🔬 実験計画・テストケース作成ツール
因子と水準を入力するだけで、効率的な実験計画・テストケースを自動生成します
科学実験、製造プロセス最適化、ソフトウェアテストなど、すべての組み合わせを試すのは時間的・経済的に非現実的です。このツールは、最小限の実験回数で最大限の要因効果を検出する実験計画を自動生成します。2要因間相互作用で約70-80%、3要因間相互作用で90-95%以上の効果が検出可能とされています（実験計画法・組合せテスト理論より）。
水準とは？ 各因子が取りうる値や条件のことです（例：温度の水準 → 20℃, 30℃, 40℃）
• 一般的な実験・テストには 2要因 × 組合せ設計法 が最適です
• より厳密な検証が必要な場合は 3要因 を選択してください
• 因子数が少なく水準が均一な場合は 直交表 も効率的です
1. 組み合わせ爆発の問題
実験計画や製品テストにおいて、因子が増えると全組み合わせ数は指数的に増加します。例えば、10個の因子があり、それぞれが3つの水準を持つ場合、全組み合わせは 3¹⁰ = 59,049通り にもなります。これを全て実施するのは時間的・経済的に非現実的です。
2. 要因効果の局所性（Effect Sparsity Principle）
実験計画法および品質工学の研究によると、実験結果や製品の特性に影響を与える要因の大部分は、少数の因子とその相互作用によって説明できることが実証されています。これは「効果の希薄性原理」として知られています。
📊 実験計画法の古典的知見
実験計画法の権威であるジョージ・ボックスらの研究では、実験における主要な効果は、主効果と2次の交互作用で大部分が説明されることが示されています。3次以上の高次交互作用が実験結果に大きく影響するケースは極めて稀です。
田口玄一により体系化された品質工学（タグチメソッド）では、直交表を用いることで、全組み合わせの数%の実験で主要な因子効果と2次交互作用を効率的に評価できることが実証されています。これは製造業において世界中で実践されています。
📊 ソフトウェアテスト分野の実証研究
NIST（米国国立標準技術研究所）の研究では、NASAやブラウザなど複数のソフトウェアシステムを分析し、以下の重要な知見を得ました：
- 1要因（単一パラメータ）: 約19%の欠陥を検出
- 2要因間相互作用: 累計で約70-76%の欠陥を検出
- 3要因間相互作用: 累計で約90-95%の欠陥を検出
- 4要因間相互作用: 累計で約96-99%の欠陥を検出
- 5要因以上: 残りの1-2%程度
この書籍では、医療機器のソフトウェアや自動車制御システムなど、多様な領域での組み合わせテストの有効性が体系的に示されています。著者らは、6要因以上の相互作用による不具合はほとんど存在しないと結論づけています。
🧪 医療分野での応用事例
FDA（米国食品医薬品局）が15年間に渡って収集した医療機器ソフトウェアの不具合データを分析したところ、97%の欠陥が2要因以下の相互作用で検出可能であることが判明しました。
3. なぜ少数因子の相互作用で十分なのか？
理由1: 人間の設計限界
ソフトウェアや実験系は人間が設計します。人間の認知能力には限界があり、同時に考慮できる変数は通常2-4個程度です。そのため、5つ以上の因子が同時に絡むような複雑な相互作用は、そもそも設計段階で意図的に作り込まれることが稀です。
理由2: 確率的希少性
多数の因子が同時に特定の水準の組み合わせを取る確率は、因子数が増えるほど急激に低下します。4要因以上が同時に特定の組み合わせになるケースは統計的に非常に稀であり、実運用でも遭遇しにくいシナリオです。
理由3: 経済的合理性
この研究では、組合せ設計法（Pairwise法）により、全組み合わせの 1-10%程度の実験回数で70-80%の要因効果を検出できることが示されました。費用対効果の観点から、2-3要因のカバレッジが最適解となります。
4. 実務での推奨事項
- 一般的な品質確認・検証実験: 2要因カバレッジで十分（約70-80%の要因効果を検出）
- 製造プロセス最適化・業務システム: 3要因カバレッジを推奨（約90-95%の要因効果を検出）
- 安全性が最重要（医療、航空、原子力）: 4要因カバレッジまたはより厳密な手法を検討
- 科学研究・学術論文: 研究目的に応じて2-3要因を選択（査読でも正当化可能）
5. 応用例
製造業での品質管理
射出成形の条件最適化（温度、圧力、速度、保持時間）や、化学プロセスの収率向上実験（触媒、温度、pH、反応時間）などで、直交表や組合せ設計法が活用されています。
農業・バイオ分野
作物の収量実験（品種、肥料、灌漑、植付密度）、細胞培養条件の最適化（培地組成、温度、pH、CO₂濃度）などに応用されています。
Webサービス・マーケティング
A/Bテストの多変量版として、LP（ランディングページ）の最適化（画像、コピー、CTA、配色）や、レコメンドアルゴリズムの評価などに使用されます。
6. 直交表と組合せ設計法の違い
直交表（Orthogonal Arrays）
田口玄一により体系化された実験計画法の古典的手法です。L9(3⁴)、L16(2¹⁵)などの標準的な表が事前に用意されており、因子数と水準数が表の仕様に合致する場合に非常に効率的です。製造業の品質管理で広く使われています。
組合せ設計法（Combinatorial Design / Pairwise法）
1990年代以降にソフトウェアテストおよび実験計画の分野で発展した手法です。任意の因子数・水準数に柔軟に対応でき、現代の多様な実験・テスト設計で広く使用されています。AETG、IPO、JENNYなど複数のアルゴリズムがあります。
7. まとめ
実験計画法、品質工学、組合せテスト理論の複数の実証研究により、結果に影響を与える要因の90-95%以上は3要因以下の相互作用で検出可能であることが科学的に証明されています。全組み合わせの実験・テストは理論的には完璧ですが、実用上は2-3要因の組み合わせ設計で十分な情報が得られます。これが、製造業からソフトウェア開発、科学研究まで幅広い分野で採用されているベストプラクティスです。
特に、時間・コスト・リソースの制約がある実務環境では、2要因カバレッジで約70-80%、3要因カバレッジで90-95%の効果を検出できるこの手法は、費用対効果の観点から最も合理的な選択となります。
