Wahl des Versuchsplans
In der Agrarforschung ist es wichtig, zu Beginn des Versuchs die richtige Versuchsanordnung zu wählen, damit die am Ende der Saison erstellten Analysen statistisch aussagekräftig sind. Bevor wir uns näher mit den verschiedenen Versuchsplänen befassen, sollten wir uns etwas Zeit nehmen, um zu verstehen, warum wir sie brauchen.
Angenommen, ein Pflanzenzüchter wählt zwei möglichst gleiche Parzellen aus und sät in jeder Parzelle die gleiche Sorte aus. Selbst wenn der Züchter jede Parzelle mit der gleichen Pflege behandelt, wird er bei der Messung des Ertrags auf jeder Parzelle Unterschiede feststellen.
Dieser Unterschied wird als Versuchsfehler. Damit der Züchter eine fundierte Entscheidung über die Leistung von zwei oder mehr Sorten treffen kann, muss er über eine Schätzung des Versuchsfehlers im Versuch verfügen. Wenn der gemessene Unterschied zwischen den Sorten größer ist als der Versuchsfehler, dann kann er davon ausgehen, dass eine Sorte die andere übertrifft.
Dem Züchter stehen zwei Instrumente zur Verfügung, um Versuchsfehler zu messen: Replikation und Randomisierung.
Durch die Replikation lassen sich genauere Schätzungen des Versuchsfehlers vornehmen, und die Randomisierung verhindert, dass andere unkontrollierte Variationsquellen die Ergebnisse verfälschen.
Dem Züchter stehen zwei Instrumente zur Verfügung, um Versuchsfehler zu messen: Replikation und Randomisierung.
Replikation und Randomisierung definieren zusammen den Versuchsplan und es gibt eine Reihe von gängigen Typen, die für Agrarforscher entwickelt wurden:
- Vollständig randomisiertes Design
- Randomisierter vollständiger Block
- Lateinische Quadrate
- Geteilte Parzellengestaltung
- Strip Plot Entwerfen
um nur einige zu nennen.
Welches Design für einen bestimmten Versuch am besten geeignet ist, hängt von den verschiedenen Einschränkungen des Versuchs ab, wie z. B. der Anzahl der zu prüfenden Sorten, der Größe der für die Anwendung der Behandlungen eingesetzten Maschinen, der Größe der nachweisbaren Unterschiede zwischen den Behandlungen und den für die Durchführung des Versuchs erforderlichen Ressourcen (Zeit, Raum und Geld).
Vollständig randomisiertes Design
Ein vollständig randomisiertes Design ist das einfachste aller Designs. Bei einem vollständig randomisierten Design ist die Wahrscheinlichkeit, dass jede Behandlung einer Parzelle zugewiesen wird, gleich groß.
Der vollständig randomisierte Versuchsplan hat viele Vorteile: Es kann eine beliebige Anzahl von Behandlungen und Wiederholungen berücksichtigt werden; die Analyse ist einfach und kann problemlos mit fehlenden Parzellen umgehen; die Freiheitsgrade des Fehlers sind höher als bei jedem anderen Versuchsplan mit der gleichen Anzahl von Behandlungen, was eine genauere Schätzung des Versuchsfehlers ermöglicht.
Vollständig randomisierte Versuchspläne haben den Nachteil, dass die Parzellen mehr oder weniger einheitlich sein müssen. Wenn die Parzellen ein hohes Maß an Variabilität aufweisen, z. B. aufgrund von Bodenvariationen, ist die Schätzung des Versuchsfehlers weniger genau, und echte Unterschiede zwischen den Behandlungen sind möglicherweise nicht nachweisbar.
In der Regel werden vollständig randomisierte Designs verwendet, wenn die Prüfstelle als besonders einheitlich bekannt ist.
Sie können auch in Szenarien sehr nützlich sein, in denen zu erwarten ist, dass eine große Anzahl von Parzellen während des Versuchs ausfällt, da die Analyse der überlebenden Parzellen einfach bleibt.
Vollständig randomisierte Designs werden verwendet, wenn der Versuchsstandort als besonders einheitlich bekannt ist.
Randomisiertes vollständiges Blockdesign
Der randomisierte vollständige Blockversuch ist bei weitem der häufigste Versuchsplan, den Agrarforscher heute verwenden. Die Parzellen werden aufgrund ihrer Ähnlichkeit in Blöcke eingeteilt, z. B. aufgrund ähnlicher Bodentypen. Die Parzellen werden dann den Behandlungen so zugeordnet, dass jede Behandlung in jedem Block einmal vorkommt. Daher enthält jeder Block alle
möglichen Behandlungen, daher das "Complete Block"-Design.
Bei der Planung eines vollständigen Blockversuchs muss der Versuchsleiter sicherstellen, dass die Variabilität innerhalb des Blocks minimiert wird, während die Variation zwischen den Blöcken maximiert werden sollte. Wenn die Variabilität am Versuchsstandort gering ist, können die Blöcke nebeneinander angeordnet werden. Besteht jedoch am Versuchsort ein Variabilitätsgefälle, so sollten die Blöcke in Reihen angeordnet werden, die senkrecht zum Gefälle verlaufen. Aus praktischen Gründen der Mess- und Behandlungstätigkeiten ist es nicht erforderlich, dass die Blöcke nebeneinander liegen.
Erforderlichenfalls können die Blöcke vollständig voneinander getrennt werden, solange der Standort nicht so unterschiedlich ist, dass ein Behandlungseffekt eintritt (z. B. würde die Anordnung eines Blocks in einem bewässerten Teil des Feldes und eines Blocks in einem nicht bewässerten Teil einen Behandlungseffekt darstellen und sollte vermieden werden).
Dies kann nützlich sein, wenn ein Versuchsstandort z. B. auf verschiedene Bodentypen verteilt ist.
Die Parzellen werden aufgrund ihrer Ähnlichkeit in Blöcke eingeteilt, und jede Behandlung kommt in jedem Block einmal vor.
Lateinisches Quadrat Design
Wie der Name schon sagt, bildet dieses Muster ein Quadrat, das in eine gleiche Anzahl von Reihen und Spalten unterteilt ist. Jede Behandlung oder Sorte wird so platziert, dass sie in jeder Reihe und Spalte genau einmal vorkommt.
Der Hauptvorteil der lateinischen quadratischen Anordnung besteht darin, dass sie zwei Variationsquellen des Versuchsstandorts berücksichtigen kann. Beispielsweise kann das Feld, auf dem der Versuch durchgeführt wird, ein Fruchtbarkeitsgefälle in einer Richtung und ein Gefälle in einer anderen aufweisen.
Latin-Square-Designs werden in landwirtschaftlichen Versuchen nicht häufig verwendet, da sie mehrere Nachteile gegenüber anderen Designs aufweisen.
Erstens: Da die Anzahl der Parzellen dem Quadrat der Anzahl der Behandlungen entspricht, können die Versuche sehr groß und kostspielig werden.
Zweitens können Fehler, die während der Studie gemacht werden, wie z. B. falsch angewandte Behandlungen, die Analyse der Daten erschweren.
Drittens sind bei wenigen Behandlungen (weniger als 4) die Freiheitsgrade des Fehlers gering, was wiederum zu einer größeren experimentellen Fehlerschätzung führt.
Wie der Name schon sagt, bildet dieses Muster ein Quadrat, das in eine gleiche Anzahl von Reihen und Spalten unterteilt ist. Jede Behandlung oder Sorte wird so platziert, dass sie in jeder Reihe und Spalte genau einmal vorkommt.
Der Hauptvorteil der lateinischen quadratischen Anordnung besteht darin, dass sie zwei Variationsquellen des Versuchsstandorts berücksichtigen kann. Beispielsweise kann das Feld, auf dem der Versuch durchgeführt wird, ein Fruchtbarkeitsgefälle in einer Richtung und ein Gefälle in einer anderen aufweisen.
Latin-Square-Designs werden in landwirtschaftlichen Versuchen nicht häufig verwendet, da sie mehrere Nachteile gegenüber anderen Designs aufweisen.
Erstens: Da die Anzahl der Parzellen dem Quadrat der Anzahl der Behandlungen entspricht, können die Versuche sehr groß und kostspielig werden.
Zweitens können Fehler, die während der Studie gemacht werden, wie z. B. falsch angewandte Behandlungen, die Analyse der Daten erschweren.
Drittens sind bei wenigen Behandlungen (weniger als 4) die Freiheitsgrade des Fehlers gering, was wiederum zu einer größeren experimentellen Fehlerschätzung führt.
Das lateinische Quadrat kann zwei Quellen der Variation in der Prüfstelle berücksichtigen
Geteilte Parzellengestaltung
Bei landwirtschaftlichen Versuchen ist es üblich, mehrere Behandlungsfaktoren zu verwenden, z. B. drei verschiedene Stickstoffmengen in Kombination mit drei verschiedenen Anbauformen.
Dies könnte mit einem randomisierten vollständigen Blockdesign erreicht werden, bei dem jede Kombination der beiden Faktoren in jedem Block vorkommt. Einige Behandlungen lassen sich jedoch nur schwer oder gar nicht auf diese Weise durchführen.
Die Anbaugeräte haben in der Regel die Größe eines landwirtschaftlichen Betriebs und erfordern große Flächen, während Stickstoff von Hand auf viel kleineren Flächen ausgebracht werden kann.
Um diese Komplikationen zu bewältigen, kann der Agrarforscher auf das Split-Plot-Design zurückgreifen. Bei diesem Design wird ein Faktor großen Parzellen in einem randomisierten vollständigen Blockdesign zugewiesen. Diese großen Parzellen werden dann in kleinere Parzellen unterteilt, auf denen die Behandlungen des anderen Faktors nach dem Zufallsprinzip angewendet werden.
Wie oben beschrieben, besteht der Hauptvorteil der geteilten Parzellen darin, dass sie eine effizientere Handhabung von Behandlungsfaktoren ermöglichen, die unterschiedliche Parzellengrößen erfordern. Split-Plot-Designs bieten auch die Möglichkeit, neue Behandlungen zu einem laufenden Versuch hinzuzufügen, indem einfach weitere große Parzellen zu den Blöcken hinzugefügt werden.
Da es zwei Parzellengrößen gibt, ergeben sich bei Split-Plot-Designs zwei Versuchsfehler, einer für jede Größe. Dies kann häufig bedeuten, dass große Unterschiede in den Beobachtungen erforderlich sind, um einen signifikanten Unterschied aufzuzeigen. Split-Plot-Versuche haben auch den Nachteil, dass sie eine komplexere Analyse erfordern.
Die Anbaugeräte entsprechen in der Regel der Größe eines landwirtschaftlichen Betriebs und erfordern große Parzellen
Strip Plot Design
Eine nützliche Variante des Split-Plot-Designs ist das Strip-Plot-Design.
In Fällen, in denen die einzelnen Behandlungsfaktoren am einfachsten in Durchgängen oder Streifen angewandt werden können, können Streifenparzellen angelegt werden.
Bei diesen Versuchsplänen wird ein Faktor den Streifen zugewiesen, die innerhalb jedes Blocks verlaufen, und jeder Block hat seine eigene Randomisierung. Der zweite Faktor wird dann in senkrecht zum ersten verlaufenden Streifen angewandt, wiederum mit einer einmaligen Randomisierung für jeden Block.
Das Ergebnis ist ein schachbrettartiges System von Behandlungen.
Streifenparzellen-Designs haben ähnliche Vor- und Nachteile wie Split-Plot-Designs und ermöglichen vor allem einen effizienten Versuchsaufbau.
Eine nützliche Variante des Split-Plot-Designs ist das Strip-Plot-Design.
In Fällen, in denen die einzelnen Behandlungsfaktoren am einfachsten in Durchgängen oder Streifen angewandt werden können, können Streifenparzellen angelegt werden.
Bei diesen Versuchsplänen wird ein Faktor den Streifen zugewiesen, die innerhalb jedes Blocks verlaufen, und jeder Block hat seine eigene Randomisierung. Der zweite Faktor wird dann in senkrecht zum ersten verlaufenden Streifen angewandt, wiederum mit einer einmaligen Randomisierung für jeden Block.
Das Ergebnis ist ein schachbrettartiges System von Behandlungen.
Streifenparzellen-Designs haben ähnliche Vor- und Nachteile wie Split-Plot-Designs und ermöglichen vor allem einen effizienten Versuchsaufbau.
Bei diesen Versuchsplänen wird den Streifen, die in jedem Block laufen, ein Faktor zugeordnet, und jeder Block hat seine eigene Randomisierung.
Unvollständiger Grundstücksentwurf
Wenn die Zahl der Behandlungen zunimmt, kann es immer schwieriger werden, die Einheitlichkeit der Blöcke im Rahmen eines randomisierten vollständigen Blockdesigns aufrechtzuerhalten. Dies ist insbesondere bei Zuchtversuchen der Fall, bei denen eine große Anzahl von Selektionen getestet wird. Um die Blöcke so klein zu halten, dass sie einheitlich bleiben, kann nur eine Teilmenge der Behandlungen in einem bestimmten Block vorkommen, daher der Name "unvollständige Blockanordnung". Es gibt eine Reihe verschiedener unvollständiger Blockdesigns, die dem Forscher zur Verfügung stehen, aber das ist ein zu komplexes Thema, um hier im Detail darauf einzugehen.
Ein solches Design, das QuickTrials anbietet, ist ein Alphagitter, das einige spezifische Anforderungen erfüllt:
- Die Anzahl der Parzellen pro Block (p) muss kleiner sein als die Quadratwurzel aus der Anzahl der Behandlungen (t);
- Die Anzahl der Wiederholungen muss kleiner oder gleich dem Verhältnis p/t sein;
- Die Anzahl der Behandlungen muss ein Vielfaches von p sein.
Wenn die Zahl der Behandlungen zunimmt, kann es immer schwieriger werden, die Einheitlichkeit der Blöcke im Rahmen eines randomisierten vollständigen Blockdesigns aufrechtzuerhalten. Dies ist insbesondere bei Zuchtversuchen der Fall, bei denen eine große Anzahl von Selektionen getestet wird. Um die Blöcke so klein zu halten, dass sie einheitlich bleiben, kann nur eine Teilmenge der Behandlungen in einem bestimmten Block vorkommen, daher der Name "unvollständige Blockanordnung". Es gibt eine Reihe verschiedener unvollständiger Blockdesigns, die dem Forscher zur Verfügung stehen, aber das ist ein zu komplexes Thema, um hier im Detail darauf einzugehen.
Ein solches Design, das QuickTrials anbietet, ist ein Alphagitter, das einige spezifische Anforderungen erfüllt:
- Die Anzahl der Parzellen pro Block (p) muss kleiner sein als die Quadratwurzel aus der Anzahl der Behandlungen (t);
- Die Anzahl der Wiederholungen muss kleiner oder gleich dem Verhältnis p/t sein;
- Die Anzahl der Behandlungen muss ein Vielfaches von p sein.
Damit die Blöcke klein genug sind, um einheitlich zu bleiben, kann nur eine Teilmenge der Behandlungen in einem bestimmten Block erscheinen
Wie man wählt
Im Allgemeinen ist die beste Vorgehensweise bei der Auswahl eines Versuchsplans die Wahl des einfachsten Versuchsplans, der die geforderte Genauigkeit und gleichzeitig die für eine effiziente Durchführung des Versuchs erforderliche Praktikabilität bietet.
In der Reihenfolge der zunehmenden Komplexität haben wir gesehen:
- Vollständig randomisiertes Design
- Vollständig randomisiertes Blockdesign
- Geteilte Parzellengestaltung
- Streifenförmige Parzellengestaltung
- Lateinisches Quadrat
- Unvollständiger Blockaufbau
