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 a 个水平,从 B 中随机选取 b 个水平,将它们组成析因试验设计。若试验重复 n 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) 其中,模型参数 τi,βj,(τβ)ij 和 ϵijk 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)=στ2、V(βj)=σβ2、V[(τβ)ij]=στβ2 和 V(ϵijk)=σ2。因此,任一观测值的方差为
V(yijk)=στ2+σβ2+στβ2+σ2(13.2) 其中,στ2,σβ2,στβ2 和 σ2 是方差分量。我们关注的假设是 H0:στ2=0、H0:σβ2=0 和 H0:στβ2=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,SST 和 SSE 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) 以及
E(MSE)=σ2 由期望均方可知,检验无交互作用假设 H0:στβ2=0 的适当统计量为
F0=MSEMSAB(13.4) 因为在 H0 成立时,F0 的分子和分母的期望均为 σ2;只有在 H0 不成立时,E(MSAB) 才大于 E(MSE)。这个比值服从 F(a−1)(b−1),ab(n−1) 分布。同样,检验 H0:στ2=0 应使用
F0=MSABMSA(13.5) 它服从 Fa−1,(a−1)(b−1) 分布;而检验 H0:σβ2=0 的统计量为
F0=MSABMSB(13.6) 它服从 Fb−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=nMSAB−MSEσ^β2=anMSB−MSABσ^τ2=bnMSA−MSAB(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 |
| 1 | 21 | 20 | 20 | 20 | 19 | 21 |
| 2 | 24 | 23 | 24 | 24 | 23 | 24 |
| 3 | 20 | 21 | 19 | 21 | 20 | 22 |
| 4 | 27 | 27 | 28 | 26 | 27 | 28 |
| 5 | 19 | 18 | 19 | 18 | 18 | 21 |
| 6 | 23 | 21 | 24 | 21 | 23 | 22 |
| 7 | 22 | 21 | 22 | 24 | 22 | 20 |
| 8 | 19 | 17 | 18 | 20 | 19 | 18 |
| 9 | 24 | 23 | 25 | 23 | 24 | 24 |
| 10 | 25 | 23 | 26 | 25 | 24 | 25 |
| 11 | 21 | 20 | 20 | 20 | 21 | 20 |
| 12 | 18 | 19 | 17 | 19 | 18 | 19 |
| 13 | 23 | 25 | 25 | 25 | 25 | 25 |
| 14 | 24 | 24 | 23 | 25 | 24 | 25 |
| 15 | 29 | 30 | 30 | 28 | 31 | 30 |
| 16 | 26 | 26 | 25 | 26 | 25 | 27 |
| 17 | 20 | 20 | 19 | 20 | 20 | 20 |
| 18 | 19 | 21 | 19 | 19 | 21 | 23 |
| 19 | 25 | 26 | 25 | 24 | 25 | 25 |
| 20 | 19 | 19 | 18 | 17 | 19 | 17 |
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 其中,σy2 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 是零件的方差分量,σβ2 是操作员的方差分量,στβ2 表示零件与操作员交互作用的方差分量,σ2 是随机试验误差。通常将 σ2 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 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=(3)(2)62.39−0.71=10.28σ^β2=(20)(2)1.31−0.71=0.015σ^τβ2=20.71−0.99=−0.14 以及
σ^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,(3)代表 στβ2,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 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 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+ϵijk 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=(3)(2)62.39−0.88=10.25σ^β2=(20)(2)1.31−0.88=0.0108σ^2=0.88 最后,将方差分量估计 σ^2 与 σ^β2 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 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=2 的模型:
yijk=μ+τi+βj+(τβ)ij+ϵijk 其中 i=1,2,j=1,2,k=1,2。任一观测值的方差为
V(yijk)=σy2=στ2+σβ2+στβ2+σ2 协方差为
Cov(yijk,yi′j′k′)=στ2+σβ2+στβ2=στ2=σβ2=0i=i′,j=j′,k=k′i=i′,j=j′i=i′,j=j′i=i′,j=j′ 将观测值写成一个 8×1 向量较为方便,即
y=(y111,y112,y121,y122,y211,y212,y221,y222)′ 各方差与协方差可以表示为一个 8×8 协方差矩阵:
Σ=[Σ11Σ21Σ12Σ22] 其中,Σ11,Σ22,Σ12 和 Σ21=Σ12′ 是如下定义的 4×4 矩阵:
Σ11=Σ22Σ12=Σ21′=⎣⎡σy2στ2+σβ2+στβ2στ2στ2στ2+σβ2+στβ2σy2στ2στ2στ2στ2σy2στ2+σβ2+στβ2στ2στ2στ2+σβ2+στβ2σy2⎦⎤,=⎣⎡σβ2σβ200σβ2σβ20000σβ2σβ200σβ2σβ2⎦⎤. Σ21 就是 Σ12 的转置。每个观测值服从方差为 σy2 的正态分布;若假定全部 N=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)=(2π)N/2∣Σ∣1/2exp[−21(y−jNμ)′Σ−1(y−jNμ)],N=abn. 其中,jN 是元素全为 1 的 N×1 向量。使似然函数最大的参数值,就是 μ,στ2,σβ2,στβ2 和 σ2 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 |
| R² | | 0.910717 | | | | | |
| 调整后的 R² | | 0.910717 | | | | | |
| 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 | 22.391667 | 0.724496 | 19.28 | 30.91 | <.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 | 10.36621 | 10.279825 | 3.3738173 | 3.6672642 | 16.892385 | 92.225 | |
| 操作员 | 0.0150376 | 0.0149123 | 0.0329622 | -0.049692 | 0.0795169 | 0.134 | |
| 零件*操作员 | -0.141088 | -0.139912 | 0.1219114 | -0.378854 | 0.0990296 | -1.255 | |
| 残差 | | 0.9916667 | 0.1810527 | 0.7143057 | 1.4697982 | 8.897 | |
| 总计 | | 11.146491 | | | | 100.000 | |
| -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 | 11.382643 | 0.0001111 | -0.002222 | 3.125e-14 | | | |
| 操作员 | 0.0001111 | 0.0010865 | -0.000333 | 6.126e-17 | | | |
| 零件*操作员 | -0.002222 | -0.000333 | 0.0148624 | -0.01639 | | | |
| 残差 | 3.125e-14 | 6.126e-17 | -0.01639 | 0.0327801 | | | |
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). 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。