Efficient and Robust Block Designs for Order-of-Addition Experiments

Sintesi Tecnica: Design a Blocchi Efficienti e Robusti per Esperimenti di Ordine di Addizione

Definizione del Problema
Gli esperimenti di Ordine di Addizione (Order-of-Addition, OofA) investigano come la sequenza di aggiunta dei componenti influenzi una variabile di risposta. Sebbene siano stati fatti progressi metodologici significativi nella costruzione di design OofA sotto i modelli di Ordinamento a Coppie (Pairwise Ordering, PWO) e di Posizione dei Componenti (Component-Position, CP), rimane una lacuna critica nella gestione di unità sperimentali eterogenee. In contesti pratici — come la lavorazione di lotti farmaceutici o saggi biochimici multi-ambiente — gli esperimenti spesso coinvolgono gruppi distinti di unità (blocchi), dove la variazione tra i gruppi supera la variazione all'interno dei gruppi. La letteratura esistente manca di quadri robusti per la costruzione e la valutazione di design OofA a blocchi. Senza un adeguato bloccaggio, la variazione derivante dalle differenze tra lotti o tra ambienti può oscurare i reali effetti della sequenza di aggiunta. Inoltre, gli algoritmi di ricerca euristica standard utilizzati per i design fattoriali frazionari (ad esempio, lo scambio di coordinate) sono computazionalmente inefficienti per i design OofA, poiché ogni corsa deve essere una permutazione valida dei componenti, creando uno spazio di candidati vasto e vincolato.

Metodologia
L'articolo propone un quadro unificato per la costruzione e la selezione di design OofA a blocchi ottimali basati su modelli di posizione e un approccio esteso della funzione indicatrice.

1. Modelli di Posizione e Funzioni Indicatrici:
   I ricercatori adottano il modello basato sulla posizione (Position-Based, PB) introdotto da Stokes e Xu (2022), che utilizza contrasti polinomiali ortogonali per rappresentare le posizioni dei componenti. Questo modello è più parsimonioso rispetto ai modelli PWO o CP. Lo studio estende il framework della funzione indicatrice (originariamente di Cheng e Ye, 2004, per i design fattoriali) ai design OofA.

• Per i design a blocchi, la funzione indicatrice è ampliata includendo un fattore di blocco $B$.
• La funzione si decompone in parole di tipo puro (che rappresentano l'aliasing tra la media e gli effetti di posizione) e parole di tipo misto (che rappresentano la confusione tra gli effetti di blocco e gli effetti di posizione).

2. Criterio del Pattern di Lunghezza delle Parole (Word Length Pattern, WLP):
   Viene proposto un nuovo criterio, il Pattern di Lunghezza delle Parole (WLP), per valutare la qualità del design.

• Il WLP è un vettore $(w^P_1, w^B_1, w^P_2, w^B_2, \dots)$, dove $w^P_l$ misura la gravità dell'aliasing per gli effetti di posizione di ordine $l$, e $w^B_l$ misura la gravità della confusione tra gli effetti di blocco e gli effetti di posizione di ordine $l$.
• I design vengono confrontati utilizzando un criterio di aberrazione minima: un design è superiore se ha un WLP lessicograficamente minore. Ciò privilegia la riduzione della confusione per gli effetti di ordine inferiore e dà priorità alla riduzione dell'aliasing rispetto alla confusione per effetti dello stesso ordine.

3. Algoritmi di Costruzione:
   Per superare l'intrattabilità computazionale delle ricerche esaustive, gli autori sviluppano algoritmi che utilizzano Quadrati Latini Ortogonali (Latin Squares, LS) e Array Ortogonali dei Componenti (Component Orthogonal Arrays, COA).

• Generazione dei Candidati: Per $m$ componenti (dove $m$ è un numero primo o una potenza di un numero primo), il metodo genera un insieme di quadrati latini mutuamente ortogonali su un campo di Galois. Questi vengono permutati per creare un ampio set di candidati COA e LS.
• Strategia di Ricerca: Invece di scambiare singoli run, l'algoritolo costruisce i design impilando i candidati COA e LS. La ricerca procede tramite:
  • Assegnazione di interi COA o LS ai blocchi.
  • Scambio di interi LS tra i blocchi.
  • Scambio di righe specifiche tra i blocchi.
• Questa strategia di "scambio di blocchi/righe" riduce significativamente lo spazio di ricerca rispetto agli algoritmi di scambio di punti, consentendo l'identificazione di design ottimali con aberrazione minima.

Contributi Chiave

• Estensione Teorica: L'articolo estende con successo il framework della funzione indicatrice ai design OofA, estendendolo specificamente per gestire i fattori di blocco e definendo un WLP composito che tiene conto sia dell'aliasing (effetti di posizione) che della confusione (effetti di blocco).
• Efficienza Algoritmica: Lo sviluppo di algoritmi basati sull'impilamento di quadrati latini e COA fornisce un'alternativa computazionalmente efficiente alla ricerca esaustiva o ai metodi standard di scambio di coordinate per la costruzione di design OofA a blocchi.
• Criterio di Selezione del Design: L'introduzione del criterio WLP offre un metodo sistematico e quantitativo per selezionare design OofA a blocchi robusti che minimizzano la confusione degli effetti di blocco con gli importanti effetti di posizione.

Risultati e Validazione

• Casi di Studio: L'articolo illustra il processo di costruzione utilizzando esempi, come un design a 5 componenti con 3 blocchi di dimensione 12. L'algoritmo identifica con successo i design con specifici WLP attraverso lo scambio di LS e righe.
• Analisi di Correlazione: I grafici di correlazione dimostrano che i design proposti gestiscono efficacemente la confusione e l'aliasing tra gli effetti, confermando le proprietà teoriche del criterio WLP.
• Studi di Simulazione: Le simulazioni indicano che i design costruiti utilizzando il criterio e gli algoritmi proposti raggiungono poteri statistici e tassi di errore di Tipo I comparabili a quelli dei design OofA a blocchi completi. Ciò suggerisce che i design a blocchi frazionari sono surrogati efficienti dei design completi in termini di prestazioni nei test di ipotesi.

Significatività e Rivendicazioni
L'articolo rivendica di fornire un metodo pratico ed efficiente per la costruzione di design OofA a blocchi, affrontando un'area precedentemente inesplorata nella letteratura. Sfruttando i modelli di posizione e i quadrati latini ortogonali, lo studio offre un modo per gestire la variabilità nelle unità sperimentali eterogenee senza ricorrere a ricerche esaustive computazionalmente proibitive. Gli autori affermano che il loro approccio garantisce che i design riflettano accuratamente gli effetti della sequenza di aggiunta gestendo al contempo efficacemente la variabilità associata. Il lavoro è presentato come una base per la ricerca futura e le applicazioni in contesti sperimentali complessi dove il bloccaggio è necessario, come nella produzione farmaceutica e nella scienza dei materiali.