例えば製造要因、AとBがあり、双方の最適条件を見出す実験をするとします。 Aが、薬液1の濃度で、Bが温度とでも思って貰えると良いでしょう。普通はまず、Bを固定しAの条件を振ってAの最適値A1を見つけます。次に、AをA1に固定しBの条件を振ってBの最適値B2を見つけると思います。そして得られた条件A1B1を、双方の最適値とするのでは無いでしょうか。
もし「 これではダメだ 」と突込こめる方は、きっと実験計画法(Design of Experiment)をご存じの方でしょう。 知らずに問題点を見ぬいた方は技術者としてのセンスがあります。
上記の例で、正解のケースは AとB それぞれが他方の影響を受けない場合です。統計的に言えば独立で、交互作用が無い場合になります。AとBが特定の条件の時に顕著な挙動を示したとしたらどうでしょう。 つまり、AとB、それぞれの単独の最適条件が、ABの最適条件とは限らないと言うことです。
ビールとウイスキーを飲酒した場合の酔っ払い度について考えてみましょう。酔い度を血中アルコール濃度で示して良いのかわかりませんので仮に酔度とします。ビールをコップ一杯飲んだ時の酔度が20とします。同様にウイスキーをコップ一杯飲んだ時の酔度が80だとします。では、それぞれを一杯ずつ飲んだら酔度は、20+80＝100と、考えて良いでしょうか。
酔度は100では無くもっと大きい数値かもしれません。実際ちゃんぽんは悪酔いすると言います。ビールの炭酸が胃の粘膜を剥ぎ取り、そこにウイスキーの高度数アルコールを飲むので、酔いが強くなる。正誤はともかく、こういう作用を考えると単独飲酒より効果は倍増するはずです。
仮にですが、もしビールとウイスキーがそれぞれを分解する作用を持っていたとしたら 酔度が下がり100未満になるかもしれません。つまり単独で飲酒した場合より酔が増大しても、逆に減っても、ビールとウイスキーは、「 交互作用 」があると言えるわけです。実験計画法の利点の一つは、要因間の交互作用の有無を考慮出来る事です。
実際の現場では複数の要因があり、最適条件を見つけることは困難な場合が多いのがあたりまえです。例えば先に述べた薬液濃度Aと温度Bに加え、C：薬液2の濃度、D：処理時間、E：撹拌の強さ・・の様に5つの要因下で最適値を見つける場合はどうするのか。
また、私はばらつきをについては何となく標準偏差の数値を併記していただけでした。平均値しか見ないよりは良いかもしれませんが、ばらつきを評価していたとは言えず、その点でも実験計画法を学んだ意義がありました。実験計画法を学ぶ過程で検定や推定、分散分析等の重要な統計分析については自ずと身についてくるからです。
「ばらつき」を評価しなかった為に非常にシリアスな顧客苦情に 発展した事例もあります。 担当者に実験計画法の知識があれば、開発段階で問題に気づけたでしょう。実験計画法の理解には、面倒な数式との戦いが待っています。マスターするのはそれなりに時間がかかりますが、研究開発者やエンジニアであれば、是非身につけて頂きたいスキルです。
実験計画法は条件変更に伴うばらつきを評価する統計手法と言えますが、例え使いこなせなくても概要を知っているだけで、失敗を防げます。実験計画法に到達する前に基本となる統計知識は全て通過します。技術職で仕事をする上で、ばらつきの評価法が出来ない技術者は、スキルとして物足りないとみなされるでしょう。ぜひ時間を見つけて統計手法を学び実務に応用して下さい。