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.

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
123123123
温度 (°F)
200303429283131313532
225354126323630374034
250373833404232413939
275364236414040404445

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

yijk=μ+τi+βj+(τβ)ij+γk+(τγ)ik+(βγ)jk+(τβγ)ijk+ϵijk{i=1,2,…,rj=1,2,…,ak=1,2,…,b(14.15)\begin{array}{l} y _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + (\tau \beta) _ {i j} + \gamma_ {k} + (\tau \gamma) _ {i k} \\ \qquad + (\beta \gamma) _ {j k} + (\tau \beta \gamma) _ {i j k} + \epsilon_ {i j k} \left\{ \begin{array}{l} i = 1, 2, \ldots , r \\ j = 1, 2, \ldots , a \\ k = 1, 2, \ldots , b \end{array} \right. \end{array}\tag{14.15}

其中,τi,βj,(τβ)ij\tau_i,\beta_j,(\tau\beta)_{ij} 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);γk,(τγ)ik,(βγ)jk,(τβγ)ijk\gamma_k,(\tau\gamma)_{ik},(\beta\gamma)_{jk},(\tau\beta\gamma)_{ijk} 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77.55238.78
制备方法(A)128.39264.207.080.05
整区误差(重复 × A)36.2849.07
温度 (B)434.083144.6941.94<0.01
重复 × B20.6763.45
AB75.17612.532.960.05
子区误差(重复 × AB)50.83124.24
总计822.9735

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:

yijk=μ+τi+βj+(τβ)ij+γk+(βγ)jk+ϵijk{i=1,2,…,rj=1,2,…,ak=1,2,…,b(14.16)y _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + (\tau \beta) _ {i j} + \gamma_ {k} + (\beta \gamma) _ {j k} + \epsilon_ {i j k} \quad \left\{ \begin{array}{l} i = 1, 2, \ldots , r \\ j = 1, 2, \ldots , a \\ k = 1, 2, \ldots , b \end{array} \right.\tag{14.16}

在该模型中,(τβ)ij(\tau\beta)_{ij} 仍是整区误差,但重复 × B 和重复 × AB 交互作用合并到 ϵijk\epsilon_{ijk} 中,形成子区误差。令 V(ϵijk)=σϵ2V(\epsilon_{ijk})=\sigma_\epsilon^2,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
R²0.903675
调整后的 R²0.859526
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0.62325172.47569443.2753747-3.944048.895428932.059
子区0.32080421.27430561.6370817-1.9343754.482985716.502
残差3.97222221.32407412.26794218.686940251.439
总计7.7222222100.000

−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-0.8568212.6800365-0.438293
残差-9.84e-14-0.4382931.7531722
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2247.07810.0485*
温度331836.4266<.0001*
温度 × 方法66183.15380.0271*

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
R²0.7748
调整后的 R²0.671583
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11637.6388957.96727.5065
误差24185.333337.7222
P 值
C. 总计35822.97222<.0001*
效应检验
来源参数数自由度平方和F 比值P 值
方法22128.388898.31290.0018*
温度33434.0833318.7374<.0001
温度 × 方法6675.166671.62230.1843

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 aa 个水平、B 有 bb 个水平,重复 nn 次的析因试验,要求全部 abnabn 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 nn 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

yijk=μ+τi+βj+(τβ)ij+ϕijk+θijk{i=1,2,…,aj=1,2,…,bk=1,2,…,n(14.17)y _ {i j k} = \mu + \tau_ {i} + \beta_ {j} + (\tau \beta) _ {i j} + \phi_ {i j k} + \theta_ {i j k} \quad \left\{ \begin{array}{l} i = 1, 2, \ldots , a \\ j = 1, 2, \ldots , b \\ k = 1, 2, \ldots , n \end{array} \right.\tag{14.17}

其中,ϕijk\phi_{ijk} 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;θijk\theta_{ijk} 表示受试者的“再现性误差”。通常将两者合并为 ϵijk=ϕijk+θijk\epsilon_{ijk}=\phi_{ijk}+\theta_{ijk},并假定 σ2=σϕ2+σθ2\sigma^2=\sigma_\phi^2+\sigma_\theta^2。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 ab(n−1)ab(n-1)。

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 σθ2\sigma_\theta^2,自由度仍为 ab(n−1)ab(n-1),却不能提供试验误差 σϕ2\sigma_\phi^2 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 abab 个整区、每个整区分成 nn 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

E(MSA)=σθ2+nσϕ2+bn∑τi2a−1E(MSB)=σθ2+nσϕ2+an∑βj2b−1E(MSAB)=σθ2+nσϕ2+n∑∑(τβ)ij2(a−1)(b−1)E(MSE)=σθ2(14.18)\begin{array}{r l} & E (M S _ {A}) = \sigma_ {\theta} ^ {2} + n \sigma_ {\phi} ^ {2} + \frac {b n \sum \tau_ {i} ^ {2}}{a - 1} \\ & E (M S _ {B}) = \sigma_ {\theta} ^ {2} + n \sigma_ {\phi} ^ {2} + \frac {a n \sum \beta_ {j} ^ {2}}{b - 1} \\ & E (M S _ {A B}) = \sigma_ {\theta} ^ {2} + n \sigma_ {\phi} ^ {2} + \frac {n \sum \sum (\tau \beta) _ {i j} ^ {2}}{(a - 1) (b - 1)} \\ & E (M S _ {E}) = \sigma_ {\theta} ^ {2} \end{array}\tag{14.18}

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。