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
图 14.1 两阶段嵌套设计
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
y i j k = μ + τ i + β j ( i ) + ϵ ( i j ) k { i = 1 , 2 , … , a j = 1 , 2 , … , b k = 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} y ijk = μ + τ i + β j ( i ) + ϵ ( ij ) k ⎩ ⎨ ⎧ i = 1 , 2 , … , a j = 1 , 2 , … , b k = 1 , 2 , … , n ( 14.1 ) 即 A 有 a a a 个水平,A 的每个水平之下嵌套 B 的 b b b 个水平,每个组合重复 n n n 次。下标 j ( i ) j(i) j ( i ) 表明 B 的第 j j j 个水平嵌套在 A 的第 i i i 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 ( i j ) k (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 = 1 a ∑ j = 1 b ∑ k = 1 n ( y i j k − y ‾ … ) 2 = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n [ ( y ‾ i . . − y ‾ … ) + ( y ‾ i j . − y ‾ i . . ) + ( y i j k − y ‾ i j . ) ] 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} i = 1 ∑ a j = 1 ∑ b k = 1 ∑ n ( y ijk − y … ) 2 = i = 1 ∑ a j = 1 ∑ b k = 1 ∑ n [( y i .. − y … ) + ( y ij . − y i .. ) + ( y ijk − y ij . ) ] 2 ( 14.2 ) 展开式(14.2)的右端,得到
∑ i = 1 a ∑ j = 1 b ∑ k = 1 n ( y i j k − y ‾ … ) 2 = b n ∑ i = 1 a ( y ‾ i . . − y ‾ … ) 2 + n ∑ i = 1 a ∑ j = 1 b ( y ‾ i j . − y ‾ i . . ) 2 + ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n ( y i j k − y ‾ i j . ) 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} ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n ( y ijk − y … ) 2 = bn ∑ i = 1 a ( y i .. − y … ) 2 + n ∑ i = 1 a ∑ j = 1 b ( y ij . − y i .. ) 2 + ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n ( y ijk − y ij . ) 2 ( 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
S S T = S S A + S S B ( A ) + S S E (14.4) S S _ {T} = S S _ {A} + S S _ {B (A)} + S S _ {E}\tag{14.4} S S T = S S A + S S B ( A ) + S S E ( 14.4 ) S S T SS_T S S T 的自由度为 a b n − 1 abn-1 abn − 1 ,S S A SS_A S S A 的自由度为 a − 1 a-1 a − 1 ,S S B ( A ) SS_{B(A)} S S B ( A ) 的自由度为 a ( b − 1 ) a(b-1) a ( b − 1 ) ,误差自由度为 a b ( n − 1 ) ab(n-1) ab ( n − 1 ) ,且 a b n − 1 = ( a − 1 ) + a ( b − 1 ) + a b ( n − 1 ) 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 , σ 2 ) N(0,\sigma^2) N ( 0 , σ 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 = 1 a τ i = 0 \sum_{i=1}^a\tau_i=0 ∑ i = 1 a τ i = 0 ,且 ∑ j = 1 b β j ( i ) = 0 ( i = 1 , 2 , … , a ) \sum_{j=1}^b\beta_{j(i)}=0\ (i=1,2,\ldots,a) ∑ j = 1 b β j ( i ) = 0 ( i = 1 , 2 , … , 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 τ i \tau_i τ i 独立服从 N ( 0 , σ τ 2 ) N(0,\sigma_\tau^2) N ( 0 , σ τ 2 ) ,β j ( i ) \beta_{j(i)} β j ( i ) 独立服从 N ( 0 , σ β 2 ) N(0,\sigma_\beta^2) N ( 0 , σ β 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 H 0 : τ i = 0 H_0:\tau_i=0 H 0 : τ i = 0 使用 M S A / M S E MS_A/MS_E M S A / M S E ,检验 H 0 : β j ( i ) = 0 H_0:\beta_{j(i)}=0 H 0 : β j ( i ) = 0 使用 M S B ( A ) / M S E MS_{B(A)}/MS_E M S B ( A ) / M S E 。若 A 固定而 B 随机,前者使用 M S A / M S B ( A ) MS_A/MS_{B(A)} M S A / M S B ( A ) ,检验 H 0 : σ β 2 = 0 H_0:\sigma_\beta^2=0 H 0 : σ β 2 = 0 使用 M S B ( A ) / M S E MS_{B(A)}/MS_E M S B ( A ) / M S E 。若 A、B 均随机,检验 H 0 : σ τ 2 = 0 H_0:\sigma_\tau^2=0 H 0 : σ τ 2 = 0 使用 M S A / M S B ( A ) MS_A/MS_{B(A)} M S A / M S B ( A ) ,检验 H 0 : σ β 2 = 0 H_0:\sigma_\beta^2=0 H 0 : σ β 2 = 0 使用 M S B ( A ) / M S E MS_{B(A)}/MS_E M S B ( A ) / M S 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:
S S A = 1 b n ∑ i = 1 a y i . . 2 − y . . . 2 a b n (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} S S A = bn 1 i = 1 ∑ a y i .. 2 − abn y ... 2 ( 14.5 ) S S B ( A ) = 1 n ∑ i = 1 a ∑ j = 1 b y i j . 2 − 1 b n ∑ i = 1 a y i . . 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} S S B ( A ) = n 1 i = 1 ∑ a j = 1 ∑ b y ij . 2 − bn 1 i = 1 ∑ a y i .. 2 ( 14.6 ) S S E = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y i j k 2 − 1 n ∑ i = 1 a ∑ j = 1 b y i j . 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} S S E = i = 1 ∑ a j = 1 ∑ b k = 1 ∑ n y ijk 2 − n 1 i = 1 ∑ a j = 1 ∑ b y ij . 2 ( 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
S S T = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y i j k 2 − y … 2 a b n (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} S S T = i = 1 ∑ a j = 1 ∑ b k = 1 ∑ n y ijk 2 − abn y … 2 ( 14.8 ) 式(14.6)中的 S S B ( A ) SS_{B(A)} S S B ( A ) 还可写为
S S B ( A ) = ∑ i = 1 a [ 1 n ∑ j = 1 b y i j ⋅ 2 − y i ⋅ ⋅ 2 b n ] 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] S S B ( A ) = i = 1 ∑ a [ n 1 j = 1 ∑ b y ij ⋅ 2 − bn y i ⋅⋅ 2 ] 这说明,S S B ( A ) SS_{B(A)} S S 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:
S S T = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y i j k 2 − y ⋯ 2 a b n = 153.00 − ( 13 ) 2 36 = 148.31 S S A = 1 b n ∑ i = 1 a y i ⋅ ⋅ 2 − y ⋅ ⋅ 2 a b n = 1 ( 4 ) ( 3 ) [ ( − 5 ) 2 + ( 4 ) 2 + ( 14 ) 2 ] − ( 13 ) 2 36 = 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} S S T S S A = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y ijk 2 − abn y ⋯ 2 = 153.00 − 36 ( 13 ) 2 = 148.31 = bn 1 ∑ i = 1 a y i ⋅⋅ 2 − abn y ⋅⋅ 2 = ( 4 ) ( 3 ) 1 [( − 5 ) 2 + ( 4 ) 2 + ( 14 ) 2 ] − 36 ( 13 ) 2 = 15.06 S S B ( A ) = 1 n ∑ i = 1 a ∑ j = 1 b y i j ⋅ 2 − 1 b n ∑ i = 1 a y i ⋅ ⋅ 2 = 1 3 [ ( 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} S S B ( A ) = n 1 ∑ i = 1 a ∑ j = 1 b y ij ⋅ 2 − bn 1 ∑ i = 1 a y i ⋅⋅ 2 = 3 1 [( 0 ) 2 + ( − 9 ) 2 + ( − 1 ) 2 + ⋯ + ( 2 ) 2 + ( 6 ) 2 ] − 19.75 = 69.92 以及
S S E = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y i j k 2 − 1 n ∑ i = 1 a ∑ j = 1 b y i j . 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} S S E = ∑ i = 1 a ∑ j = 1 b ∑ k = 1 n y ijk 2 − n 1 ∑ i = 1 a ∑ j = 1 b y ij . 2 = 153.00 − 89.67 = 63.33 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:y i j k = 纯度 − 93 y_{ijk}=\text{纯度}-93 y ijk = 纯度 − 93 )
批次 供应商 1 供应商 2 供应商 3 1 2 3 4 1 2 3 4 1 2 3 4 1 -2 -2 1 1 0 -1 0 2 -2 1 3 -1 -3 0 4 -2 4 0 3 4 0 -1 2 0 -4 1 0 -3 2 -2 2 0 2 2 1 批次合计 $y_{ij}$ 0 -9 -1 5 -4 6 -3 5 6 0 2 6 供应商合计 $y_{i..}$ -5 4 14
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 15.06 2 7.53 $\sigma^2 + 3\sigma_\beta^2 + 6\σ\tau_i^2$ 0.97 0.42 批次(供应商内) 69.92 9 7.77 $\sigma^2 + 3\sigma_\beta^2$ 2.94 0.02 误差 63.33 24 2.64 $\sigma^2$ 总计 148.31 35
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) 15.06 2 7.53 1.02 0.42 批次 (B) 25.64 3 8.55 3.24 0.04 S × B 交互作用 44.28 6 7.38 2.80 0.03 误差 63.33 24 2.64 总计 148.31 35
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] 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 = 1 a τ i 2 a − 1 Q [ 1 ] = \frac {\sum_ {i = 1} ^ {a} \tau_ {i} ^ {2}}{a - 1} Q [ 1 ] = a − 1 ∑ i = 1 a τ i 2 因此,Minitab 中供应商期望均方的固定效应项为 12 Q [ 1 ] = 12 ∑ i = 1 3 τ i 2 / ( 3 − 1 ) = 6 ∑ i = 1 3 τ i 2 12Q[1]=12\sum_{i=1}^3\tau_i^2/(3-1)=6\sum_{i=1}^3\tau_i^2 12 Q [ 1 ] = 12 ∑ i = 1 3 τ i 2 / ( 3 − 1 ) = 6 ∑ i = 1 3 τ 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,
S S B + S S S × B = 25.64 + 44.28 = 69.92 ≡ S S B ( S ) S S _ {B} + S S _ {S \times B} = 25.64 + 44.28 = 69.92 \equiv S S _ {B (S)} S S B + S S S × B = 25.64 + 44.28 = 69.92 ≡ 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 3 1 2 3 批次(供应商) 随机 4 1 2 3 4 纯度的方差分析 来源 自由度 平方和 均方 F P 值 供应商 2 15.056 7.528 0.97 0.416 批次(供应商) 9 69.917 7.769 2.94 0.017 误差 24 63.333 2.639 总计 35 148.306 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) 1.710 3 (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)} df B + df S × B = 3 + 6 = 9 = 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
e i j k = y i j k − y ^ i j k e _ {i j k} = y _ {i j k} - \hat {y} _ {i j k} e ijk = y ijk − y ^ ijk 拟合值为
y ^ i j k = μ ^ + τ ^ i + β ^ j ( i ) \hat {y} _ {i j k} = \hat {\mu} + \hat {\tau} _ {i} + \hat {\beta} _ {j (i)} y ^ ijk = μ ^ + τ ^ i + β ^ j ( i ) 若采用通常的参数约束 ∑ i τ ^ i = 0 \sum_i\hat\tau_i=0 ∑ i τ ^ i = 0 和 ∑ j β ^ j ( i ) = 0 ( i = 1 , 2 , … , a ) \sum_j\hat\beta_{j(i)}=0\ (i=1,2,\ldots,a) ∑ j β ^ j ( i ) = 0 ( i = 1 , 2 , … , a ) ,则 μ ^ = y ˉ ⋯ \hat\mu=\bar y_{\cdots} μ ^ = y ˉ ⋯ 、τ ^ i = y ˉ i ⋅ ⋅ − y ˉ ⋯ \hat\tau_i=\bar y_{i\cdot\cdot}-\bar y_{\cdots} τ ^ i = y ˉ i ⋅⋅ − y ˉ ⋯ 、β ^ j ( i ) = y ˉ i j ⋅ − y ˉ i ⋅ ⋅ \hat\beta_{j(i)}=\bar y_{ij\cdot}-\bar y_{i\cdot\cdot} β ^ j ( i ) = y ˉ ij ⋅ − y ˉ i ⋅⋅ 。因此,拟合值为
y ^ i j k = y ‾ … + ( y ‾ i . . − y ‾ … ) + ( y ‾ i j . − y ‾ i . . ) = y ‾ i j . \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.} y ^ ijk = y … + ( y i .. − y … ) + ( y ij . − y i .. ) = y ij . 所以两阶段嵌套设计的残差为
e i j k = y i j k − y ˉ i j ⋅ (14.9) e_{ijk}=y_{ijk}-\bar y_{ij\cdot}\tag{14.9} e ijk = y ijk − y ˉ ij ⋅ ( 14.9 ) 其中,y ˉ i j ⋅ \bar y_{ij\cdot} y ˉ ij ⋅ 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 $\hat{y}_{ijk} = \bar{y}_{ij}$ $e_{ijk} = y_{ijk} - \bar{y}_{ij}$ 1 0.00 1.00 -1 0.00 -1.00 0 0.00 0.00 -2 -3.00 1.00 -3 -3.00 0.00 -4 -3.00 -1.00 -2 -0.33 -1.67 0 -0.33 0.33 1 -0.33 1.33 1 1.67 -0.67 4 1.67 2.33 0 1.67 -1.67 1 -1.33 2.33 -2 -1.33 -0.67 -3 -1.33 -1.67 0 2.00 -2.00 4 2.00 2.00 2 2.00 0.00 -1 -1.00 0.00 0 -1.00 1.00 -2 -1.00 -1.00 0 1.67 -1.67 3 1.67 1.33 2 1.67 0.33 2 2.00 0.00 4 2.00 2.00 0 2.00 -2.00 -2 0.00 -2.00 0 0.00 0.00 2 0.00 2.00 1 0.67 0.33 -1 0.67 -1.67 2 0.67 1.33 3 2.00 1.00 2 2.00 0.00 1 2.00 -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 σ β 2 > 0 \sigma_\beta^2>0 σ β 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]
(a)残差对预测值的图
图 14.3 例 14.1 的残差图
(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 σ 2 , σ β 2 , σ τ 2 \sigma^2,\sigma_\beta^2,\sigma_\tau^2 σ 2 , σ β 2 , σ τ 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 = M S E (14.10) \hat {\sigma} ^ {2} = M S _ {E}\tag{14.10} σ ^ 2 = M S E ( 14.10 ) σ ^ β 2 = M S B ( A ) − M S E n (14.11) \hat {\sigma} _ {\beta} ^ {2} = \frac {M S _ {B (A)} - M S _ {E}}{n}\tag{14.11} σ ^ β 2 = n M S B ( A ) − M S E ( 14.11 ) 以及
σ ^ τ 2 = M S A − M S B ( A ) b n (14.12) \hat {\sigma} _ {\tau} ^ {2} = \frac {M S _ {A} - M S _ {B (A)}}{b n}\tag{14.12} σ ^ τ 2 = bn M S A − M S B ( A ) ( 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 ‾ . . . = − 5 12 − 13 36 = − 28 36 τ ^ 2 = y ‾ 2.. − y ‾ . . . = 4 12 − 13 36 = − 1 36 τ ^ 3 = y ‾ 3.. − y ‾ . . . = 14 12 − 13 36 = 29 36 \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} τ ^ 1 = y 1.. − y ... = 12 − 5 − 36 13 = 36 − 28 τ ^ 2 = y 2.. − y ... = 12 4 − 36 13 = 36 − 1 τ ^ 3 = y 3.. − y ... = 12 14 − 36 13 = 36 29 为估计 σ 2 \sigma^2 σ 2 和 σ β 2 \sigma_\beta^2 σ β 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 = M S E = 2.64 \hat {\sigma} ^ {2} = M S _ {E} = 2.64 σ ^ 2 = M S E = 2.64 以及
σ ^ β 2 = M S B ( A ) − M S E n = 7.77 − 2.64 3 = 1.71 \hat {\sigma} _ {\beta} ^ {2} = \frac {M S _ {B (A)} - M S _ {E}}{n} = \frac {7.77 - 2.64}{3} = 1.71 σ ^ β 2 = n M S B ( A ) − M S E = 3 7.77 − 2.64 = 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,τ i \tau_i τ i 与零没有显著差异,而方差分量 σ β 2 \sigma_\beta^2 σ β 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 a a a 个批号,则批号(一般为最高层)的自由度为 a − 1 a-1 a − 1 ,以下各层的自由度恰为 a a a 。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 R² 0.518555 调整后的 R² 0.489376 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] 0.6479532 1.7098765 1.2468358 -0.733922 4.1536747 39.319 残差 2.6388889 0.7617816 1.6089119 5.1070532 60.681 总计 4.3487654 100.000 -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 -0.193437 0.5803112 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 2 2 9 0.9690 0.4158
图 14.4 三级交错嵌套设计