูรณ์ต่างกันในทิศทางเดียว
Latin Square	ทรีตเมนต์ 4 ถึง 8 ตัว, จำนวนซ้ำต้องเท่ากับจำนวนทรีตเมนต์, ดินต่างกันในสองทิศทาง
Balanced Lattice	ทรีตเมนต์จำนวนมาก (เช่น $p^2$ ตัว), จำนวนซ้ำต้องเป็น $p+1$, ให้ความแม่นยำเท่ากันทุกคู่เปรียบเทียบ
Partially Balanced Lattice	ทรีตเมนต์จำนวนมาก ($p^2$ ตัว), ทำซ้ำกี่ครั้งก็ได้, บางคู่เปรียบเทียบจะมีความแม่นยำสูงกว่าคู่อื่น

2. การทดลองหลายปัจจัย (Factorial experiments)

แผนการทดลอง	เงื่อนไขการใช้งาน
RCB	ชุดรวมทรีตเมนต์น้อยกว่า 10 แบบ, อิทธิพลหลักและอิทธิพลร่วมมีความสำคัญเท่ากัน
Split-plot	มีอย่างน้อย 2 ปัจจัยที่ความสำคัญไม่เท่ากัน, ปัจจัยที่สำคัญน้อยกว่าหรือต้องการพื้นที่ใหญ่กว่าจะถูกวางไว้ในพล็อตหลัก (Main plots)
Split-split plot	มีอย่างน้อย 3 ปัจจัย, เรียงลำดับความสำคัญจากน้อยไปมาก (Main plots > Subplots > Sub-subplots)
Strip-plot	ปัจจัยต้องการพื้นที่ใหญ่เกินกว่าขนาด Subplot ปกติ, เน้นศึกษาอิทธิพลร่วม (Interaction) มากกว่าอิทธิพลหลัก
Confounding	มีมากกว่า 2 ปัจจัย, ยอมเสียความแม่นยำในอิทธิพลร่วมอันดับสูง (High-order interactions) เพื่อเพิ่มประสิทธิภาพด้านอื่น

การออกแบบสำหรับการทดสอบในนาเกษตรกร

ในงานทดสอบเทคโนโลยี (Verification Experiment) มักใช้แผนการทดลองแบบ RCB โดยมี 2 ซ้ำ ต่อเกษตรกรหนึ่งราย และทำกับเกษตรกรอย่างน้อย 10 รายเพื่อเป็นตัวแทนของพื้นที่เป้าหมาย โดยกรรมวิธีเทคโนโลยีใหม่ต้องเหมือนกันทุกราย แต่เทคโนโลยีเกษตรกรอาจต่างกันไปตามการปฏิบัติของแต่ละคน

ตัวอย่างการประยุกต์ใช้แผนการทดลอง

ตัวอย่างที่ 1: การทดสอบพันธุ์ข้าว

สถานการณ์: คุณต้องการทดลองเปรียบเทียบผลผลิตของพันธุ์ข้าว 6 พันธุ์:

1. ข้าวหอมมะลิ 105
2. เจ๊กกอว่าน
3. ขาวดอกสีชมพู 90
4. ข้าวพื้นเมือง (Local variety A)
5. ข้าวพื้นเมือง (Local variety B)
6. ข้าวพื้นเมือง (Local variety C)

ข้อมูลเบื้องต้น:

• พื้นที่ทดลอง: 50 m × 80 m (4,000 m²)
• ความแปรปรวนของดิน: แนวเหนือ-ใต้ (มากกว่าแนวตะวัน-ตกวัน)
• จำนวนซ้ำที่เหมาะสม: 4 ซ้ำ (ตามการคำนวณในบทที่ 2)
• ค่า CV ที่คาดหวั: 8% (งานทดสอบพันธุ์)

การเลือกแผนการทดลอง:

แผนการทดลอง	จำนวนซ้ำ	df error	ความเหมาะสม	เหตุผล
RCB	4 ซ้ำ	(6-1)(4-1) = 15	✅ เหมาะสม	ตรงเกณฑ์, ใช้ง่าย
Latin Square	6 ซ้ำ (ต้องเท่าจำนวนทรีตเมนต์)	(6-1)(6-2) = 20	✅ เหมาะสม	ดินแตกต่าง 2 ทิศทาง (จำเป็น)
Balanced Lattice	7 ซ้ำ (p+1)	มากกว่า	❌ ไม่จำเป็น	จำนวนทรีตเมนต์ไม่ใช่ $p^2$

คำแนะนำ: ใช้ RCBD เพราะ:

• จำนวนทรีตเมนต์ (6 ตัว) อยู่ในช่วงที่เหมาะสม (< 10 ตัว)
• df error = 15 ตรงตามเกณฑ์
• การจัดการง่ายและเข้าใจ
• ความแปรปรวนของดินมีในทิศทางเดียว

ตัวอย่างที่ 2: การทดลองแฟกทอเรียลปุ๋ย

สถานการณ์: คุณต้องการทดลองอิทธิพลของ:

• ปริมาณไนโตรเจน: 3 ระดับ (0, 60, 120 kg N/ha)
• ปริมาณฟอสฟอรัส: 2 ระดับ (0, 30, 60 kg P₂O₅/ha)
• จำนวนซ้ำ: 4 ซ้ำ

การเลือกแผนการทดลอง:

แผนการทดลอง	จำนวนกรรมวิธี	จำนวนซ้ำ	df error	ข้อดี
RCB	3×3 = 9	(9-1)(4-1) = 24	✅ df สูง
Split-plot (Nitrogen = Main plot, Phosphorus = Subplot)	N = Main, P = Sub	4 ซ้ำ	ดีขึ้นสำหรับการทดสอบ N	✅ เหมาะสมสำหรับการทดสอบ N
Split-plot (Phosphorus = Main plot, Nitrogen = Subplot)	P = Main, N = Sub	4 ซ้ำ	ดีขึ้นสำหรับการทดสอบ P	❌ การทดสอบ N สำคัญกว่า P

คำแนะนำ: ใช้ Split-plot โดย Nitrogen = Main plot เพราะ:

• การทดสอบไนโตรเจนสำคัญกว่าฟอสฟอรัสในข้าว
• ปริมาณปุ๋ยไนโตรเจนมักต้องการพื้นที่แปลงใหญ่กว่า
• การจัดการและการวิเคราะห์ข้อมูลง่ายกว่า

ข้อควรระวังในการเลือกแผนการทดลอง

1. เริ่มจากง่ายที่สุด: หากมีปัจจัยใหลายอย่าง ให้เลือกแผนการทดลองที่เรียบง่ายที่สุดก่อน เช่น RCB แล้วจึงค่อยๆ พิจารณาแผนการทดลองที่ซับซ้อนมากขึ้น

2. พิจารณาความสามารถจัดการได้: บางแผนการทดลองอาจมีความถูกต้องทางสถิติสูง แต่การจัดการลำบากหรือไม่สามารถทำได้ในทางปฏิบัติ

3. ทดสอบแผนการทดลองในระดับเล็ก: หากเป็นไปได้ ควรทดลองแผนการทดลองในระดับเล็ก (pilot study) เพื่อประเมินความเหมาะสมและความเป็นไปได้จริง

4. ใช้ซอฟต์แวร์ทางสถิติ: ใช้ซอฟต์แวร์อย่าง R (แพ็กเกจ agricolae) หรือ GenStat เพื่อสร้างแผนผังแปลงและวิเคราะห์ข้อมูลได้อย่างรวดเร็ว

บทถัดไป: อ่านเพิ่มเติมเกี่ยวกับ บล็อก ในบทที่ 4 ซึ่งจะอธิบายถึงหลักการและวิธีการจัดบล็อกเพื่อลดความแปรปรวนจากดิน