14.4 裂区设计
在某些多因子析因试验中,无法将所有试验次序完全随机化。这常产生析因设计的一种推广形式,称为裂区设计。
例如,某造纸厂关注三种纸浆制备方法(区别在于混合物中硬木的含量)和四种蒸煮温度,希望研究这两个因子对纸张抗张强度的影响。析因试验的每次重复需要 12 个观测值,计划重复三次,共 36 次试验。试验按以下方式进行:先按某一种方法制备一批纸浆,再将该批分为四个样品,各在一个温度下蒸煮;然后按另一种方法制备第二批,同样分成四个样品,在四个温度下试验。依此进行,直到完成三次重复的 36 次试验。数据见表 14.16。
表 14.16 纸张抗张强度试验
| 纸浆制备方法 | 重复 1 | 重复 2 | 重复 3 | ||||||
| 1 | 2 | 3 | 1 | 2 | 3 | 1 | 2 | 3 | |
| 温度 (°F) | |||||||||
| 200 | 30 | 34 | 29 | 28 | 31 | 31 | 31 | 35 | 32 |
| 225 | 35 | 41 | 26 | 32 | 36 | 30 | 37 | 40 | 34 |
| 250 | 37 | 38 | 33 | 40 | 42 | 32 | 41 | 39 | 39 |
| 275 | 36 | 42 | 36 | 41 | 40 | 40 | 40 | 44 | 45 |
起初可能将其看作制备方法 A 有三个水平、温度 B 有四个水平的析因试验。若如此,各次重复内的试验次序应完全随机化:随机选取一个“制备方法与温度”组合取得观测值,再随机选取另一组合,直到取得全部 36 个观测值。但实际不是这样收集数据,而是每制备一批纸浆,便在该批上完成四个温度的观测。考虑制备成本与批量,这是唯一可行的方式。完全随机化析因试验需要 36 批纸浆,不现实;裂区设计只需 9 批,大幅提高了试验效率。
本例采用的是裂区设计,包含九个整区,制备方法称为整区处理或主处理。每个整区分成四个子区(或裂区),各分配一个温度;温度称为子区处理。若还有未控制或未纳入设计的因子,并且它们随制备方法的改变而变化,其效应便会与制备方法效应完全混杂。裂区设计中,整区处理在整区层施加,子区处理则在整区内部施加。因此,在条件允许时,最好将最关注的因子安排在子区。
这是裂区设计在工业中应用的典型例子。两个因子实际上在不同阶段施加,因此可将裂区设计看作两个试验的叠加:一个在较大的试验单位上施加整区因子,或处理难以改变水平的因子;另一个在较小单位上施加子区因子,或处理易于改变水平的因子。
裂区设计的线性模型为
其中, 对应整区层,分别表示重复、主处理(因子 A)和整区误差(重复 × A); 对应子区层,分别表示子区处理(因子 B)、重复 × B、AB 交互作用,以及子区误差
表 14.17¶
裂区设计的期望均方
| 模型项 | 期望均方 | |
| 整区 | $\tau_{i}$ | $\sigma^{2} + ab\sigma_{\tau}^{2}$ |
| $\beta_{j}$ | $\sigma^{2} + b\sigma_{\tau\beta}^{2} + \frac{rb\sum\beta_{j}^{2}}{a-1}$ | |
| $(\tau\beta)_{ij}$ | $\sigma^{2} + b\sigma_{\tau\beta}^{2}$ | |
| 子区 | $\gamma_{k}$ | $\sigma^{2} + a\sigma_{\tau\gamma}^{2} + \frac{ra\sum\gamma_{k}^{2}}{(b-1)}$ |
| $(\tau\gamma)_{ik}$ | $\sigma^{2} + a\sigma_{\tau\gamma}^{2}$ | |
| $(\beta\gamma)_{jk}$ | $\sigma^{2} + \sigma_{\tau\beta\gamma}^{2} + \frac{r\sum\sum(\beta\gamma)_{jk}^{2}}{(a-1)(b-1)}$ | |
| $(\tau\beta\gamma)_{ijk}$ | $\sigma^{2} + \sigma_{\tau\beta\gamma}^{2}$ | |
| $\epsilon_{(ijk)h}$ | $\sigma^{2}$ (not estimable) |
(重复 × AB)。整区误差是重复与 A 的交互作用,子区误差是重复与 AB 的三因子交互作用。各平方和按无重复的三因子方差分析计算。
重复随机、主处理与子区处理固定时,裂区设计的期望均方见表 14.17。整区中的主因子 A 用整区误差检验;子区处理 B 用重复 × B 交互作用检验;AB 交互作用用子区误差检验。重复效应及重复 × B 交互作用没有相应的检验。
表 14.18 汇总了表 14.16 抗张强度数据的方差分析。制备方法与温度固定,重复随机,所以适用表 14.17 的期望均方。制备方法均方与整区误差均方比较,
表 14.18¶
表 14.16 抗张强度数据的裂区设计方差分析
| 变异来源 | 平方和 | 自由度 | 均方 | $F_0$ | P 值 |
| 重复 | 77.55 | 2 | 38.78 | ||
| 制备方法(A) | 128.39 | 2 | 64.20 | 7.08 | 0.05 |
| 整区误差(重复 × A) | 36.28 | 4 | 9.07 | ||
| 温度 (B) | 434.08 | 3 | 144.69 | 41.94 | <0.01 |
| 重复 × B | 20.67 | 6 | 3.45 | ||
| AB | 75.17 | 6 | 12.53 | 2.96 | 0.05 |
| 子区误差(重复 × AB) | 50.83 | 12 | 4.24 | ||
| 总计 | 822.97 | 35 |
温度均方与重复 × 温度均方比较,最后以子区误差检验制备方法 × 温度均方。制备方法和温度对强度均有显著影响,二者交互作用也显著。
表 14.18 中子区误差均方为 4.24,小于整区误差均方 9.07。这是裂区设计中的常见情形,因为子区通常比整区更均匀。因此,试验存在两个不同的误差层。子区处理的比较精度较高,所以条件允许时,最好将最关注的处理安排在子区。
一些作者提出稍有不同的裂区统计模型:
在该模型中, 仍是整区误差,但重复 × B 和重复 × AB 交互作用合并到 中,形成子区误差。令 ,其余假定与式(14.15)相同,则期望均方为
| 因子 | $E(MS)$ |
| $\tau_i$ (重复) | $\sigma_\epsilon^2 + ab\sigma_\tau^2$ |
| $\beta_j(A)$ | $\sigma_\epsilon^2 + b\sigma_\tau^\beta^2 + \frac{rb\sum\beta_j^2}{a-1}$ |
| $(\tau\beta)_{ij}$ | $\sigma_\epsilon^2 + b\sigma_\tau^\beta^2$ (whole-plot error) |
| $\gamma_k(B)$ | $\sigma_\epsilon^2 + \frac{ra\sum\gamma_k^2}{ab-1}$ |
| $(\beta\gamma)_{jk}(AB)$ | $\sigma_\epsilon^2 + \frac{r\sum\sum(\beta\gamma)_{jk}^2}{(a-1)(b-1)}$ |
| $\epsilon_{ijk}$ | $\sigma_\epsilon^2$ (subplot error) |
现在子区处理 B 和 AB 交互作用均用子区误差均方检验。若有充分理由认为重复 × B 与重复 × AB 交互作用可忽略,则这一替代模型是合理的。
裂区设计有两个误差方差分量,可用 REML 估计。JMP 按式(14.16)的模型实现裂区设计的 REML 分析。表 14.19 是对表 14.16 设计的 JMP 输出。其优点是明确给出整区和子区方差分量估计、标准误及近似置信区间。
有时试验者没有认识到裂区设计的特殊结构。他们知道试验有一个或多个难以改变的因子,却仍构造标准析因设计,再重新排列试验次序,以尽量少改变这些因子。实际运行时便形成了“无意的”裂区试验,却把数据当作标准析因试验,即完全随机化设计(CRD)来分析。
假定表 14.16 的试验发生了这种情况:每次重复制备三批纸浆,再在每批内部随机化温度水平,实际形成裂区设计。表 14.20 给出了将其误作两因子完全随机化析因设计的分析。在正确裂区分析中,整区、子区因子及交互作用均显著;错误分析却未发现交互作用显著。
| 响应 强度 | |
| 拟合汇总 | |
| R² | 0.903675 |
| 调整后的 R² | 0.859526 |
| 均方误差平方根 | 1.993043 |
| 响应均值 | 36.02778 |
| 观测数(或权重和) | 36 |
表 14.19 表 14.16 裂区设计的 JMP 输出
| 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 |
| 整区 | 0.6232517 | 2.4756944 | 3.2753747 | -3.94404 | 8.8954289 | 32.059 |
| 子区 | 0.3208042 | 1.2743056 | 1.6370817 | -1.934375 | 4.4829857 | 16.502 |
| 残差 | 3.9722222 | 1.3240741 | 2.2679421 | 8.6869402 | 51.439 | |
| 总计 | 7.7222222 | 100.000 | ||||
−2 × 对数似然 = 139.36226272
| 方差分量估计的协方差矩阵 | |||
| 随机 效应 | 整区 | 子区 | 残差 |
| 整区 | 10.72808 | -0.856821 | -9.84e-14 |
| 子区 | -0.856821 | 2.6800365 | -0.438293 |
| 残差 | -9.84e-14 | -0.438293 | 1.7531722 |
| 固定效应检验 | |||||
| 来源 | 参数数 | 自由度 | 分母自由度 | F 比值 | P 值 |
| 方法 | 2 | 2 | 4 | 7.0781 | 0.0485* |
| 温度 | 3 | 3 | 18 | 36.4266 | <.0001* |
| 温度 × 方法 | 6 | 6 | 18 | 3.1538 | 0.0271* |
一般而言,对“无意的”裂区试验作错误分析,会对整区因子犯过多第一类错误(把不重要的因子判为重要),对子区因子犯过多第二类错误(未发现显著效应)。本例虽正确识别了纸浆制备方法的重要性,却没有发现属于子区层的显著交互作用。这强调了正确设计与分析裂区试验的重要性。
裂区设计起源于农业。整区通常是较大地块,子区是其内部的小地块。例如,在不同田块中分别种植不同作物品种,每块田种一种;再将各田块分成四个子区,各施用一种肥料。作物品种为主处理,肥料为子区处理。
表 14.20 将表 14.16 的裂区设计误作完全随机化设计的分析
| 拟合汇总 | |||||
| R² | 0.7748 | ||||
| 调整后的 R² | 0.671583 | ||||
| 均方误差平方根 | 2.778889 | ||||
| 响应均值 | 36.02778 | ||||
| 观测数(或权重和) | 36 | ||||
| 方差分析 | |||||
| 来源 | 自由度 | 平方和 | 均方 | F 比值 | |
| 模型 | 11 | 637.63889 | 57.9672 | 7.5065 | |
| 误差 | 24 | 185.33333 | 7.7222 | ||
| P 值 | |||||
| C. 总计 | 35 | 822.97222 | <.0001* | ||
| 效应检验 | |||||
| 来源 | 参数数 | 自由度 | 平方和 | F 比值 | P 值 |
| 方法 | 2 | 2 | 128.38889 | 8.3129 | 0.0018* |
| 温度 | 3 | 3 | 434.08333 | 18.7374 | <.0001 |
| 温度 × 方法 | 6 | 6 | 75.16667 | 1.6223 | 0.1843 |
裂区设计也广泛适用于科学与工业试验。在这些场景中,有些因子需要较大的试验单位,另一些需要较小的单位,如上述抗张强度问题。也可能因为一些因子水平比另一些更难改变,完全随机化不可行。难以改变的因子安排在整区,易于改变的因子安排在子区。Jones 和 Nachtsheim(2009)的综述提供了裂区设计的介绍及重要参考文献。
原则上,必须仔细考虑试验实际如何进行,并在分析中体现全部随机化限制。以第 6 章眼睛聚焦时间试验的一个变形说明:只考虑视觉清晰度 A 和照明水平 B。A 有 个水平、B 有 个水平,重复 次的析因试验,要求全部 个观测按随机次序取得。但装置中两因子的水平调节较困难,试验者决定每次将装置调到某一 A、B 组合,连续取得全部 次观测。在正确随机化的析因设计中,误差包含系统波动与受试者重复相同聚焦时间的能力。模型可写为
其中, 表示由“试验误差”引起的系统波动或噪声,如不同试验中未能完全重现清晰度和照明水平、环境条件变化等; 表示受试者的“再现性误差”。通常将两者合并为 ,并假定 。在完全随机化析因设计中,误差均方的期望为这一总方差,自由度为 。
若像上述第二种设计那样限制随机化,方差分析中的“误差”均方只能估计再现性误差 ,自由度仍为 ,却不能提供试验误差 的信息。因此,该误差均方偏小,会过于频繁地错误拒绝原假设。John(1971)指出,这类似于有 个整区、每个整区分成 个子区但没有子区处理的裂区设计,也类似于 Ostle(1963)讨论的子抽样。若 A、B 固定,期望均方为
因而,除非交互作用可忽略,否则主效应没有可用检验。这与每个单元只有一个观测值的两因素方差分析相同。若两因子均随机,可用 AB 交互作用检验主效应;若只有一个随机因子,则固定因子可用 AB 交互作用检验。
一般而言,若析因设计分析中所有主效应和交互作用都显著,应仔细检查试验实际如何进行。可能存在分析中未考虑的随机化限制,因此数据不应按普通析因试验处理。