14.2 一般的 m 阶段嵌套设计
第 14.1 节的结果容易推广到 个完全嵌套因子的情形,称为 阶段嵌套设计。例如,某铸造厂希望研究两种金属合金配方的硬度。每种配方熔炼三炉,每炉随机选取两个铸锭进行试验,每个铸锭测量两次硬度,安排见图 14.5。
炉次嵌套在合金配方之下,铸锭嵌套在炉次之下,因此这是重复两次的三阶段嵌套设计。
一般三阶段嵌套设计的模型为
在本例中, 是第 种合金配方的效应, 是该配方内第 炉的效应, 是该配方第 炉中第 个铸锭的效应, 是通常的独立 误差项。推广到 个因子是直接的。
上例的硬度总变异来自合金配方、炉次、铸锭以及分析测量误差等层次。图 14.6 示意了这些变异来源。
这个例子说明,嵌套设计常用于分析过程并识别输出变异的主要来源。例如,若合金配方的方差分量较大,则只使用一种配方可能降低硬度总变异。
阶段嵌套设计的平方和计算与方差分析类似于第 14.1 节。例如,表 14.8 汇总了三阶段嵌套设计的方差分析,并列出平方和定义。这些公式是两阶段公式的简单推广,许多统计软件都能完成计算。
为确定适当的检验统计量,必须用第 13 章的方法求期望均方。例如,A、B 固定而 C 随机时,期望均方见表 14.9,据此可选择检验统计量。

图 14.5 三阶段嵌套设计

图 14.6 三阶段嵌套设计例子中的变异来源
表 14.8
三阶段嵌套设计的方差分析
| 变异来源 | 平方和 | 自由度 | 均方 |
| A | $bcn\sum_{i}(\overline{y}_{i...}-\overline{y}_{...})^{2}$ | a-1 | $MS_{A}$ |
| B(A 内) | $cn\sum_{i}\sum_{j}(\overline{y}_{ij..}-\overline{y}_{i...})^{2}$ | a(b-1) | $MS_{B(A)}$ |
| C(B 内) | $n\sum_{i}\sum_{j}\sum_{k}(\overline{y}_{ijk.}-\overline{y}_{ij..})^{2}$ | ab(c-1) | $MS_{C(B)}$ |
| 误差 | $\sum_{i}\sum_{j}\sum_{k}\sum_{l}(y_{ijkl}-\overline{y}_{ijk.})^{2}$ | abc(n-1) | $MS_{E}$ |
| 总计 | $\sum_{i}\sum_{j}\sum_{k}\sum_{l}(y_{ijkl}-\overline{y}_{....})^{2}$ | abcn-1 |
表 14.9
A、B 固定而 C 随机的三阶段嵌套设计的期望均方
| 模型项 | 期望均方 |
| $\tau_{i}$ | $\sigma^{2} + n\sigma_{\gamma}^{2} + \frac{bcn\σ\tau_{i}^{2}}{a-1}$ |
| $\beta_{j(i)}$ | $\sigma^{2} + n\sigma_{\gamma}^{2} + \frac{cn\σ\σ\beta_{j(i)}^{2}}{a(b-1)}$ |
| $\gamma_{k(ij)}$ | $\sigma^{2} + n\sigma_{\gamma}^{2}$ |
| $\epsilon_{l(ijk)}$ | $\sigma^{2}$ |