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.

13.2 两因子均为随机因子的析因试验

设有两个因子 A 和 B,两者都有大量值得关注的水平(与第 3 章一样,假定水平数为无限)。从 A 中随机选取 aa 个水平,从 B 中随机选取 bb 个水平,将它们组成析因试验设计。若试验重复 nn 次,则可用下列线性模型表示观测值:

yijk=μ+τi+βj+(τβ)ij+ϵijk{i=1,2,…,aj=1,2,…,bk=1,2,…,n(13.1)y _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + (\tau \beta) _ {i j} + \epsilon_ {i j k} \left\{ \begin{array}{l} i = 1, 2, \ldots , a \\ j = 1, 2, \ldots , b \\ k = 1, 2, \ldots , n \end{array} \right.\tag{13.1}

其中,模型参数 τi,βj,(τβ)ij\tau_i,\beta_j,(\tau\beta)_{ij} 和 ϵijk\epsilon_{ijk} 都是相互独立的随机变量。进一步假定它们均服从均值为零的正态分布,方差分别为 V(τi)=στ2V(\tau_i)=\sigma_\tau^2、V(βj)=σβ2V(\beta_j)=\sigma_\beta^2、V[(τβ)ij]=στβ2V[(\tau\beta)_{ij}]=\sigma_{\tau\beta}^2 和 V(ϵijk)=σ2V(\epsilon_{ijk})=\sigma^2。因此,任一观测值的方差为

V(yijk)=στ2+σβ2+στβ2+σ2(13.2)V (y _ {i j k}) = \sigma_ {\tau} ^ {2} + \sigma_ {\beta} ^ {2} + \sigma_ {\tau \beta} ^ {2} + \sigma^ {2}\tag{13.2}

其中,στ2,σβ2,στβ2\sigma_\tau^2,\sigma_\beta^2,\sigma_{\tau\beta}^2 和 σ2\sigma^2 是方差分量。我们关注的假设是 H0:στ2=0H_0:\sigma_\tau^2=0、H0:σβ2=0H_0:\sigma_\beta^2=0 和 H0:στβ2=0H_0:\sigma_{\tau\beta}^2=0。这与单因子随机效应模型的假设相似。

方差分析的数值计算不变,即 SSA,SSB,SSAB,SSTSS_A,SS_B,SS_{AB},SS_T 和 SSESS_E 仍按固定效应模型中的方法计算。但为构造检验统计量,必须考察期望均方。可以证明,

E(MSA)=σ2+nστβ2+bnστ2E(MSB)=σ2+nστβ2+anσβ2E(MSAB)=σ2+nστβ2(13.3)\begin{array}{r} E (M S _ {A}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + b n \sigma_ {\tau} ^ {2} \\ E (M S _ {B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} + a n \sigma_ {\beta} ^ {2} \\ E (M S _ {A B}) = \sigma^ {2} + n \sigma_ {\tau \beta} ^ {2} \end{array}\tag{13.3}

以及

E(MSE)=σ2E (M S _ {E}) = \sigma^ {2}

由期望均方可知,检验无交互作用假设 H0:στβ2=0H_0:\sigma_{\tau\beta}^2=0 的适当统计量为

F0=MSABMSE(13.4)F _ {0} = \frac {M S _ {A B}}{M S _ {E}}\tag{13.4}

因为在 H0H_0 成立时,F0F_0 的分子和分母的期望均为 σ2\sigma^2;只有在 H0H_0 不成立时,E(MSAB)E(MS_{AB}) 才大于 E(MSE)E(MS_E)。这个比值服从 F(a−1)(b−1),ab(n−1)F_{(a-1)(b-1),ab(n-1)} 分布。同样,检验 H0:στ2=0H_0:\sigma_\tau^2=0 应使用

F0=MSAMSAB(13.5)F _ {0} = \frac {M S _ {A}}{M S _ {A B}}\tag{13.5}

它服从 Fa−1,(a−1)(b−1)F_{a-1,(a-1)(b-1)} 分布;而检验 H0:σβ2=0H_0:\sigma_\beta^2=0 的统计量为

F0=MSBMSAB(13.6)F _ {0} = \frac {M S _ {B}}{M S _ {A B}}\tag{13.6}

它服从 Fb−1,(a−1)(b−1)F_{b-1,(a-1)(b-1)} 分布。这些都是上侧单尾检验。注意,这些检验统计量不同于 A、B 均为固定因子时的统计量。构造检验统计量时,应始终以期望均方为依据。

在许多含随机因子的试验中,对方差分量估计的关注至少与假设检验同等重要。回顾第 3 章,方差分量估计有两种方法。一种是方差分析法:令方差分析表中各行的观测均方等于其期望值,再解出方差分量,得到

σ^2=MSEσ^τβ2=MSAB−MSEnσ^β2=MSB−MSABanσ^τ2=MSA−MSABbn(13.7)\begin{array}{r l} & {\hat {\sigma} ^ {2} = M S _ {E}} \\ & {\hat {\sigma} _ {\tau \beta} ^ {2} = \frac {M S _ {A B} - M S _ {E}}{n}} \\ & {\hat {\sigma} _ {\beta} ^ {2} = \frac {M S _ {B} - M S _ {A B}}{a n}} \\ & {\hat {\sigma} _ {\tau} ^ {2} = \frac {M S _ {A} - M S _ {A B}}{b n}} \end{array}\tag{13.7}

这些是两因子随机效应模型中各方差分量的点估计,也是矩估计量。一些计算机程序使用这种方法,下面的例 13.1 将作说明。

例 13.1 测量系统能力研究

统计试验设计经常用于研究影响系统变异的各种来源。在工业中,一个常见应用是通过设计试验研究测量系统的变异分量。这类研究通常称为量具能力研究,或量具重复性与再现性(R&R)研究,因为重复性和再现性正是我们关注的变异分量(更多讨论见本章补充材料)。

表 13.1 给出了 Montgomery(2009)中的一个典型量具 R&R 试验。利用仪器或量具

表 13.1

例 13.1 的测量系统能力试验

零件编号操作员 1操作员 2操作员 3
1212020201921
2242324242324
3202119212022
4272728262728
5191819181821
6232124212322
7222122242220
8191718201918
9242325232424
10252326252425
11212020202120
12181917191819
13232525252525
14242423252425
15293030283130
16262625262527
17202019202020
18192119192123
19252625242525
20191918171917

测量零件的某个关键尺寸。从生产过程中选取 20 个零件,由随机选出的 3 名操作员分别用该量具对每个零件测量两次。测量顺序完全随机化,因此这是以零件和操作员为设计因子、重复两次的两因子析因试验。零件和操作员都是随机因子。式(13.2)的方差分量关系适用于这里,即

σy2=στ2+σβ2+στβ2+σ2\sigma_ {y} ^ {2} = \sigma_ {\tau} ^ {2} + \sigma_ {\beta} ^ {2} + \sigma_ {\tau \beta} ^ {2} + \sigma^ {2}

其中,σy2\sigma_y^2 是总变异(包括零件差异、操作员差异以及量具引起的变异),στ2\sigma_\tau^2 是零件的方差分量,σβ2\sigma_\beta^2 是操作员的方差分量,στβ2\sigma_{\tau\beta}^2 表示零件与操作员交互作用的方差分量,σ2\sigma^2 是随机试验误差。通常将 σ2\sigma^2 称为量具的重复性,因为它反映同一操作员测量同一零件时出现的变异;而

σβ2+στβ2\sigma_ {\beta} ^ {2} + \sigma_ {\tau \beta} ^ {2}

通常称为量具的再现性,因为它反映操作员使用仪器时给测量系统带来的额外变异。这类试验通常以估计方差分量为目的。

表 13.2 给出了该试验的方差分析,计算采用 Minitab 的平衡方差分析程序。根据 P 值,零件效应很大,操作员可能有较小的效应,而零件与操作员之间没有显著交互作用。利用式(13.7)可估计各方差分量如下:

σ^τ2=62.39−0.71(3)(2)=10.28σ^β2=1.31−0.71(20)(2)=0.015σ^τβ2=0.71−0.992=−0.14\begin{array}{r l} & {\hat {\sigma} _ {\tau} ^ {2} = \frac {62.39 - 0.71}{(3) (2)} = 10.28} \\ & {\hat {\sigma} _ {\beta} ^ {2} = \frac {1.31 - 0.71}{(20) (2)} = 0.015} \\ & {\hat {\sigma} _ {\tau \beta} ^ {2} = \frac {0.71 - 0.99}{2} = - 0.14} \end{array}

以及

σ^2=0.99\hat {\sigma} ^ {2} = 0.99

表 13.2 中 Minitab 输出的下部给出了随机模型的期望均方。圆括号中的数字代表方差分量[(4)代表 σ2\sigma^2,(3)代表 στβ2\sigma_{\tau\beta}^2,其余类推]。

表 13.2

例 13.1 的方差分析(Minitab 平衡方差分析)

方差分析 (Balanced Designs)

因子 类型 水平数 水平值
零件 随机 20 1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20
操作员 随机 3 1 2 3

方差分析: y

来源 DF SS MS F P
零件 19 1185.425 62.391 87.65 0.000
操作员 2 2.617 1.308 1.84 0.173
零件*操作员 38 27.050 0.712 0.72 0.861
误差 60 59.500 0.992
总计 119 1274.592

来源 方差 误差 各模型项的期望均方
分量 项 (非受限模型)
1 零件 10.2798 3 (4) + 2(3) + 6(1)
2 操作员 0.0149 3 (4) + 2(3) + 40(2)
3 零件*操作员 -0.1399 4 (4) + 2(3)
4 误差 0.9917 (4)

输出还给出了方差分量估计,以及方差分析中检验该分量所用的误差项。后面将讨论“非受限模型”这一术语;对随机模型而言,它不影响此处的分析。

注意,方差分量 στβ2\sigma_{\tau\beta}^2 的估计为负值。由于方差按定义不能为负,这一结果不合理。然而,使用方差分析法估计方差分量时,确实可能得到负估计值,这是该方法的缺点之一。对此有多种处理办法。一种做法是认为负估计意味着该方差分量实际上为零,将其置为零,其他非负估计保持不变。另一种做法是改用保证估计值非负的方法,例如施加非负约束的极大似然法。还可以注意到表 13.2 中交互作用项的 P 值很大,把它视为 στβ2\sigma_{\tau\beta}^2 实际为零、即不存在交互作用的证据,进而拟合不含交互作用项的简化模型:

yijk=μ+τi+βj+ϵijky _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + \epsilon_ {i j k}

例 13.1 简化模型的方差分析

表 13.3

这种处理相对简单,且常能取得与更复杂方法相近的效果。

表 13.3 给出了简化模型的方差分析。由于模型中没有交互作用项,两个主效应均用误差项作检验,方差分量估计为

σ^τ2=62.39−0.88(3)(2)=10.25σ^β2=1.31−0.88(20)(2)=0.0108σ^2=0.88\begin{array}{l} \hat {\sigma} _ {\tau} ^ {2} = \frac {62.39 - 0.88}{(3) (2)} = 10.25 \\ \hat {\sigma} _ {\beta} ^ {2} = \frac {1.31 - 0.88}{(20) (2)} = 0.0108 \\ \hat {\sigma} ^ {2} = 0.88 \end{array}

最后,将方差分量估计 σ^2\hat\sigma^2 与 σ^β2\hat\sigma_\beta^2 相加,便得到量具方差的估计:

σ^量具2=σ^2+σ^β2=0.88+0.0108=0.8908\begin{array}{r l} \hat {\sigma} _ {\text{量具}} ^ {2} & = \hat {\sigma} ^ {2} + \hat {\sigma} _ {\beta} ^ {2} \\ & = 0.88 + 0.0108 \\ & = 0.8908 \end{array}

相对于产品本身的变异,量具变异很小。这通常是理想的情况,意味着量具能够区分产品的不同等级。

方差分析 (Balanced Designs)

因子 类型 水平数 水平值
零件 随机 20 1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20
操作员 随机 3 1 2 3

方差分析: y

来源 DF SS MS F P
零件 19 1185.425 62.391 70.64 0.000
操作员 2 2.617 1.308 1.48 0.232
误差 98 86.550 0.883
总计 119 1274.592

来源 方差 误差 期望均方
分量 项 各模型项 (using
unrestricted model)
1 零件 10.2513 3 (3) + 6(1)
2 操作员 0.0106 3 (3) + 40(2)
3 error 0.8832 (3)

测量系统能力研究是试验设计的一种常见应用,几乎总涉及随机效应。有关测量系统试验的更多内容及参考文献,可参见 Burdick、Borror 和 Montgomery(2003)。

方差分量估计的另一种方法是第 3 章介绍的极大似然法。与矩估计法相比,它的一个优点是估计量在大样本下近似服从正态分布,并且容易求得标准误,因此便于构造方差分量的置信区间。

为说明这一方法如何应用于含随机效应的试验设计模型,考虑两个因子均为随机因子且 a=b=n=2a=b=n=2 的模型:

yijk=μ+τi+βj+(τβ)ij+ϵijky _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + (\tau \beta) _ {i j} + \epsilon_ {i j k}

其中 i=1,2i=1,2,j=1,2j=1,2,k=1,2k=1,2。任一观测值的方差为

V(yijk)=σy2=στ2+σβ2+στβ2+σ2V (y _ {i j k}) = \sigma_ {y} ^ {2} = \sigma_ {\tau} ^ {2} + \sigma_ {\beta} ^ {2} + \sigma_ {\tau \beta} ^ {2} + \sigma^ {2}

协方差为

Cov(yijk,yi′j′k′)=στ2+σβ2+στβ2i=i′,j=j′,k≠k′=στ2i=i′,j≠j′=σβ2i≠i′,j=j′=0i≠i′,j≠j′\begin{array}{r l r} \mathrm{Cov} (y _ {i j k}, y _ {i ^ {\prime} j ^ {\prime} k ^ {\prime}}) & = \sigma_ {\tau} ^ {2} + \sigma_ {\beta} ^ {2} + \sigma_ {\tau \beta} ^ {2} & i = i ^ {\prime}, j = j ^ {\prime}, k \neq k ^ {\prime} \\ & = \sigma_ {\tau} ^ {2} & i = i ^ {\prime}, j \neq j ^ {\prime} \\ & = \sigma_ {\beta} ^ {2} & i \neq i ^ {\prime}, j = j ^ {\prime} \\ & = 0 & i \neq i ^ {\prime}, j \neq j ^ {\prime} \end{array}

将观测值写成一个 8×18\times1 向量较为方便,即

y=(y111,y112,y121,y122,y211,y212,y221,y222)′\mathbf y=(y_{111},y_{112},y_{121},y_{122},y_{211},y_{212},y_{221},y_{222})^{\prime}

各方差与协方差可以表示为一个 8×88\times8 协方差矩阵:

Σ=[Σ11Σ12Σ21Σ22]\boldsymbol {\Sigma} = \left[ \begin{array}{c c} \boldsymbol {\Sigma} _ {11} & \boldsymbol {\Sigma} _ {12} \\ \boldsymbol {\Sigma} _ {21} & \boldsymbol {\Sigma} _ {22} \end{array} \right]

其中,Σ11,Σ22,Σ12\Sigma_{11},\Sigma_{22},\Sigma_{12} 和 Σ21=Σ12′\Sigma_{21}=\Sigma_{12}' 是如下定义的 4×44\times4 矩阵:

Σ11=Σ22=[σy2στ2+σβ2+στβ2στ2στ2στ2+σβ2+στβ2σy2στ2στ2στ2στ2σy2στ2+σβ2+στβ2στ2στ2στ2+σβ2+στβ2σy2],Σ12=Σ21′=[σβ2σβ200σβ2σβ20000σβ2σβ200σβ2σβ2].\begin{aligned} \Sigma_{11}=\Sigma_{22}&=\begin{bmatrix} \sigma_y^2&\sigma_\tau^2+\sigma_\beta^2+\sigma_{\tau\beta}^2&\sigma_\tau^2&\sigma_\tau^2\\ \sigma_\tau^2+\sigma_\beta^2+\sigma_{\tau\beta}^2&\sigma_y^2&\sigma_\tau^2&\sigma_\tau^2\\ \sigma_\tau^2&\sigma_\tau^2&\sigma_y^2&\sigma_\tau^2+\sigma_\beta^2+\sigma_{\tau\beta}^2\\ \sigma_\tau^2&\sigma_\tau^2&\sigma_\tau^2+\sigma_\beta^2+\sigma_{\tau\beta}^2&\sigma_y^2 \end{bmatrix},\\ \Sigma_{12}=\Sigma_{21}^{\prime}&=\begin{bmatrix} \sigma_\beta^2&\sigma_\beta^2&0&0\\\sigma_\beta^2&\sigma_\beta^2&0&0\\ 0&0&\sigma_\beta^2&\sigma_\beta^2\\0&0&\sigma_\beta^2&\sigma_\beta^2 \end{bmatrix}. \end{aligned}

Σ21\Sigma_{21} 就是 Σ12\Sigma_{12} 的转置。每个观测值服从方差为 σy2\sigma_y^2 的正态分布;若假定全部 N=abnN=abn 个观测值联合服从正态分布,则随机模型的似然函数为

L(μ,στ2,σβ2,στβ2,σ2)=exp⁡[−12(y−jNμ)′Σ−1(y−jNμ)](2π)N/2∣Σ∣1/2,N=abn.L(\mu,\sigma_\tau^2,\sigma_\beta^2,\sigma_{\tau\beta}^2,\sigma^2)=\frac{\exp[-\tfrac12(\mathbf y-\mathbf j_N\mu)^{\prime}\Sigma^{-1}(\mathbf y-\mathbf j_N\mu)]}{(2\pi)^{N/2}|\Sigma|^{1/2}},\qquad N=abn.

其中,jN\boldsymbol j_N 是元素全为 1 的 N×1N\times1 向量。使似然函数最大的参数值,就是 μ,στ2,σβ2,στβ2\mu,\sigma_\tau^2,\sigma_\beta^2,\sigma_{\tau\beta}^2 和 σ2\sigma^2 的极大似然估计。在某些情况下,还希望将方差分量估计限制为非负值。

利用极大似然法估计方差分量需要专门的软件。JMP 采用残差极大似然(REML)法计算随机模型或混合模型的方差分量估计。

表 13.4 给出了 JMP 对例 13.1 的两因子随机效应试验的输出。输出包含模型汇总统计量以及各方差分量的估计,它们与例 13.1 中方差分析法得到的结果一致(在此平衡设计中,未施加非负约束时,REML 与方差分析法给出的点估计一致)。输出还给出各方差分量与所估计的

表 13.4

例 13.1 两因子随机模型的 JMP REML 分析

响应 Y
整体模型
拟合汇总
R²0.910717
调整后的 R²0.910717
均方误差平方根0.995825
响应均值22.39167
观测数(或权重和)120
参数估计
模型项估计标准误分母自由度t 比值双侧 P 值
截距22.3916670.72449619.2830.91<.0001*
REML 方差分量估计
随机 效应方差比方差分量标准误95% 下限95% 上限占总方差百分比
零件10.3662110.2798253.37381733.667264216.89238592.225
操作员0.01503760.01491230.0329622-0.0496920.07951690.134
零件*操作员-0.141088-0.1399120.1219114-0.3788540.0990296-1.255
残差0.99166670.18105270.71430571.46979828.897
总计11.146491100.000
-2 对数似然 = 408.14904346
方差分量估计的协方差矩阵
随机 效应零件操作员零件*操作员残差
零件11.3826430.0001111-0.0022223.125e-14
操作员0.00011110.0010865-0.0003336.126e-17
零件*操作员-0.002222-0.0003330.0148624-0.01639
残差3.125e-146.126e-17-0.016390.0327801

残差方差之比、各方差分量的标准误、大样本 95% 置信区间的上下限、各分量占总变异的百分比,以及方差分量估计的协方差矩阵。该矩阵对角元素的平方根就是标准误。大样本置信区间的上下限由下式求得:

L=σ^i2−zα/2se⁡(σ^i2),U=σ^i2+zα/2se⁡(σ^i2).L=\hat\sigma_i^2-z_{\alpha/2}\operatorname{se}(\hat\sigma_i^2),\qquad U=\hat\sigma_i^2+z_{\alpha/2}\operatorname{se}(\hat\sigma_i^2).

交互作用方差分量的 95% 置信区间包含零,表明该分量很可能为零。此外,操作员方差分量的置信区间也包含零;虽然其点估计为正,将该分量视为零也有一定依据。