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.

14.1 两阶段嵌套设计

在某些多因子试验中,一个因子(如 B)的水平在另一个因子(如 A)的不同水平下虽相似,却并不相同。这种安排称为嵌套设计或分层设计,即 B 的水平嵌套在 A 的水平之下。例如,某公司从三家供应商采购原材料,希望确定各供应商的原材料纯度是否相同。每家供应商有四批原材料,每批测定三次纯度,安排见图 14.1。

这是批次嵌套在供应商之下的两阶段嵌套设计。乍看之下,你可能会问:为何不是析因试验?若是析因试验,批次 1 始终应指同一批,批次 2 也始终应指同一批,依此类推。实际并非如此,各供应商的批次只属于该供应商。供应商 1 的批次 1 与其他供应商的批次 1 没有联系,其批次 2 也与其他供应商的批次 2 没有联系。为强调

教材原图

图 14.1 两阶段嵌套设计

教材原图
图 14.2 两阶段嵌套设计的另一种排列

各供应商的批次是不同批次这一事实,可以将供应商 1 的批次编号为 1、2、3、4,供应商 2 的编号为 5、6、7、8,供应商 3 的编号为 9、10、11、12,如图 14.2 所示。

有时不易判断某因子是析因安排中的交叉因子还是嵌套因子。若其水平可像图 14.2 那样任意重新编号而不改变设计,则它是嵌套因子。

14.1.1 统计分析

两阶段嵌套设计的线性统计模型为

yijk=μ+τi+βj(i)+ϵ(ij)k{i=1,2,…,aj=1,2,…,bk=1,2,…,n(14.1)y _ {i j k} = \mu + \tau_ {i} + \beta_ {j (i)} + \epsilon_ {(i j) k} \left\{ \begin{array}{l} i = 1, 2, \dots , a \\ j = 1, 2, \dots , b \\ k = 1, 2, \dots , n \end{array} \right.\tag{14.1}

即 A 有 aa 个水平,A 的每个水平之下嵌套 B 的 bb 个水平,每个组合重复 nn 次。下标 j(i)j(i) 表明 B 的第 jj 个水平嵌套在 A 的第 ii 个水平之下。将重复也看作嵌套在 A、B 水平组合之内较为方便,因此误差项使用下标 (ij)k(ij)k。由于 A 的各水平下都有相同数量的 B 水平,且重复数相同,这是平衡嵌套设计。B 的各水平并不与 A 的所有水平交叉,因而不能单独定义 A 与 B 的交互作用。

总校正平方和可写为

∑i=1a∑j=1b∑k=1n(yijk−y‾…)2=∑i=1a∑j=1b∑k=1n[(y‾i..−y‾…)+(y‾ij.−y‾i..)+(yijk−y‾ij.)]2(14.2)\sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} (y _ {i j k} - \overline {{y}} _ {\dots}) ^ {2} = \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} [ (\overline {{y}} _ {i..} - \overline {{y}} _ {\dots}) + (\overline {{y}} _ {i j.} - \overline {{y}} _ {i..}) + (y _ {i j k} - \overline {{y}} _ {i j.}) ] ^ {2}\tag{14.2}

展开式(14.2)的右端,得到

∑i=1a∑j=1b∑k=1n(yijk−y‾…)2=bn∑i=1a(y‾i..−y‾…)2+n∑i=1a∑j=1b(y‾ij.−y‾i..)2+∑i=1a∑j=1b∑k=1n(yijk−y‾ij.)2(14.3)\begin{array}{r} \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} (y _ {i j k} - \overline {{y}} _ {\dots}) ^ {2} = b n \sum_ {i = 1} ^ {a} (\overline {{y}} _ {i..} - \overline {{y}} _ {\dots}) ^ {2} + n \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} (\overline {{y}} _ {i j.} - \overline {{y}} _ {i..}) ^ {2} \\ + \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} (y _ {i j k} - \overline {{y}} _ {i j.}) ^ {2} \end{array}\tag{14.3}

因为三个交叉乘积项均为零。式(14.3)表明,总平方和可分解为 A 的平方和、A 各水平之下 B 的平方和,以及误差平方和。用符号表示为

SST=SSA+SSB(A)+SSE(14.4)S S _ {T} = S S _ {A} + S S _ {B (A)} + S S _ {E}\tag{14.4}

SSTSS_T 的自由度为 abn−1abn-1,SSASS_A 的自由度为 a−1a-1,SSB(A)SS_{B(A)} 的自由度为 a(b−1)a(b-1),误差自由度为 ab(n−1)ab(n-1),且 abn−1=(a−1)+a(b−1)+ab(n−1)abn-1=(a-1)+a(b-1)+ab(n-1)。若误差独立服从 N(0,σ2)N(0,\sigma^2),将式(14.4)右端各平方和除以相应自由度,便得到相互独立的均方;在相应原假设及同尺度条件下,适当均方的比值服从 F 分布。

检验 A 和 B 效应所用的统计量取决于它们是固定还是随机。若 A、B 固定,假定 ∑i=1aτi=0\sum_{i=1}^a\tau_i=0,且 ∑j=1bβj(i)=0 (i=1,2,…,a)\sum_{j=1}^b\beta_{j(i)}=0\ (i=1,2,\ldots,a),即 A 的处理效应之和为零,且 A 的每个水平内 B 的处理效应之和为零。若二者随机,则假定 τi\tau_i 独立服从 N(0,στ2)N(0,\sigma_\tau^2),βj(i)\beta_{j(i)} 独立服从 N(0,σβ2)N(0,\sigma_\beta^2)。A 固定、B 随机的混合模型也很常见。按第 13 章的规则即可求得期望均方,表 14.1 给出了这些情形的结果。

由表 14.1 可知,若 A、B 均固定,检验 H0:τi=0H_0:\tau_i=0 使用 MSA/MSEMS_A/MS_E,检验 H0:βj(i)=0H_0:\beta_{j(i)}=0 使用 MSB(A)/MSEMS_{B(A)}/MS_E。若 A 固定而 B 随机,前者使用 MSA/MSB(A)MS_A/MS_{B(A)},检验 H0:σβ2=0H_0:\sigma_\beta^2=0 使用 MSB(A)/MSEMS_{B(A)}/MS_E。若 A、B 均随机,检验 H0:στ2=0H_0:\sigma_\tau^2=0 使用 MSA/MSB(A)MS_A/MS_{B(A)},检验 H0:σβ2=0H_0:\sigma_\beta^2=0 使用 MSB(A)/MSEMS_{B(A)}/MS_E。表 14.2 汇总了这些检验。展开并化简式(14.3),可得平方和的计算公式:

SSA=1bn∑i=1ayi..2−y...2abn(14.5)S S _ {A} = \frac {1}{b n} \sum_ {i = 1} ^ {a} y _ {i..} ^ {2} - \frac {y _ {. . .} ^ {2}}{a b n}\tag{14.5}
SSB(A)=1n∑i=1a∑j=1byij.2−1bn∑i=1ayi..2(14.6)S S _ {B (A)} = \frac {1}{n} \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} y _ {i j.} ^ {2} - \frac {1}{b n} \sum_ {i = 1} ^ {a} y _ {i..} ^ {2}\tag{14.6}
SSE=∑i=1a∑j=1b∑k=1nyijk2−1n∑i=1a∑j=1byij.2(14.7)S S _ {E} = \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} y _ {i j k} ^ {2} - \frac {1}{n} \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} y _ {i j.} ^ {2}\tag{14.7}

表 14.1 两阶段嵌套设计的期望均方

E(MS)A 固定、B 固定A 固定、B 随机A 随机、B 随机
$E(MS_A)$$\sigma^2 + \frac{bn\σ\tau_i^2}{a-1}$$\sigma^2 + n\sigma_\beta^2 + \frac{bn\σ\tau_i^2}{a-1}$$\sigma^2 + n\sigma_\beta^2 + bn\sigma_\tau^2$
$E(MS_{B(A)})$$\sigma^2 + \frac{n\σ\σ\beta_{j(i)}^2}{a(b-1)}$$\sigma^2 + n\sigma_\beta^2$$\sigma^2 + n\sigma_\beta^2$
$E(MS_E)$$\sigma^2$$\sigma^2$$\sigma^2$

表 14.2 两阶段嵌套设计的方差分析表

变异来源平方和自由度均方
A$bn \sum (\overline{y}_{i..} - \overline{y}_{...})^{2}$a-1$MS_{A}$
B(A 内)$n \sum \sum (\overline{y}_{ij.} - \overline{y}_{i..})^{2}$a(b-1)$MS_{B(A)}$
误差$\sum \sum \sum (y_{ijk} - \overline{y}_{ij.})^{2}$ab(n-1)$MS_{E}$
总计$\sum \sum \sum (y_{ijk} - \overline{y}_{...})^{2}$abn-1
SST=∑i=1a∑j=1b∑k=1nyijk2−y…2abn(14.8)S S _ {T} = \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} y _ {i j k} ^ {2} - \frac {y _ {\dots} ^ {2}}{a b n}\tag{14.8}

式(14.6)中的 SSB(A)SS_{B(A)} 还可写为

SSB(A)=∑i=1a[1n∑j=1byij⋅2−yi⋅⋅2bn]S S _ {B (A)} = \sum_ {i = 1} ^ {a} \left[ \frac {1}{n} \sum_ {j = 1} ^ {b} y _ {i j \cdot} ^ {2} - \frac {y _ {i \cdot \cdot} ^ {2}}{b n} \right]

这说明,SSB(A)SS_{B(A)} 是先在 A 的每个水平内计算 B 各水平之间的平方和,再对 A 的全部水平求和。

例 14.1

某公司从三家供应商按批次采购原材料。原材料纯度变异很大,给成品制造带来困难。我们希望确定纯度变异是否来自供应商之间的差异。从每家供应商随机选取四批原材料,每批测定三次纯度。这是两阶段嵌套设计。表 14.3 给出了减去 93 后的编码数据。平方和计算如下:

SST=∑i=1a∑j=1b∑k=1nyijk2−y⋯2abn=153.00−(13)236=148.31SSA=1bn∑i=1ayi⋅⋅2−y⋅⋅2abn=1(4)(3)[(−5)2+(4)2+(14)2]−(13)236=15.06\begin{array}{r l} S S _ {T} & = \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} y _ {i j k} ^ {2} - \frac {y _ {\cdots} ^ {2}}{a b n} \\ & = 153.00 - \frac {(13) ^ {2}}{36} = 148.31 \\ S S _ {A} & = \frac {1}{b n} \sum_ {i = 1} ^ {a} y _ {i \cdot \cdot} ^ {2} - \frac {y _ {\cdot \cdot} ^ {2}}{a b n} \\ & = \frac {1}{(4) (3)} [ (- 5) ^ {2} + (4) ^ {2} + (14) ^ {2} ] - \frac {(13) ^ {2}}{36} = 15.06 \end{array}
SSB(A)=1n∑i=1a∑j=1byij⋅2−1bn∑i=1ayi⋅⋅2=13[(0)2+(−9)2+(−1)2+⋯+(2)2+(6)2]−19.75=69.92\begin{array}{r l} S S _ {B (A)} & = \frac {1}{n} \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} y _ {i j \cdot} ^ {2} - \frac {1}{b n} \sum_ {i = 1} ^ {a} y _ {i \cdot \cdot} ^ {2} \\ & = \frac {1}{3} [ (0) ^ {2} + (- 9) ^ {2} + (- 1) ^ {2} + \dots + (2) ^ {2} + (6) ^ {2} ] \\ & - 19.75 = 69.92 \end{array}

以及

SSE=∑i=1a∑j=1b∑k=1nyijk2−1n∑i=1a∑j=1byij.2=153.00−89.67=63.33\begin{array}{c} S S _ {E} = \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} \sum_ {k = 1} ^ {n} y _ {i j k} ^ {2} - \frac {1}{n} \sum_ {i = 1} ^ {a} \sum_ {j = 1} ^ {b} y _ {i j.} ^ {2} \\ = 153.00 - 89.67 = 63.33 \end{array}

方差分析汇总于表 14.4。供应商固定、批次随机,因此采用表 14.1 中间一列的期望均方;为方便起见,表 14.4 也列出了它们。由 P 值可知,供应商对纯度没有显著效应,但同一供应商不同原材料批次的纯度存在显著差异。

表 14.3 例 14.1 的编码纯度数据(编码:yijk=纯度−93y_{ijk}=\text{纯度}-93)

批次供应商 1供应商 2供应商 3
123412341234
1-2-2110-102-213
-1-304-240340-12
0-410-32-220221
批次合计$y_{ij}$0-9-15-46-356026
供应商合计$y_{i..}$-5414

表 14.4

例 14.1 数据的方差分析

变异来源平方和自由度均方期望均方$F_0$P 值
供应商15.0627.53$\sigma^2 + 3\sigma_\beta^2 + 6\σ\tau_i^2$0.970.42
批次(供应商内)69.9297.77$\sigma^2 + 3\sigma_\beta^2$2.940.02
误差63.33242.64$\sigma^2$
总计148.3135

该试验及其分析有重要的实际意义。试验者希望找出原材料纯度变异的来源。若变异来自供应商之间的差异,选择“最佳”供应商或许可以解决问题。然而,这里主要的变异来源是各供应商内部的批间纯度变异,所以这一办法并不适用。我们必须与供应商合作,降低其批间变异,可能需要改进供应商的生产过程或内部质量保证体系。

看看若误将此设计当作两因子析因试验分析,会发生什么。若认为批次与供应商交叉,可得到批次总和 2、−3、−2、16,每个“批次 × 供应商”单元有三次重复,于是可计算批次平方和与交互作用平方和。假定混合模型时,这一错误析因分析的完整方差分析见表 14.5。

表 14.5

将例 14.1 的两阶段嵌套设计误作析因设计的分析(供应商固定,批次随机)

变异来源平方和自由度均方$F_0$P 值
供应商 (S)15.0627.531.020.42
批次 (B)25.6438.553.240.04
S × B 交互作用44.2867.382.800.03
误差63.33242.64
总计148.3135

这一分析表明,批次有显著差异,批次与供应商之间还有显著交互作用。但这种交互作用很难作实际解释。例如,它是否意味着供应商效应随批次变化?而显著交互作用与不显著供应商效应同时出现,还可能使分析者误以为供应商其实有差异,只是效应被交互作用掩盖了。

计算机计算。 一些统计软件能够直接分析嵌套设计。表 14.6 给出了 Minitab 平衡方差分析程序的输出,采用受限模型。数值结果与表 14.4 的手算结果一致。输出下部还给出了期望均方。Q[1]Q[1] 是表示供应商固定效应的二次项,用本书记号表示为

Q[1]=∑i=1aτi2a−1Q [ 1 ] = \frac {\sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{a - 1}

因此,Minitab 中供应商期望均方的固定效应项为 12Q[1]=12∑i=13τi2/(3−1)=6∑i=13τi212Q[1]=12\sum_{i=1}^3\tau_i^2/(3-1)=6\sum_{i=1}^3\tau_i^2,与表 14.4 按规则得到的结果相同。

有时无法使用专门分析嵌套设计的软件。不过,比较表 14.4 与表 14.5 可以发现,

SSB+SSS×B=25.64+44.28=69.92≡SSB(S)S S _ {B} + S S _ {S \times B} = 25.64 + 44.28 = 69.92 \equiv S S _ {B (S)}

表 14.6

例 14.1 的 Minitab 输出(平衡方差分析)

方差分析(平衡设计)
因子类型水平数值
供应商固定3123
批次(供应商)随机41234
纯度的方差分析
来源自由度平方和均方FP 值
供应商215.0567.5280.970.416
批次(供应商)969.9177.7692.940.017
误差2463.3332.639
总计35148.306
来源方差分量误差项各模型项的期望均方(受限模型)
1 供应商2(3) + 3(2) + 12Q[1]
2 批次(供应商)1.7103(3) + 3(2)
3 误差2.639(3)

即供应商内部批次的平方和等于批次平方和与“批次 × 供应商”交互作用平方和之和。自由度也有类似关系:

df⁡B+df⁡S×B=3+6=9=df⁡B(S)\operatorname{df}_B+\operatorname{df}_{S\times B}=3+6=9=\operatorname{df}_{B(S)}

因此,可通过合并嵌套因子的“主效应”和它与上层因子的交互作用,用析因设计分析程序完成嵌套设计的分析。

14.1.2 诊断检查

诊断检查的主要工具是残差分析。两阶段嵌套设计的残差为

eijk=yijk−y^ijke _ {i j k} = y _ {i j k} - \hat {y} _ {i j k}

拟合值为

y^ijk=μ^+τ^i+β^j(i)\hat {y} _ {i j k} = \hat {\mu} + \hat {\tau} _ {i} + \hat {\beta} _ {j (i)}

若采用通常的参数约束 ∑iτ^i=0\sum_i\hat\tau_i=0 和 ∑jβ^j(i)=0 (i=1,2,…,a)\sum_j\hat\beta_{j(i)}=0\ (i=1,2,\ldots,a),则 μ^=yˉ⋯\hat\mu=\bar y_{\cdots}、τ^i=yˉi⋅⋅−yˉ⋯\hat\tau_i=\bar y_{i\cdot\cdot}-\bar y_{\cdots}、β^j(i)=yˉij⋅−yˉi⋅⋅\hat\beta_{j(i)}=\bar y_{ij\cdot}-\bar y_{i\cdot\cdot}。因此,拟合值为

y^ijk=y‾…+(y‾i..−y‾…)+(y‾ij.−y‾i..)=y‾ij.\hat {y} _ {i j k} = \overline {{y}} _ {\dots} + (\overline {{y}} _ {i..} - \overline {{y}} _ {\dots}) + (\overline {{y}} _ {i j.} - \overline {{y}} _ {i..}) = \overline {{y}} _ {i j.}

所以两阶段嵌套设计的残差为

eijk=yijk−yˉij⋅(14.9)e_{ijk}=y_{ijk}-\bar y_{ij\cdot}\tag{14.9}

其中,yˉij⋅\bar y_{ij\cdot} 是各批次的平均值。

例 14.1 纯度数据的观测值、拟合值与残差如下:

Observed 值 $y_{ijk}$拟合值 $\hat{y}_{ijk} = \bar{y}_{ij}$$e_{ijk} = y_{ijk} - \bar{y}_{ij}$
10.001.00
-10.00-1.00
00.000.00
-2-3.001.00
-3-3.000.00
-4-3.00-1.00
-2-0.33-1.67
0-0.330.33
1-0.331.33
11.67-0.67
41.672.33
01.67-1.67
1-1.332.33
-2-1.33-0.67
-3-1.33-1.67
02.00-2.00
42.002.00
22.000.00
-1-1.000.00
0-1.001.00
-2-1.00-1.00
01.67-1.67
31.671.33
21.670.33
22.000.00
42.002.00
02.00-2.00
-20.00-2.00
00.000.00
20.002.00
10.670.33
-10.67-1.67
20.671.33
32.001.00
22.000.00
12.00-1.00

现在可以进行通常的诊断检查,包括正态概率图、异常值检查,以及残差对拟合值的散点图。图 14.3 给出了残差对拟合值及对供应商水平的图。

对例 14.1 这类问题,残差图尤其有用,因为它能提供额外的诊断信息。方差分析表明,三家供应商的平均纯度没有显著差异,但存在显著的批间变异,即 σβ2>0\sigma_\beta^2>0。不过,各供应商的批内变异是否相同?分析中实际上假定相同;若不成立,就会影响试验结果的实际解释。图 14.3b 的残差对供应商图是检查这一假定的简单而有效的方法。三家供应商的残差散布大致相同,因此可以认为其批内纯度变异相近。[1]

教材原图
(a)残差对预测值的图 图 14.3 例 14.1 的残差图

教材原图
(b)残差对供应商的图

14.1.3 方差分量

对随机效应模型,可用方差分析法估计方差分量 σ2,σβ2,στ2\sigma^2,\sigma_\beta^2,\sigma_\tau^2,也可采用 REML 方法。利用表 14.1 最后一列的期望均方,方差分析法得到

σ^2=MSE(14.10)\hat {\sigma} ^ {2} = M S _ {E}\tag{14.10}
σ^β2=MSB(A)−MSEn(14.11)\hat {\sigma} _ {\beta} ^ {2} = \frac {M S _ {B (A)} - M S _ {E}}{n}\tag{14.11}

以及

σ^τ2=MSA−MSB(A)bn(14.12)\hat {\sigma} _ {\tau} ^ {2} = \frac {M S _ {A} - M S _ {B (A)}}{b n}\tag{14.12}

嵌套设计的许多应用涉及主因子 A 固定、嵌套因子 B 随机的混合模型。例 14.1 就是如此:供应商 A 固定,原材料批次 B 随机。供应商效应可估计为

τ^1=y‾1..−y‾...=−512−1336=−2836τ^2=y‾2..−y‾...=412−1336=−136τ^3=y‾3..−y‾...=1412−1336=2936\begin{array}{l} \hat {\tau} _ {1} = \overline {{y}} _ {1..} - \overline {{y}} _ {...} = \frac {- 5}{12} - \frac {13}{36} = \frac {- 28}{36} \\ \hat {\tau} _ {2} = \overline {{y}} _ {2..} - \overline {{y}} _ {...} = \frac {4}{12} - \frac {13}{36} = \frac {- 1}{36} \\ \hat {\tau} _ {3} = \overline {{y}} _ {3..} - \overline {{y}} _ {...} = \frac {14}{12} - \frac {13}{36} = \frac {29}{36} \end{array}

为估计 σ2\sigma^2 和 σβ2\sigma_\beta^2,去掉方差分析表中的供应商一行,对后两行应用方差分析估计法,得到

σ^2=MSE=2.64\hat {\sigma} ^ {2} = M S _ {E} = 2.64

以及

σ^β2=MSB(A)−MSEn=7.77−2.643=1.71\hat {\sigma} _ {\beta} ^ {2} = \frac {M S _ {B (A)} - M S _ {E}}{n} = \frac {7.77 - 2.64}{3} = 1.71

表 14.6 的 Minitab 输出下部也给出了这些结果。由例 14.1 的分析可知,τi\tau_i 与零没有显著差异,而方差分量 σβ2\sigma_\beta^2 大于零。

为说明嵌套设计中的 REML 方法,再考虑供应商固定、批次随机的例 14.1。表 14.7 给出了 JMP 的 REML 输出。方差分量的 REML 估计与方差分析估计一致,但 REML 还提供置信区间。供应商的固定效应检验表明,三家供应商的平均纯度没有显著差异。供应商内部批次方差分量的 95% 置信区间下限略小于零,但该分量约占总变异的 40%,因此仍有证据表明供应商内部批次之间存在有实际意义的变异。

14.1.4 交错嵌套设计

嵌套设计的一个潜在问题是:为使最高层有合理的自由度,较低层可能产生过多自由度。例如,研究不同材料批号在化学分析结果上的差异,计划每个批号取五个样品,每个样品测量两次。若要估计批号方差分量,选择 10 个批号是合理的,但会产生批号自由度 9、样品自由度 40、测量自由度 50。

避免这一问题的一种方法是采用称为交错嵌套设计的特殊不平衡嵌套设计。图 14.4 给出一个例子:每个批号只取两个样品,其中一个测量两次,另一个只测量一次。若有 aa 个批号,则批号(一般为最高层)的自由度为 a−1a-1,以下各层的自由度恰为 aa。有关这类设计的应用与分析,参见 Bainbridge(1965)、Smith 和 Beverly(1981)以及 Nelson(1983,1995a,1995b)。本章补充材料给出了完整例子。

表 14.7 例 14.1 嵌套设计的 JMP 输出:供应商固定,批次随机

响应 Y
拟合汇总
R²0.518555
调整后的 R²0.489376
均方误差平方根1.624466
响应均值0.361111
观测数(或权重和)36
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
供应商 [批次]0.64795321.70987651.2468358-0.7339224.153674739.319
残差2.63888890.76178161.60891195.107053260.681
总计4.3487654100.000
-2 对数似然 = 145.04119391
方差分量估计的协方差矩阵
随机 效应供应商 [批次]残差
供应商 [批次]1.5545995-0.193437
残差-0.1934370.5803112
固定效应检验
来源 参数数自由度分母自由度F 比值P 值
供应商 2290.96900.4158

教材原图
图 14.4 三级交错嵌套设计

Footnotes
  1. 译者注:原文此处将批内变异误称为批间变异。残差 yijk−yˉij⋅y_{ijk}-\bar y_{ij\cdot} 描述的是同批号内的变异,已据此修正。