13.5 近似 F 检验
在含随机模型或混合模型的三个及以上因子的析因试验,以及某些更复杂的设计中,模型中的一些效应常没有精确检验统计量。一种可能的解决办法是假定某些交互作用可以忽略。例如,若有充分理由认为例 13.4 中所有两因子交互作用均可忽略,则可令 στβ2=στγ2=σβγ2=0,从而检验各主效应。
这一办法看似很有吸引力,但必须有过程本身的依据或充分的先验知识,才能假定一个或多个交互作用可忽略。一般而言,这不是一个可以轻率作出的假定。没有充分证据时,不应从模型中删除交互作用。一些试验者主张先检验交互作用,将不显著的交互作用置为零,再在检验同一试验的其他效应时把这些交互作用视为零。这种做法在实践中虽有人使用,却有风险,因为有关交互作用的判断同样可能犯第一类或第二类错误。
这一思路的另一种形式是合并方差分析中的某些均方,以获得自由度更多的误差估计。例如,假定例 13.4 中统计量 F0=MSABC/MSE 不显著,则不能拒绝 H0:στβγ2=0,此时可把 MSABC 和 MSE 都视为 σ2 的估计。
试验者可能考虑按下式合并 MSABC 与 MSE:
MSE′=abc(n−1)+(a−1)(b−1)(c−1)abc(n−1)MSE+(a−1)(b−1)(c−1)MSABC 若被合并的效应确实为零,则 E(MSE′)=σ2。新均方 MSE′ 的自由度为 abc(n−1)+(a−1)(b−1)(c−1),而原误差均方 MSE 的自由度为 abc(n−1)。
合并的风险在于:若犯了第二类错误,将实际显著因子的均方并入误差,就会使新的残差均方 MSE′ 偏大,从而更难发现其他显著效应。另一方面,若原误差均方的自由度很少,例如少于 6,合并可能大幅提高后续检验的精度。一个较实用的原则是:原误差自由度至少为 6 时,不合并;少于 6 时,只有待合并均方的 F 检验在较大的显著性水平(如 α=0.25)下仍不显著,才考虑合并。
若不能假定某些交互作用可忽略,又需要对没有精确检验的效应作推断,可采用 Satterthwaite(1946)的方法。该方法使用均方的线性组合,例如
MS′=MSr+⋯+MSs(13.14) 以及
MS′′=MSu+⋯+MSv(13.15) 选择式(13.14)和式(13.15)中的均方,使 E(MS′)−E(MS′′) 等于原假设所涉及效应(模型参数或方差分量)的某个倍数。然后使用检验统计量
F=MS′′MS′(13.16) 它近似服从 Fp,q 分布,其中
p=MSr2/fr+⋅⋅⋅+MSs2/fs(MSr+⋅⋅⋅+MSs)2(13.17) 以及
q=MSu2/fu+⋯+MSv2/fv(MSu+⋯+MSv)2(13.18) 其中,fi 是均方 MSi 的自由度。p,q 不一定是整数,因此查 F 分布表时可能需要插值。例如,对于三因子随机效应模型(表 13.8),不难看出,检验 H0:στ2=0 的适当统计量为 F=MS′/MS′′,其中
MS′=MSA+MSABC 以及
MS′′=MSAB+MSAC F 统计量的自由度由式(13.17)和式(13.18)计算。
这一检验的理论依据是:式(13.16)的分子和分母均近似服从某个倍数的卡方分布,而且没有均方同时出现在分子和分母中,所以二者相互独立。因此,F 近似服从 Fp,q 分布。Satterthwaite 提醒,当 MS′ 或 MS′′ 的组合中某些均方带负系数时,应谨慎使用。Gaylor 和 Hopper(1969)指出,当 MS′=MS1−MS2 时,如果
MS2MS1>F0.025,f2,f1×F0.50,f2,f2 且 f1≤100、f2≥f1/2,则 Satterthwaite 近似的效果较好。
例 13.5¶
现研究涡轮膨胀阀两端测得的压降。设计工程师认为影响压降读数的重要变量是入口侧气体温度(A)、操作员(B),以及操作员使用的压力表(C)。将三个因子安排成析因设计,其中气体温度固定,操作员和压力表随机。两次重复的编码数据列于表 13.9。该设计的线性模型为
yijkl=μ+τi+βj+γk+(τβ)ij+(τγ)ik+(βγ)jk+(τβγ)ijk+ϵijkl 其中,τi 为气体温度 A 的效应,βj 为操作员 B 的效应,γk 为压力表 C 的效应。
表 13.10 给出了方差分析,并增加了“期望均方”一列,其各项按第 13.4 节的规则推导。由这一列可知,除 A 主效应外,其他效应都有精确检验,结果也列于表中。检验气体温度效应,即
H0:τi=0,可采用统计量
F=MS′′MS′ 其中
MS′=MSA+MSABC 以及
MS′′=MSAB+MSAC 因为
E(MS′)−E(MS′′)=a−1bcnΣτi2 为得到检验 H0:τi=0 的统计量,计算
MS′MS′′=MSA+MSABC=511.68+13.84=525.52=MSAB+MSAC=202.00+34.47=236.47 以及
F=MS′′MS′=236.47525.52=2.22 表 13.9¶
涡轮试验的编码压降数据
| 压力表 (C) | 气体温度 (A) |
| 60°F | 75°F | 90°F |
| 操作员 (B) | 操作员 (B) | 操作员 (B) |
| 1 | 2 | 3 | 4 | 1 | 2 | 3 | 4 | 1 | 2 | 3 | 4 |
| 1 | -2 | 0 | -1 | 4 | 14 | 6 | 1 | -7 | -8 | -2 | -1 | -2 |
| -3 | -9 | -8 | 4 | 14 | 0 | 2 | 6 | -8 | 20 | -2 | 1 |
| 2 | -6 | -5 | -8 | -3 | 22 | 8 | 6 | -5 | -8 | 1 | -9 | -8 |
| 4 | -1 | -2 | -7 | 24 | 6 | 2 | 2 | 3 | -7 | -8 | 3 |
| 3 | -1 | -4 | 0 | -2 | 20 | 2 | 3 | -5 | -2 | -1 | -4 | 1 |
| -2 | -8 | -7 | 4 | 16 | 0 | 0 | -1 | -1 | -2 | -7 | 3 |
表 13.10
压降数据的方差分析
| 变异来源 | 平方和 | 自由度 | 期望均方 | 均方 | $F_0$ | P 值 |
| 温度, A | 1023.36 | 2 | $\sigma^2 + bn\sigma_{\tau \gamma}^2 + cn\sigma_{\tau \beta}^2 + n\sigma_{\tau \beta \gamma}^2 + \frac{bcn\σ\tau_i^2}{a-1}$ | 511.68 | 2.22 | 0.17 |
| 操作员, B | 423.82 | 3 | $\sigma^2 + an\sigma_{\beta \gamma}^2 + acn\sigma_\beta^2$ | 141.27 | 4.05 | 0.07 |
| 压力计,C | 7.19 | 2 | $\sigma^2 + an\sigma_{\beta \gamma}^2 + abn\sigma_\gamma^2$ | 3.60 | 0.10 | 0.90 |
| AB | 1211.97 | 6 | $\sigma^2 + n\sigma_{\tau \beta \gamma}^2 + cn\sigma_{\tau \beta}^2$ | 202.00 | 14.59 | <0.01 |
| AC | 137.89 | 4 | $\sigma^2 + n\sigma_{\tau \beta \gamma}^2 + bn\sigma_{\tau \gamma}^2$ | 34.47 | 2.49 | 0.10 |
| BC | 209.47 | 6 | $\sigma^2 + an\sigma_{\beta \gamma}^2$ | 34.91 | 1.63 | 0.17 |
| ABC | 166.11 | 12 | $\sigma^2 + n\sigma_{\tau \beta \gamma}^2$ | 13.84 | 0.65 | 0.79 |
| 误差 | 770.50 | 36 | $\sigma^2$ | 21.40 | | |
| 总计 | 3950.32 | 71 | | | | |
按式(13.17)和式(13.18)求统计量的自由度:
p=(MSA2/2)+(MSABC2/12)(MSA+MSABC)2=[(511.68)2/2]+[(13.84)2/12](525.52)2=2.11≃2 以及
q=(MSAB2/6)+(MSAC2/4)(MSAB+MSAC)2=[(202.00)2/6]+[(34.47)2/4](236.47)2=7.88≃8 将 F=2.22 与 F0.05,2,8=4.46 比较,不能拒绝 H0。P 值约为 0.17。
AB,即温度与操作员的交互作用很大;AC,即温度与压力表的交互作用也有一定迹象。图 13.1 的 AB 和 AC 交互作用图表明,当使用操作员 1 和压力表 3 时,温度效应可能很大。因此,较大的 AB 交互作用可能掩盖了温度和操作员的主效应。


图 13.1 压降试验中的交互作用
表 13.11 给出了例 13.5 的 Minitab 平衡方差分析输出,这里指定采用受限模型。Q[1] 表示气体温度的固定效应。除气体温度(因子 A)的 F 检验外,输出中的方差分析与表 13.10 基本一致。Minitab 指出这一检验不是精确检验,这也可由期望均方看出。Minitab 构造的“合成检验”实际上采用了 Satterthwaite 方法,但所用统计量与我们不同。由输出可知,检验 A 的误差均方为
(4)+(5)−(7)=MSAB+MSAC−MSABC 其期望值为
E[(4)+(5)−(7)]=σ2+nστβγ2+cnστβ2+σ2+nστβγ2+bnστγ2−(σ2+nστβγ2)=σ2+nστβγ2+cnστβ2+bnστγ2 因而可以作为检验 A 主效应的误差均方。这说明,Satterthwaite 方法中的合成均方可以有多种构造方式。不过,我们通常更倾向于前面选用的线性组合,因为其中没有带负系数的均方。
表 13.12 给出了例 13.5 采用非受限模型时的分析。与受限模型的主要区别是,三个主效应现在都没有精确检验。在受限模型中,两个随机主效应可用其交互作用作检验;而在非受限模型中,B 的期望均方包含 στβγ2 和 στβ2,C 的期望均方包含 στβγ2 和 στγ2。Minitab 再次构造合成均方,使用 Satterthwaite 方法检验这些效应。除操作员方差分量的估计变化很大外,总体结论与受限模型相差不大。非受限模型给出了负的 σβ2 估计。由于两种分析中的压力表因子都不显著,可能适合进一步简化模型。