ラテン方格法：効率的な3要因制御実験計画法
ラテン方格法は、限られた実験単位で3つの要因（処理、行要因、列要因）を同時に制御できる極めて効率的な実験計画法です。農業・工業・生物学研究で広く活用されています。
ラテン方格法の基本原理
- 3要因同時制御：処理・行・列の効果を分離
- 完全バランス：各処理が各行・各列に正確に1回出現
- 効率性：最小の実験単位で最大の情報を獲得
- 直交性：3つの要因が統計的に独立
Step 1: ラテン方格の構造理解
本実験の4×4ラテン方格の構造：
| 列1 | 列2 | 列3 | 列4 |
|---|
| 行1 | A:15 | B:18 | C:20 | D:25 |
| 行2 | B:20 | C:22 | D:28 | A:17 |
| 行3 | C:23 | D:30 | A:16 | B:19 |
| 行4 | D:28 | A:14 | B:17 | C:21 |
方格の妥当性確認
正しいラテン方格の条件：
- 行のバランス：各行にA,B,C,D が1回ずつ ✓
- 列のバランス：各列にA,B,C,D が1回ずつ ✓
- 処理のバランス：各処理が4回ずつ実施 ✓
- 直交性：行・列・処理が統計的に独立 ✓
Step 2: 統計モデルの定式化
ラテン方格法の線形加法モデル：
$Y_{ijk} = \mu + \alpha_i + \beta_j + \tau_k + \epsilon_{ijk}$
ここで：
- $Y_{ijk}$：行$i$、列$j$、処理$k$での観測値
- $\mu$：全体平均
- $\alpha_i$：行$i$の効果（$i = 1,2,3,4$）
- $\beta_j$：列$j$の効果（$j = 1,2,3,4$）
- $\tau_k$：処理$k$の効果（$k = A,B,C,D$）
- $\epsilon_{ijk}$：誤差項（$\sim N(0, \sigma^2)$）
Step 3: データの詳細分析
処理別平均の計算：
| 処理 | 観測値 | 平均 | 効果 |
|---|
| A | 15, 17, 16, 14 | 15.5 | -5.0 |
| B | 18, 20, 19, 17 | 18.5 | -2.0 |
| C | 20, 22, 23, 21 | 21.5 | +1.0 |
| D | 25, 28, 30, 28 | 27.75 | +7.25 |
| 全体 | - | 20.5 | - |
行・列平均の計算：
| 行 | 平均 | 列 | 平均 |
|---|
| 行1 | 19.5 | 列1 | 21.5 |
| 行2 | 21.75 | 列2 | 21.0 |
| 行3 | 22.0 | 列3 | 20.25 |
| 行4 | 20.0 | 列4 | 20.25 |
Step 4: 平方和分解の理論
ラテン方格法では全変動を4つの成分に分解：
$SS_{total} = SS_{処理} + SS_{行} + SS_{列} + SS_{error}$
各平方和の計算原理：
$SS_{処理} = r \sum_{k=1}^{t} (\bar{Y}_{\cdot\cdot k} - \bar{Y}_{\cdot\cdot\cdot})^2$
$SS_{行} = t \sum_{i=1}^{r} (\bar{Y}_{i\cdot\cdot} - \bar{Y}_{\cdot\cdot\cdot})^2$
$SS_{列} = t \sum_{j=1}^{c} (\bar{Y}_{\cdot j\cdot} - \bar{Y}_{\cdot\cdot\cdot})^2$
ここで$r = c = t = 4$（方格のサイズ）
直交性の数学的意味
ラテン方格の直交性により：
- 処理効果の推定：行・列効果に影響されない
- 無偏性：各効果の推定値が無偏
- 独立性：平方和が加法的に分解可能
- 効率性：最小分散無偏推定量を提供
Step 5: 自由度の詳細計算
各変動源の自由度：
$df_{total} = rt - 1 = 16 - 1 = 15$
$df_{処理} = t - 1 = 4 - 1 = 3$
$df_{行} = r - 1 = 4 - 1 = 3$
$df_{列} = c - 1 = 4 - 1 = 3$
$df_{error} = (r-1)(c-1) - (t-1) = 9 - 3 = 6$
誤差自由度の別解釈：
$df_{error} = df_{total} - df_{処理} - df_{行} - df_{列} = 15 - 3 - 3 - 3 = 6$
自由度の制約構造
ラテン方格では以下の制約があります：
- 処理制約：$\sum \tau_k = 0$
- 行制約：$\sum \alpha_i = 0$
- 列制約：$\sum \beta_j = 0$
- 直交制約：処理-行-列の組み合わせ制約
これらの制約により誤差自由度が$(r-1)(c-1)-(t-1)$となります。
Step 6: 平均平方の計算と期待値
$MS_{処理} = \frac{SS_{処理}}{df_{処理}} = \frac{140.00}{3} = 46.67$
$MS_{行} = \frac{SS_{行}}{df_{行}} = \frac{60.00}{3} = 20.00$
$MS_{列} = \frac{SS_{列}}{df_{列}} = \frac{40.00}{3} = 13.33$
$MS_{error} = \frac{SS_{error}}{df_{error}} = \frac{40.00}{6} = 6.67$
期待平均平方の理論：
- $E[MS_{error}] = \sigma^2$
- $E[MS_{処理}] = \sigma^2 + \frac{r\sum\tau_k^2}{t-1}$（処理効果ありの場合）
- $E[MS_{行}] = \sigma^2 + \frac{c\sum\alpha_i^2}{r-1}$（行効果ありの場合）
- $E[MS_{列}] = \sigma^2 + \frac{r\sum\beta_j^2}{c-1}$（列効果ありの場合）
Step 7: F統計量の計算と分布
処理効果のF検定：
$F_{処理} = \frac{MS_{処理}}{MS_{error}} = \frac{46.67}{6.67} = 6.30$
帰無仮説：$H_0: \tau_A = \tau_B = \tau_C = \tau_D = 0$
$F_{処理} \sim F(3, 6)$ under $H_0$
他の効果のF検定：
$F_{行} = \frac{MS_{行}}{MS_{error}} = \frac{20.00}{6.67} = 3.00$
$F_{列} = \frac{MS_{列}}{MS_{error}} = \frac{13.33}{6.67} = 2.00$
Step 8: 統計的有意性の判定
臨界値との比較：
| 効果 | F値 | F₀.₀₅(3,6) | F₀.₀₁(3,6) | 判定 |
|---|
| 処理 | 7.00 | 4.76 | 9.78 | 5%水準で有意 |
| 行 | 3.00 | 4.76 | 9.78 | 有意でない |
| 列 | 2.00 | 4.76 | 9.78 | 有意でない |
結果の統計的解釈
- 処理効果：F = 7.00 > 4.76 → 5%水準で有意
- 実用的意義：肥料処理間に実質的な差が存在
- 行・列効果：統計的に有意でないが、制御要因として有効
- 制御効果：行・列要因の除去により処理効果が明確化
Step 9: 効果量と実用的意義
効果量（η²）の計算：
$\eta^2_{処理} = \frac{SS_{処理}}{SS_{total}} = \frac{140.00}{280.00} = 0.50$
$\eta^2_{行} = \frac{SS_{行}}{SS_{total}} = \frac{60.00}{280.00} = 0.21$
$\eta^2_{列} = \frac{SS_{列}}{SS_{total}} = \frac{40.00}{280.00} = 0.14$
効果サイズの解釈：
- 処理効果：η² = 0.50（大きな効果）
- 行効果：η² = 0.21（中程度の効果）
- 列効果：η² = 0.14（小から中程度の効果）
- 合計説明率：85%の変動を3要因で説明
Step 10: 多重比較と事後分析
Tukey HSD法による処理間比較：
$HSD = q_{0.05}(4,6) \sqrt{\frac{MS_{error}}{r}} = 4.90 \sqrt{\frac{6.67}{4}} = 6.33$
処理間差の検定：
| 比較 | 平均差 | HSD | 判定 |
|---|
| D vs A | 12.25 | 6.33 | 有意 |
| D vs B | 9.25 | 6.33 | 有意 |
| D vs C | 6.25 | 6.33 | 有意でない |
| C vs A | 6.00 | 6.33 | 有意でない |
ラテン方格法の利点と制限
| 項目 | 利点 | 制限 |
|---|
| 効率性 | 3要因を最小単位で制御 | 交互作用の評価不可 |
| 精度 | 行・列効果の除去 | 方格サイズの制約 |
| バランス | 完全な直交性 | 欠測値への脆弱性 |
| 解析 | シンプルな計算 | 加法性の仮定必要 |