Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

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\sigma_{\tau\beta}^2=\sigma_{\tau\gamma}^2=\sigma_{\beta\gamma}^2=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/MSEF_0=MS_{ABC}/MS_E 不显著,则不能拒绝 H0:στβγ2=0H_0:\sigma_{\tau\beta\gamma}^2=0,此时可把 MSABCMS_{ABC} 和 MSEMS_E 都视为 σ2\sigma^2 的估计。

试验者可能考虑按下式合并 MSABCMS_{ABC} 与 MSEMS_E:

MSE′=abc(n−1)MSE+(a−1)(b−1)(c−1)MSABCabc(n−1)+(a−1)(b−1)(c−1)M S _ {E ^ {\prime}} = \frac {a b c (n - 1) M S _ {E} + (a - 1) (b - 1) (c - 1) M S _ {A B C}}{a b c (n - 1) + (a - 1) (b - 1) (c - 1)}

若被合并的效应确实为零,则 E(MSE′)=σ2E(MS_{E'})=\sigma^2。新均方 MSE′MS_{E'} 的自由度为 abc(n−1)+(a−1)(b−1)(c−1)abc(n-1)+(a-1)(b-1)(c-1),而原误差均方 MSEMS_E 的自由度为 abc(n−1)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′MS_{E'} 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\alpha=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)M S ^ {\prime} = M S _ {r} + \dots + M S _ {s}\tag{13.14}

以及

MS′′=MSu+⋯+MSv(13.15)M S ^ {\prime \prime} = M S _ {u} + \dots + M S _ {v}\tag{13.15}

选择式(13.14)和式(13.15)中的均方,使 E(MS′)−E(MS′′)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)F = \frac {M S ^ {\prime}}{M S ^ {\prime \prime}}\tag{13.16}

它近似服从 Fp,qF_{p,q} 分布,其中

p=(MSr+⋅⋅⋅+MSs)2MSr2/fr+⋅⋅⋅+MSs2/fs(13.17)p = \frac {(M S _ {r} + \cdot \cdot \cdot + M S _ {s}) ^ {2}}{M S _ {r} ^ {2} / f _ {r} + \cdot \cdot \cdot + M S _ {s} ^ {2} / f _ {s}}\tag{13.17}

以及

q=(MSu+⋯+MSv)2MSu2/fu+⋯+MSv2/fv(13.18)q = \frac {(M S _ {u} + \cdots + M S _ {v}) ^ {2}}{M S _ {u} ^ {2} / f _ {u} + \cdots + M S _ {v} ^ {2} / f _ {v}}\tag{13.18}

其中,fif_i 是均方 MSiMS_i 的自由度。p,qp,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=0H_0:\sigma_\tau^2=0 的适当统计量为 F=MS′/MS′′F=MS'/MS'',其中

MS′=MSA+MSABCM S ^ {\prime} = M S _ {A} + M S _ {A B C}

以及

MS′′=MSAB+MSACM S ^ {\prime \prime} = M S _ {A B} + M S _ {A C}

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,qF_{p,q} 分布。Satterthwaite 提醒,当 MS′MS' 或 MS′′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−MS2MS'=MS_1-MS_2 时,如果

MS1MS2>F0.025,f2,f1×F0.50,f2,f2\frac {M S _ {1}}{M S _ {2}} > F _ {0.025, f _ {2}, f _ {1}} \times F _ {0.50, f _ {2}, f _ {2}}

且 f1≤100f_1\le100、f2≥f1/2f_2\ge f_1/2,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\begin{array}{r} y _ {i j k l} = \mu + \tau_ {i} + \beta_ {j} + \gamma_ {k} + (\tau \beta) _ {i j} \\ + (\tau \gamma) _ {i k} + (\beta \gamma) _ {j k} + (\tau \beta \gamma) _ {i j k} + \epsilon_ {i j k l} \end{array}

其中,τi\tau_i 为气体温度 A 的效应,βj\beta_j 为操作员 B 的效应,γk\gamma_k 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=0H_0:\tau_i=0,可采用统计量

F=MS′MS′′F = \frac {M S ^ {\prime}}{M S ^ {\prime \prime}}

其中

MS′=MSA+MSABCM S ^ {\prime} = M S _ {A} + M S _ {A B C}

以及

MS′′=MSAB+MSACM S ^ {\prime \prime} = M S _ {A B} + M S _ {A C}

因为

E(MS′)−E(MS′′)=bcnΣτi2a−1E (M S ^ {\prime}) - E (M S ^ {\prime \prime}) = \frac {b c n \Sigma \tau_ {i} ^ {2}}{a - 1}

为得到检验 H0:τi=0H_0:\tau_i=0 的统计量,计算

MS′=MSA+MSABC=511.68+13.84=525.52MS′′=MSAB+MSAC=202.00+34.47=236.47\begin{array}{r l} M S ^ {\prime} & = M S _ {A} + M S _ {A B C} \\ & = 511.68 + 13.84 = 525.52 \\ M S ^ {\prime \prime} & = M S _ {A B} + M S _ {A C} \\ & = 202.00 + 34.47 = 236.47 \end{array}

以及

F=MS′MS′′=525.52236.47=2.22F = \frac {M S ^ {\prime}}{M S ^ {\prime \prime}} = \frac {525.52}{236.47} = 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°F75°F90°F
操作员 (B)操作员 (B)操作员 (B)
123412341234
1-20-141461-7-8-2-1-2
-3-9-8414026-820-21
2-6-5-8-32286-5-81-9-8
4-1-2-7246223-7-83
3-1-40-22023-5-2-1-41
-2-8-741600-1-1-2-73

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, A1023.362$\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}$511.682.220.17
操作员, B423.823$\sigma^2 + an\sigma_{\beta \gamma}^2 + acn\sigma_\beta^2$141.274.050.07
压力计,C7.192$\sigma^2 + an\sigma_{\beta \gamma}^2 + abn\sigma_\gamma^2$3.600.100.90
AB1211.976$\sigma^2 + n\sigma_{\tau \beta \gamma}^2 + cn\sigma_{\tau \beta}^2$202.0014.59<0.01
AC137.894$\sigma^2 + n\sigma_{\tau \beta \gamma}^2 + bn\sigma_{\tau \gamma}^2$34.472.490.10
BC209.476$\sigma^2 + an\sigma_{\beta \gamma}^2$34.911.630.17
ABC166.1112$\sigma^2 + n\sigma_{\tau \beta \gamma}^2$13.840.650.79
误差770.5036$\sigma^2$21.40
总计3950.3271

按式(13.17)和式(13.18)求统计量的自由度:

p=(MSA+MSABC)2(MSA2/2)+(MSABC2/12)=(525.52)2[(511.68)2/2]+[(13.84)2/12]=2.11≃2\begin{array}{r l} p & = \frac {(M S _ {A} + M S _ {A B C}) ^ {2}}{(M S _ {A} ^ {2} / 2) + (M S _ {A B C} ^ {2} / 12)} \\ & = \frac {(525.52) ^ {2}}{[ (511.68) ^ {2} / 2 ] + [ (13.84) ^ {2} / 12 ]} = 2.11 \simeq 2 \end{array}

以及

q=(MSAB+MSAC)2(MSAB2/6)+(MSAC2/4)=(236.47)2[(202.00)2/6]+[(34.47)2/4]=7.88≃8\begin{array}{r l} & {q = \frac {(M S _ {A B} + M S _ {A C}) ^ {2}}{(M S _ {A B} ^ {2} / 6) + (M S _ {A C} ^ {2} / 4)}} \\ & {\quad = \frac {(236.47) ^ {2}}{[ (202.00) ^ {2} / 6 ] + [ (34.47) ^ {2} / 4 ]} = 7.88 \simeq 8} \end{array}

将 F=2.22F=2.22 与 F0.05,2,8=4.46F_{0.05,2,8}=4.46 比较,不能拒绝 H0H_0。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。

教材原图

教材原图
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]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(4) + (5) - (7) = M S _ {A B} + M S _ {A C} - M S _ {A B C}

其期望值为

E[(4)+(5)−(7)]=σ2+nστβγ2+cnστβ2+σ2+nστβγ2+bnστγ2−(σ2+nστβγ2)=σ2+nστβγ2+cnστβ2+bnστγ2\begin{array}{r} E [ (4) + (5) - (7) ] = \sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2} + c n \sigma_ {\tau \beta} ^ {2} + \sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2} \\ + b n \sigma_ {\tau \gamma} ^ {2} - (\sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2}) \\ = \sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2} + c n \sigma_ {\tau \beta} ^ {2} + b n \sigma_ {\tau \gamma} ^ {2} \end{array}

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\sigma_{\tau\beta\gamma}^2 和 στβ2\sigma_{\tau\beta}^2,C 的期望均方包含 στβγ2\sigma_{\tau\beta\gamma}^2 和 στγ2\sigma_{\tau\gamma}^2。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\sigma_\beta^2 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。