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.

13.6 方差分量估计的其他专题

如前所述,随机模型或混合模型中方差分量的估计往往是试验者十分关注的问题。本节介绍估计方差分量的其他结果和方法,重点讨论如何构造方差分量的置信区间。

13.6.1 方差分量的近似置信区间

第 3 章介绍单因子随机效应模型时,给出了简单设计中 σ2\sigma^2 以及其他方差分量函数的精确 100(1−α)%100(1-\alpha)\% 置信区间。只要某个方差分量函数是方差分析中某个均方的期望值,就可以求其精确置信区间。例如,误差均方满足 E(MSE)=σ2E(MS_E)=\sigma^2,且

fEMSE/σ2=fEσ^2/σ2f _ {E} M S _ {E} / \sigma^ {2} = f _ {E} \hat {\sigma} ^ {2} / \sigma^ {2}

服从自由度为 fEf_E 的卡方分布,所以 σ2\sigma^2 的精确 100(1−α)%100(1-\alpha)\% 置信区间为

fEMSEχα/2,fE2≤σ2≤fEMSEχ1−α/2,fE2(13.19)\frac{f_E MS_E}{\chi^2_{\alpha/2,f_E}}\leq\sigma^2\leq\frac{f_E MS_E}{\chi^2_{1-\alpha/2,f_E}}\tag{13.19}

表 13.11 例 13.5 的 Minitab 平衡方差分析:受限模型

方差分析 (Balanced Designs)

因子 类型 水平数 水平值
GasT 固定 3 60 75 90
Operator 随机 4 1 2 3 4
Gauge 随机 3 1 2 3

方差分析: Drop

来源 DF SS MS F P
GasT 2 1023.36 511.68 2.30 0.171 ×
Operator 3 423.82 141.27 4.05 0.069
Gauge 2 7.19 3.60 0.10 0.904
GasT*Operator 6 1211.97 202.00 14.59 0.000
GasT*Gauge 4 137.89 34.47 2.49 0.099
Operator*Gauge 6 209.47 34.91 1.63 0.167
GasT*Operator*Gauge 12 166.11 13.84 0.65 0.788
误差 36 770.50 21.40
总计 71 3950.32

× Not an exact F test

来源 方差 误差 各模型项的期望均方 分量 项 (受限模型)
1 Gas T * (8) + 2(7) + 8(5) + 6(4) + 24Q[1]
2 Operator 5.909 6 (8) + 6(6) + 18(2)
3 Gauge -1.305 6 (8) + 6(6) + 24(3)
4 GasT*Operator 31.359 7 (8) + 2(7) + 6(4)
5 GasT*Gauge 2.579 7 (8) + 2(7) + 8(5)
6 Operator*Gauge 2.252 8 (8) + 6(6)
7 GasT*Operator*Gauge -3.780 8 (8) + 2(7)
8 误差 21.403 (8)

* Synthesized Test

合成检验的误差项

来源 误差 DF 误差 MS Synthesis of 误差 MS
1 GasT 6.97 222.63 (4) + (5) - (7)

然而,在包含多个设计因子的复杂试验中,所关注的方差分量通常不是单个均方的期望值,因此一般不能求得其精确置信区间。REML 的优点是能够给出方差分量估计的标准误,因而便于构造近似置信区间。第 13.5 节 Satterthwaite 近似 F 检验的思想也可用于没有精确置信区间的方差分量;当无法使用 REML 时,它是一种替代方法。

回顾 Satterthwaite 方法,它使用两个均方的线性组合

MS′=MSr+⋯+MSsM S ^ {\prime} = M S _ {r} + \dots + M S _ {s}

以及

MS′′=MSu+⋯+MSvM S ^ {\prime \prime} = M S _ {u} + \dots + M S _ {v}

表 13.12

例 13.5 的 Minitab 平衡方差分析:非受限模型

Analysis of Variance (Balanced Designs)

Factor Type Levels Values
GasT fixed 3 60 75 90
Operator random 4 1 2 3 4
Gauge random 3 1 2 3

Analysis of Variance for Drop

Source DF SS MS F P
GasT 2 1023.36 511.68 2.30 0.171 ×
Operator 3 423.82 141.27 0.63 0.616 ×
Gauge 2 7.19 3.60 0.06 0.938 ×
GasT*Operator 6 1211.97 202.00 14.59 0.000
GasT*Gauge 4 137.89 34.47 2.49 0.099
Operator*Gauge 6 209.47 34.91 2.52 0.081
GasT*Operator*Gauge 12 166.11 13.84 0.65 0.788
Error 36 770.50 21.40
Total 71 3950.32

× Not an exact F test

Source Variance Error Expected Mean Square for Each Term component term (using unrestricted model)
1 Gas T * (8) + 2(7) + 8(5) + 6(4) + Q[1]
2 Operator -4.544 * (8) + 2(7) + 6(6) + 6(4) + 18(2)
3 Gauge -2.164 * (8) + 2(7) + 6(6) + 8(5) + 24(3)
4 GasT*Operator 31.359 7 (8) + 2(7) + 6(4)
5 GasT*Gauge 2.579 7 (8) + 2(7) + 8(5)
6 Operator*Gauge 3.512 7 (8) + 2(7) + 6(6)
7 GasT*Operator*Gauge -3.780 8 (8) + 2(7)
8 Error 21.403 (8)

* Synthesized Test

Error Terms for Synthesized Tests

Source Error DF Error MS Synthesis of Error MS
1 GasT 6.97 222.63 (4) + (5) - (7)
2 Operator 7.09 223.06 (4) + (6) - (7)
3 Gauge 5.98 55.54 (5) + (6) - (7)

检验统计量为

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

它近似服从 F 分布。采用式(13.17)和式(13.18)给出的 MS′MS' 与 MS′′MS'' 的自由度,就可以用该统计量近似检验所关注参数或方差分量的显著性。

检验某方差分量 σ02\sigma_0^2 时,应选取两个线性组合,使其期望值之差等于该分量的一个倍数,即

E(MS′)−E(MS′′)=kσ02E(MS^{\prime})-E(MS^{\prime\prime})=k\sigma_0^2

或

σ02=E(MS′)−E(MS′′)k(13.20)\sigma_ {0} ^ {2} = \frac {E (M S ^ {\prime}) - E (M S ^ {\prime \prime})}{k}\tag{13.20}

式(13.20)给出了 σ02\sigma_0^2 的点估计依据:

σ^02=MS′−MS′′k=1kMSr+⋯+1kMSs−1kMSu−⋯−1kMSv(13.21)\begin{array}{r l} \hat {\sigma} _ {0} ^ {2} & = \frac {M S ^ {\prime} - M S ^ {\prime \prime}}{k} \\ & = \frac {1}{k} M S _ {r} + \dots + \frac {1}{k} M S _ {s} - \frac {1}{k} M S _ {u} - \dots - \frac {1}{k} M S _ {v} \end{array}\tag{13.21}

式(13.21)中的均方 MSiMS_i 相互独立,且 fiMSi/σi2=SSi/σi2f_iMS_i/\sigma_i^2=SS_i/\sigma_i^2 服从自由度为 fif_i 的卡方分布,其中 σi2=E(MSi)\sigma_i^2=E(MS_i)。方差分量估计 σ^02\hat\sigma_0^2 是各均方倍数的线性组合;rσ^02/σ02r\hat\sigma_0^2/\sigma_0^2 近似服从自由度为 rr 的卡方分布,其中

r=(σ^02)2∑i=1m1k2MSi2fi=(MSr+⋯+MSs−MSu−⋯−MSv)2MSr2fr+⋯+MSs2fs+MSu2fu+⋯+MSv2fv(13.22)\begin{array}{l} r = \frac {(\hat {\sigma} _ {0} ^ {2}) ^ {2}}{\sum_ {i = 1} ^ {m} \frac {1}{k ^ {2}} \frac {M S _ {i} ^ {2}}{f _ {i}}} \\ = \frac {(M S _ {r} + \cdots + M S _ {s} - M S _ {u} - \cdots - M S _ {v}) ^ {2}}{\frac {M S _ {r} ^ {2}}{f _ {r}} + \cdots + \frac {M S _ {s} ^ {2}}{f _ {s}} + \frac {M S _ {u} ^ {2}}{f _ {u}} + \cdots + \frac {M S _ {v} ^ {2}}{f _ {v}}} \end{array}\tag{13.22}

这一结果只能在 σ^02>0\hat\sigma_0^2>0 时使用。由于 rr 通常不是整数,查卡方分布表时一般需要插值。Graybill(1961)推导了 rr 的一般结果。

由于 rσ^02/σ02r\hat\sigma_0^2/\sigma_0^2 近似服从自由度为 rr 的卡方分布,

P{χ1−α/2,r2≤rσ^02σ02≤χα/2,r2}=1−αP \left\{\chi_ {1 - \alpha / 2, r} ^ {2} \leq \frac {r \hat {\sigma} _ {0} ^ {2}}{\sigma_ {0} ^ {2}} \leq \chi_ {\alpha / 2, r} ^ {2} \right\} = 1 - \alpha

以及

$$

P \left{\frac {r \hat {\sigma} _ {0} ^ {2}}{\chi_ {\alpha / 2 , r} ^ {2}} \leq \sigma_0^2 \leq \frac {r \hat {\sigma} _ {0} ^ {2}}{\chi_ {1 - \alpha / 2 , r} ^ {2}} \right} = 1 - \alpha

$$

因此,σ02\sigma_0^2 的近似 100(1−α)%100(1-\alpha)\% 置信区间为

$$

\frac {r \hat {\sigma} _ {0} ^ {2}}{\chi_ {\alpha / 2 , r} ^ {2}} \leq \sigma_0^2 \leq \frac {r \hat {\sigma} _ {0} ^ {2}}{\chi_ {1 - \alpha / 2 , r} ^ {2}}\tag{13.23}

$$

例 13.6

为说明该方法,再考虑例 13.5 中用三因子混合模型研究涡轮膨胀阀压降的试验。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 为固定效应,其余均为随机效应。现在求 στβ2\sigma_{\tau\beta}^2 的近似置信区间。由表 13.10 的期望均方可知,两因子交互作用 AB 与三因子交互作用 ABC 的期望均方之差,是所关注方差分量的一个倍数:

E(MSAB)−E(MSABC)=σ2+nστβγ2+cnστβ2−(σ2+nστβγ2)=cnστβ2\begin{array}{r l} E (M S _ {A B}) - E (M S _ {A B C}) & = \sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2} + c n \sigma_ {\tau \beta} ^ {2} - (\sigma^ {2} + n \sigma_ {\tau \beta \gamma} ^ {2}) \\ & = c n \sigma_ {\tau \beta} ^ {2} \end{array}

因此,στβ2\sigma_{\tau\beta}^2 的点估计为

σ^τβ2=MSAB−MSABCcn=202.00−13.84(3)(2)=31.36\hat {\sigma} _ {\tau \beta} ^ {2} = \frac {M S _ {A B} - M S _ {A B C}}{c n} = \frac {202.00 - 13.84}{(3) (2)} = 31.36

以及

r=(MSAB−MSABC)2MSAB2(a−1)(b−1)+MSABC2(a−1)(b−1)(c−1)=(202.00−13.84)2(202.00)2(2)(3)+(13.84)2(2)(3)(2)=5.19\begin{array}{l} r = \frac {(M S _ {A B} - M S _ {A B C}) ^ {2}}{\frac {M S _ {A B} ^ {2}}{(a - 1) (b - 1)} + \frac {M S _ {A B C} ^ {2}}{(a - 1) (b - 1) (c - 1)}} \\ = \frac {(202.00 - 13.84) ^ {2}}{\frac {(202.00) ^ {2}}{(2) (3)} + \frac {(13.84) ^ {2}}{(2) (3) (2)}} = 5.19 \end{array}

利用式(13.23)得到近似 95% 置信区间:

rσ^τβ2χ0.025,r2≤στβ2≤rσ^τβ2χ0.975,r2(5.19)(31.36)13.14≤στβ2≤(5.19)(31.36)0.9012.39≤στβ2≤180.84\begin{array}{c} \frac {r \hat {\sigma} _ {\tau \beta} ^ {2}}{\chi_ {0.025 , r} ^ {2}} \leq \sigma_ {\tau \beta} ^ {2} \leq \frac {r \hat {\sigma} _ {\tau \beta} ^ {2}}{\chi_ {0.975 , r} ^ {2}} \\ \frac {(5.19) (31.36)}{13.14} \leq \sigma_ {\tau \beta} ^ {2} \leq \frac {(5.19) (31.36)}{0.90} \\ 12.39 \leq \sigma_ {\tau \beta} ^ {2} \leq 180.84 \end{array}

这一结果与 στβ2\sigma_{\tau\beta}^2 的精确 F 检验一致,有很强的证据表明该方差分量不为零。

13.6.2 修正的大样本方法

上一节的 Satterthwaite 方法可较简单地构造某个方差分量的近似置信区间,只要它能写成均方的线性组合,即

σ^02=∑i=1QciMSi(13.24)\hat {\sigma} _ {0} ^ {2} = \sum_ {i = 1} ^ {Q} c _ {i} M S _ {i}\tag{13.24}

当各均方 MSiMS_i 的自由度都较大,且式(13.24)中的常数 cic_i 均为正时,Satterthwaite 方法效果较好。但实际中一些 cic_i 常为负。Graybill 和 Wang(1980)提出了修正的大样本方法,可以作为有用的替代方案。若式(13.24)中的 cic_i 均为正,则 σ02\sigma_0^2 的近似 100(1−α)%100(1-\alpha)\% 修正大样本置信区间为

σ^02−∑i=1QGi2ci2MSi2≤σ02≤σ^02+∑i=1QHi2ci2MSi2(13.25)\hat {\sigma} _ {0} ^ {2} - \sqrt {\sum_ {i = 1} ^ {Q} G _ {i} ^ {2} c _ {i} ^ {2} M S _ {i} ^ {2}} \leq \sigma_ {0} ^ {2} \leq \hat {\sigma} _ {0} ^ {2} + \sqrt {\sum_ {i = 1} ^ {Q} H _ {i} ^ {2} c _ {i} ^ {2} M S _ {i} ^ {2}}\tag{13.25}

这里两端各使用 α/2\alpha/2 的尾概率。[1]

其中

Gi=1−1Fα/2,fi,∞,Hi=1F1−α/2,fi,∞−1.G_i=1-\frac1{F_{\alpha/2,f_i,\infty}},\qquad H_i=\frac1{F_{1-\alpha/2,f_i,\infty}}-1.

注意,分母自由度为无限的 F 随机变量,等价于卡方随机变量除以其自由度。

现在考虑式(13.24)中 cic_i 的符号不受限制的一般情形,可将其写为

σ^02=∑i=1PciMSi−∑j=P+1QcjMSjci,cj≥0(13.26)\hat {\sigma} _ {0} ^ {2} = \sum_ {i = 1} ^ {P} c _ {i} M S _ {i} - \sum_ {j = P + 1} ^ {Q} c _ {j} M S _ {j} \quad c _ {i,} c _ {j} \geq 0\tag{13.26}

Ting 等(1990)给出的 σ02\sigma_0^2 的近似 100(1−α)%100(1-\alpha)\% 单侧置信下限为

L=σ^02−VL(13.27)L = \hat {\sigma} _ {0} ^ {2} - \sqrt {V _ {L}}\tag{13.27}

其中

$$

\begin{array}{l} V _ {L} = \sum_ {i = 1} ^ {P} G _ {i} ^ {2} c _ {i} ^ {2} M S _ {i} ^ {2} + \sum_ {j = P + 1} ^ {Q} H _ {j} ^ {2} c _ {j} ^ {2} M S _ {j} ^ {2} + \sum_ {i = 1} ^ {P} \sum_ {j = P + 1} ^ {Q} G _ {i j} c _ {i} c _ {j} M S _ {i} M S _ {j} \ \qquad + \sum_ {i = 1} ^ {P - 1} \sum_ {t > i} ^ {P} G _ {i t} ^ {} c _ {i} c _ {t} M S _ {i} M S _ {t} \ G _ {i} = 1 - \frac {1}{F _ {\alpha , f _ {i} , \infty}} \ H _ {j} = \frac {1}{F _ {1 - \alpha , f _ {j} , \infty}} - 1 \ G _ {i j} = \frac {(F _ {\alpha , f _ {i} , f _ {j}} - 1) ^ {2} - G _ {i} ^ {2} F _ {\alpha , f _ {i} , f _ {j}} ^ {2} - H _ {j} ^ {2}}{F _ {\alpha , f _ {i} , f _ {j}}} \ G _ {i t} ^ {} = \left[ \left(\frac {1}{F _ {\alpha , f _ {i} + f _ {t} , \infty}}\right) ^ {2} \frac {(f _ {i} + f _ {i}) ^ {2}}{f _ {i} f _ {t}} - \frac {G _ {i} ^ {2} f _ {i}}{f _ {t}} - \frac {G _ {i} ^ {2} f _ {i}}{f _ {t}} \right] (P - 1), \ \text {当 P > 1;当 P = 1 时,G_{it}^{*}=0} \end{array}

$$

一般公式中的 Git∗G_{it}^{*} 按原书列出,尚有印刷疑点。[2]

这些结果还可推广到方差分量比值的近似置信区间。完整讨论可参见 Burdick 和 Graybill(1992)的专著,以及本章补充材料。

例 13.7

为说明修正大样本方法,再考虑例 13.5 的三因子混合模型,求 στβ2\sigma_{\tau\beta}^2 的近似 95% 单侧置信下限。其点估计为

σ^τβ2=MSAB−MSABCcn=202.00−13.84(3)(2)=31.36\hat {\sigma} _ {\tau \beta} ^ {2} = \frac {M S _ {A B} - M S _ {A B C}}{c n} = \frac {202.00 - 13.84}{(3) (2)} = 31.36

因此,在式(13.26)的记号下,c1=c2=1/6c_1=c_2=1/6,并且

G1=1−1F0.05,6,∞=1−12.1=0.524H2=1F0.95,12,∞−1=10.435−1=1.30G12=(F0.05,6,12−1)2−(G1)2F0.05,6.122−(H2)2F0.05,6,12=(3.00−1)2−(0.524)2(3.00)2−(1.3)23.00=−0.054G1t∗=0\begin{array}{l} G _ {1} = 1 - \frac {1}{F _ {0.05 , 6 , \infty}} = 1 - \frac {1}{2.1} = 0.524 \\ H _ {2} = \frac {1}{F _ {0.95 , 12 , \infty}} - 1 = \frac {1}{0.435} - 1 = 1.30 \\ G _ {12} = \frac {(F _ {0.05 , 6 , 12} - 1) ^ {2} - (G _ {1}) ^ {2} F _ {0.05 , 6.12} ^ {2} - (H _ {2}) ^ {2}}{F _ {0.05 , 6 , 12}} \\ = \frac {(3.00 - 1) ^ {2} - (0.524) ^ {2} (3.00) ^ {2} - (1.3) ^ {2}}{3.00} = - 0.054 \\ G _ {1 t} ^ {*} = 0 \end{array}

由式(13.27),

VL=G12c12MSAB2+H22c22MSABC2+G12c1c2MSABMSABC=(0.524)2(1/6)2(202.00)2+(1.3)2(1/6)2(13.84)2+(−0.054)(1/6)(1/6)(202.00)(13.84)=316.02\begin{array}{r l} & V _ {L} = G _ {1} ^ {2} c _ {1} ^ {2} M S _ {A B} ^ {2} + H _ {2} ^ {2} c _ {2} ^ {2} M S _ {A B C} ^ {2} + G _ {12} c _ {1} c _ {2} M S _ {A B} M S _ {A B C} \\ & \quad = (0.524) ^ {2} (1 / 6) ^ {2} (202.00) ^ {2} + (1.3) ^ {2} (1 / 6) ^ {2} (13.84) ^ {2} \\ & \quad \quad + (- 0.054) (1 / 6) (1 / 6) (202.00) (13.84) \\ & \quad = 316.02 \end{array}

所以 στβ2\sigma_{\tau\beta}^2 的近似 95% 单侧置信下限为

L=σ^τβ2−VL=31.36−316.02=13.58L = \hat {\sigma} _ {\tau \beta} ^ {2} - \sqrt {V _ {L}} = 31.36 - \sqrt {316.02} = 13.58

这一结果与该效应的精确 F 检验一致。

Footnotes
  1. 译者注:式(13.25)为双侧 100(1−α)%100(1-\alpha)\% 区间,原文随后的 G、H 定义使用单侧尾概率 α\alpha,此处改为 α/2\alpha/2;式(13.27)为单侧下限,仍使用 α\alpha。

  2. 译者注:原书 VLV_L 中 GijG_{ij} 不应再平方,与随后计算例中的负交叉项一致;HjH_j 的自由度应为 fjf_j,末项双重求和应取 t>it>i。Git∗G_{it}^{*} 的印式在第 9 版对应位置同样存在重复下标等疑点,尚未可靠核定,故保留原式并提示;本节例题取 P=1,该项为零,不受影响。