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.

13.4 期望均方的规则

方差分析是试验设计问题的重要组成部分。它需要确定模型中各分量的平方和及相应自由度,然后求出期望均方,以构造适当的检验统计量。在复杂设计中,尤其是随机模型或混合模型中,使用一套明确的规则往往很有帮助。

下面给出一组规则,用于写出任何平衡析因试验、嵌套试验[1]或嵌套析因试验中各模型项的自由度和期望均方。(拉丁方和不完全区组设计等部分平衡安排不在此列。)其他规则可参见 Scheffé(1959)、Bennett 和 Franklin(1954)、Cornfield 和 Tukey(1956)以及 Searle(1971a,1971b)。考察期望均方,可构造检验任一模型参数的统计量。它是两个均方的比值,选取这两个均方时,应使其期望仅相差我们关注的方差分量或固定效应分量。

任何模型的期望均方都可像第 3 章那样直接应用期望算子求得。这种通常称为直接推导的方法可能非常繁琐。下面的规则无需直接推导便可得到期望均方,使用起来较简单。我们以重复 nn 次的两因子固定效应析因模型说明这些规则。

规则 1。 模型的误差项为 ϵij…m\epsilon_{ij\ldots m},其中 mm 是重复的下标。对于两因子模型,误差项为 ϵijk\epsilon_{ijk}。与误差项对应的方差分量是 σ2\sigma^2。

规则 2。 除总体均值 μ\mu 和误差项 ϵij…m\epsilon_{ij\ldots m} 外,模型包含全部主效应以及试验者认为存在的交互作用。若 kk 个因子的所有交互作用都存在,则有 (k2)\binom{k}{2} 个两因子交互作用、(k3)\binom{k}{3} 个三因子交互作用,依此类推,直至 1 个 kk 因子交互作用。若某模型项中一个因子的下标出现在圆括号内,则该项不表示它与其他因子的交互作用。

规则 3。 对除 μ\mu 和误差项以外的每个模型项,将下标分成三类:(a)活动下标,出现在该项中且不在圆括号内;(b)非活动下标,出现在该项中且位于圆括号内;(c)缺失下标,出现在模型中但不在该项中。两因子固定效应模型没有非活动下标,后面会遇到这类模型。例如,(τβ)ij(\tau\beta)_{ij} 中 i,ji,j 是活动下标,kk 是缺失下标。

规则 4:自由度。 任一效应的自由度,是每个非活动下标所对应的水平数与每个活动下标所对应的“水平数减一”的乘积。例如,(τβ)ij(\tau\beta)_{ij} 的自由度为 (a−1)(b−1)(a-1)(b-1)。误差自由度由 N−1N-1 减去所有其他项的自由度之和得到,其中 NN 为观测总数。

规则 5。 每个模型项都有相应的方差分量(随机效应)或固定效应分量。若交互作用至少含一个随机效应,则整个交互作用视为随机效应。方差分量以希腊字母下标标识相应随机效应。例如,A 固定、B 随机的两因子混合模型中,B 的方差分量为 σβ2\sigma_\beta^2,AB 的方差分量为 στβ2\sigma_{\tau\beta}^2。固定效应分量用该因子各模型分量的平方和除以相应自由度表示。在本例中,A 的固定效应分量为

∑i=1aτi2a−1\frac {\sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{a - 1}

规则 6:期望均方。 每个模型分量都有一个期望均方。误差的期望均方为 E(MSE)=σ2E(MS_E)=\sigma^2。对受限模型的其他各项,其期望均方包含 σ2\sigma^2、该项的方差分量或固定效应分量,以及所有包含该效应、且不涉及与其他固定效应交互作用的模型项的分量。每个方差分量或固定效应分量的系数,是该分量每个不同取值对应的观测数。

以两因子固定效应模型为例,考察交互作用的期望均方 E(MSAB)E(MS_{AB})。它只包含 AB 的固定效应分量(因为没有其他模型项包含 AB)和 σ2\sigma^2。每个交互作用分量取值对应 nn 个观测值,即每个单元中的 nn 个观测值,所以固定效应分量的系数为 nn。因此,

E(MSAB)=σ2+n∑i=1a∑j=1b(τβ)ij2(a−1)(b−1)E (M S _ {A B}) = \sigma^ {2} + \frac {n \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} (\tau \beta) _ {i j} ^ {2}}{(a - 1) (b - 1)}

再以两因子固定效应模型为例,A 主效应的期望均方为

E(MSA)=σ2+bn∑i=1aτi2(a−1)E (M S _ {A}) = \sigma^ {2} + \frac {b n \sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{(a - 1)}

分子中的系数为 bnbn,因为 A 的每个水平对应 bnbn 个观测值。AB 交互作用项不进入此期望均方,因为尽管 AB 包含所关注的效应 A,因子 B 却是固定效应。

为说明规则 6 如何应用于随机效应模型,考虑两因子随机模型。AB 交互作用的期望均方为

E(MSAB)=σ2+nστβ2E (M S _ {A B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2}

A 主效应的期望均方为

E(MSA)=σ2+nστβ2+bnστ2E (M S _ {A}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + b n \sigma_ {\tau} ^ {2}

AB 交互作用的方差分量被包含在内,因为 AB 包含 A,且 B 是随机效应。

现在考虑两因子混合模型的受限形式。AB 交互作用的期望均方仍为

E(MSAB)=σ2+nστβ2E (M S _ {A B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2}

固定因子 A 的主效应的期望均方为

E(MSA)=σ2+nστβ2+bn∑i=1aτi2a−1E (M S _ {A}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + \frac {b n \sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{a - 1}

这里包含交互作用方差分量,因为 AB 包含 A,且 B 为随机效应。B 主效应的期望均方为

E(MSB)=σ2+anσβ2E (M S _ {B}) = \sigma^ {2} + a n \sigma_ {\beta} ^ {2}

此处不包含交互作用方差分量,因为虽然 AB 包含 B,A 却是固定效应。这些期望均方与式(13.9)中两因子混合模型的结果一致。

对规则 6 作简单修改,就可以得到非受限混合模型的期望均方:包含所关注效应本身的项,再包含所有含该效应且至少有一个随机因子的项。例如,在两因子非受限混合模型中,两因子交互作用的期望均方为

E(MSAB)=σ2+nστβ2E (M S _ {A B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2}

(注意,受限和非受限模型的分量记号不同。)固定因子 A 的主效应的期望均方为

E(MSA)=σ2+nστβ2+bn∑i=1aτi2a−1E (M S _ {A}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + \frac {b n \sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{a - 1}

随机因子 B 的主效应的期望均方为

E(MSB)=σ2+nστβ2+anσβ2E (M S _ {B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + a n \sigma_ {\beta} ^ {2}

这些正是式(13.12)中非受限混合模型的期望均方。

例 13.4

考虑一个三因子析因试验,A 有 aa 个水平,B 有 bb 个水平,C 有 cc 个水平,重复 nn 次。第 5.4 节给出了各因子均为固定效应时的分析。现在假定所有因子均为随机因子,求其期望均方。适当的统计模型为

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}

按上述规则得到的期望均方列于表 13.8。

考察表 13.8 可知,当 A、B、C 均为随机因子时,各主效应没有可直接使用的精确 F 检验。例如,检验 στ2=0\sigma_\tau^2=0 时,无法找到两个均方,使分子的期望比分母仅多出 bcnστ2bcn\sigma_\tau^2 这一项。B 和 C 的主效应也存在同样问题。不过,两因子和三因子交互作用有适当的检验。主效应检验往往又是试验者最关心的内容,那么应如何进行?下一节讨论这个问题。

表 13.8

三因子随机效应模型的期望均方

模型项因子期望均方
$\tau_i$A,主效应$\sigma^2 + cn\sigma_{\tau\beta}^2 + bn\sigma_{\tau\gamma}^2 + n\sigma_{\tau\beta\gamma}^2 + bcn\sigma_{\tau}^2$
$\beta_j$B,主效应$\sigma^2 + cn\sigma_{\tau\beta}^2 + an\sigma_{\beta\gamma}^2 + n\sigma_{\tau\beta\gamma}^2 + acn\sigma_{\beta}^2$
$\gamma_k$C,主效应$\sigma^2 + bn\sigma_{\tau\gamma}^2 + an\sigma_{\beta\gamma}^2 + n\sigma_{\tau\beta\gamma}^2 + abn\sigma_{\gamma}^2$
$(\tau\beta)_{ij}$AB,两因子交互作用$\sigma^2 + n\sigma_{\tau\beta\gamma}^2 + cn\sigma_{\tau\beta}^2$
$(\tau\gamma)_{ik}$AC,两因子交互作用$\sigma^2 + n\sigma_{\tau\beta\gamma}^2 + bn\sigma_{\tau\gamma}^2$
$(\beta\gamma)_{jk}$BC,两因子交互作用$\sigma^2 + n\sigma_{\tau\beta\gamma}^2 + an\sigma_{\beta\gamma}^2$
$(\tau\beta\gamma)_{ijk}$ABC,三因子交互作用$\sigma^2 + n\sigma_{\tau\beta\gamma}^2$
$\epsilon_{ijkl}$误差$\sigma^2$
Footnotes
  1. 嵌套设计将在第 14 章讨论。