习题 3.62:织布机产量的随机效应
习题与答案 / 第 3 章 单因子试验与方差分析
第 9 版 · 第 3 章 · 原书章末习题见印刷页 125~134。
一家纺织厂有大量织布机,每台机器每分钟的布料产出本应相同。为了检查这一假定,随机选取 5 台织布机,在不同时间记录其产量,单位为 lb/min,数据如下。
组别/处理条件 观测值(同一行属于同一组) 1 14,14.1,14.2,14,14.1 2 13.9,13.8,13.9,14,14 3 14.1,14.2,14.1,14,13.9 4 13.6,13.8,14,13.9,13.7 5 13.8,13.6,13.9,13.8,14
(a) 解释为什么这是一个随机效应试验。各织布机的产量是否相同?取 α = 0.05 \alpha=0.05 α = 0.05 。
(b) 估计织布机之间的变异。
(c) 估计试验误差方差。
(d) 求 σ τ 2 / ( σ τ 2 + σ 2 ) \sigma_\tau^2/(\sigma_\tau^2+\sigma^2) σ τ 2 / ( σ τ 2 + σ 2 ) 的 95% 置信区间。
(e) 分析残差。你认为方差分析的各项假定是否满足?
(f) 使用 REML 方法分析这些数据,并把 REML 的误差方差 95% 置信区间与精确卡方区间比较。
答案与解析 ¶ (a)为何采用随机效应及其检验 ¶ 织布机从大量机器中随机抽取,目标是总体机间方差,不只是这 5 台的固定均值。
模型与模型假设(随机效应) :y i j = μ + u i + ϵ i j y_{ij}=\mu+u_i+\epsilon_{ij} y ij = μ + u i + ϵ ij ,u i ∼ i i d N ( 0 , σ τ 2 ) u_i\overset{\mathrm{iid}}\sim N(0,\sigma_\tau^2) u i ∼ iid N ( 0 , σ τ 2 ) ,ϵ i j ∼ i i d N ( 0 , σ 2 ) \epsilon_{ij}\overset{\mathrm{iid}}\sim N(0,\sigma^2) ϵ ij ∼ iid N ( 0 , σ 2 ) ;随机效应与误差相互独立,抽取的水平代表目标水平总体。不同组独立,同组观测的边际协方差为 σ τ 2 \sigma_\tau^2 σ τ 2 ,不能把同组观测的边际独立性当作假设。
原假设和备择假设 :H 0 : σ τ 2 = 0 H_0:\sigma_\tau^2=0 H 0 : σ τ 2 = 0 ;H 1 : σ τ 2 > 0 H_1:\sigma_\tau^2>0 H 1 : σ τ 2 > 0 。
平方和公式与检验统计量 :令 N = ∑ i n i N=\sum_i n_i N = ∑ i n i ,y ˉ i = ∑ j y i j / n i \bar y_i=\sum_jy_{ij}/n_i y ˉ i = ∑ j y ij / n i ,y ˉ ⋅ ⋅ = ∑ i ∑ j y i j / N \bar y_{\cdot\cdot}=\sum_i\sum_jy_{ij}/N y ˉ ⋅⋅ = ∑ i ∑ j y ij / N 。
S S A = ∑ i n i ( y ˉ i − y ˉ ⋅ ⋅ ) 2 , S S E = ∑ i ∑ j ( y i j − y ˉ i ) 2 , SS_A=\sum_i n_i(\bar y_i-\bar y_{\cdot\cdot})^2,\qquad SS_E=\sum_i\sum_j(y_{ij}-\bar y_i)^2, S S A = i ∑ n i ( y ˉ i − y ˉ ⋅⋅ ) 2 , S S E = i ∑ j ∑ ( y ij − y ˉ i ) 2 , S S T = ∑ i ∑ j ( y i j − y ˉ ⋅ ⋅ ) 2 = S S A + S S E , SS_T=\sum_i\sum_j(y_{ij}-\bar y_{\cdot\cdot})^2=SS_A+SS_E, S S T = i ∑ j ∑ ( y ij − y ˉ ⋅⋅ ) 2 = S S A + S S E , M S A = S S A a − 1 , M S E = S S E N − a , F 0 = M S A M S E ∼ H 0 F a − 1 , N − a . MS_A=\frac{SS_A}{a-1},\quad MS_E=\frac{SS_E}{N-a},\quad F_0=\frac{MS_A}{MS_E}\overset{H_0}{\sim}F_{a-1,N-a}. M S A = a − 1 S S A , M S E = N − a S S E , F 0 = M S E M S A ∼ H 0 F a − 1 , N − a . 当 F 0 > F 1 − α , a − 1 , N − a F_0>F_{1-\alpha,a-1,N-a} F 0 > F 1 − α , a − 1 , N − a 时拒绝 H 0 H_0 H 0 ,P = P ( F a − 1 , N − a ≥ F 0 ) P=P(F_{a-1,N-a}\ge F_0) P = P ( F a − 1 , N − a ≥ F 0 ) 。本文分位数均为下侧累积概率分位数 。
方差分量估计量 :σ ^ 2 = M S E \hat\sigma^2=MS_E σ ^ 2 = M S E ,σ ^ τ 2 = ( M S A − M S E ) / n 0 \hat\sigma_\tau^2=(MS_A-MS_E)/n_0 σ ^ τ 2 = ( M S A − M S E ) / n 0 ,其中 n 0 = [ N − ∑ i n i 2 / N ] / ( a − 1 ) n_0=[N-\sum_i n_i^2/N]/(a-1) n 0 = [ N − ∑ i n i 2 / N ] / ( a − 1 ) ,平衡时 n 0 = n n_0=n n 0 = n 。表中组样本均值仅作描述,不是随机效应的 BLUP;各组样本方差为 s i 2 = ∑ j ( y i j − y ˉ i ) 2 / ( n i − 1 ) s_i^2=\sum_j(y_{ij}-\bar y_i)^2/(n_i-1) s i 2 = ∑ j ( y ij − y ˉ i ) 2 / ( n i − 1 ) 。以下为 ANOVA Table 与计算结果。
来源 自由度 平方和 均方 F F F P P P 值处理 4 0.3416 0.0854 5.77027 0.00295615 误差 20 0.296 0.0148 — — 总计 24 0.6376 — — —
组别 样本量 均值 样本标准差 1 5 14.08 0.083666 2 5 13.92 0.083666 3 5 14.06 0.114018 4 5 13.8 0.158114 5 5 13.82 0.148324
在 0.05 水平拒绝 σ τ 2 = 0 \sigma_\tau^2=0 σ τ 2 = 0 ,存在机间产量变异。
(b)机器间方差 ¶ σ ^ τ 2 = ( M S A − M S E ) / n 0 \hat\sigma_\tau^2=(MS_A-MS_E)/n_0 σ ^ τ 2 = ( M S A − M S E ) / n 0 ,其中 n 0 = [ N − ∑ i n i 2 / N ] / ( a − 1 ) n_0=[N-\sum_i n_i^2/N]/(a-1) n 0 = [ N − ∑ i n i 2 / N ] / ( a − 1 ) ;n 0 = 5 n_0=5 n 0 = 5 ,结果为 σ ^ τ 2 = 0.01412 \hat\sigma_\tau^2=0.01412 σ ^ τ 2 = 0.01412 。
(c)误差方差 ¶ σ ^ 2 = M S E = S S E / ( N − a ) \hat\sigma^2=MS_E=SS_E/(N-a) σ ^ 2 = M S E = S S E / ( N − a ) ,结果为 σ ^ 2 = 0.0148 \hat\sigma^2=0.0148 σ ^ 2 = 0.0148 。
(d)组间方差占比区间 ¶ 令 r = M S A / M S E r=MS_A/MS_E r = M S A / M S E 、θ = σ τ 2 / σ 2 \theta=\sigma_\tau^2/\sigma^2 θ = σ τ 2 / σ 2 ,由 r / ( 1 + n θ ) ∼ F a − 1 , N − a r/(1+n\theta)\sim F_{a-1,N-a} r / ( 1 + n θ ) ∼ F a − 1 , N − a ,得 L = ( r / F 0.975 , a − 1 , N − a − 1 ) / n L=(r/F_{0.975,a-1,N-a}-1)/n L = ( r / F 0.975 , a − 1 , N − a − 1 ) / n 、U = ( r / F 0.025 , a − 1 , N − a − 1 ) / n U=(r/F_{0.025,a-1,N-a}-1)/n U = ( r / F 0.025 , a − 1 , N − a − 1 ) / n 。对 ρ = θ / ( 1 + θ ) \rho=\theta/(1+\theta) ρ = θ / ( 1 + θ ) 作单调变换,并截断到参数空间:
C I 0.95 ( ρ ) = ( 0.113751 , 0.906355 ) CI_{0.95}(\rho)=(0.113751, 0.906355) C I 0.95 ( ρ ) = ( 0.113751 , 0.906355 ) (e)残差分析 ¶ 残差定义 :y ^ i j = y ˉ i \hat y_{ij}=\bar y_i y ^ ij = y ˉ i ,e i j = y i j − y ˉ i e_{ij}=y_{ij}-\bar y_i e ij = y ij − y ˉ i 。变换分析时使用相应变换尺度的响应。随机效应题这里采用组内中心化残差检查组内误差;组均值是诊断基准,不冒充 REML 的 BLUP 拟合值。
三项诊断 :Q–Q 图用于检查尾部、偏态及异常残差;残差记录顺序图用于展示原表记录的相邻变化;残差 vs 拟合值图用于观察方差是否随处理均值变化。
时序资料的限制 :原题只提供分组观测,没有实际运行时间和随机运行次序。左下图按原表组内记录顺序排列,虚线表示组界,不是实际残差时序图 ;组界附近的变化不能解释为时间效应。若要完成真正的时序诊断,须取得原始运行顺序后按该顺序重画。当前不能仅凭此图断言误差在时间上独立。单样本或配对差的拟合值为常数时,残差 vs 拟合值图也不能检验复杂均值结构。
组内残差散布总体相近。“不同时点测量”不自动保证误差独立;必须取得实际测量时间才能重画真实时序图,检查同一机器的连续相关性。
(f)REML 与卡方区间 ¶ 平衡设计且方差分量为正时,REML 点估计与上述 ANOVA 矩估计相同。作为明确的近似比较,误差方差的正态 Wald 区间为 σ ^ 2 ± 1.959964 σ ^ 2 2 / ( N − a ) \hat\sigma^2\pm1.959964\hat\sigma^2\sqrt{2/(N-a)} σ ^ 2 ± 1.959964 σ ^ 2 2/ ( N − a ) ,得 ( 0.00562703 , 0.023973 ) (0.00562703, 0.023973) ( 0.00562703 , 0.023973 ) 。它与精确卡方区间不同,且小样本覆盖率可能较差;软件若使用轮廓似然区间,也会得到不同端点。
C I 0.95 ( σ 2 ) = [ ( N − a ) M S E / χ 0.975 , N − a 2 , ( N − a ) M S E / χ 0.025 , N − a 2 ] CI_{0.95}(\sigma^2)=[(N-a)MS_E/\chi^2_{0.975,N-a},(N-a)MS_E/\chi^2_{0.025,N-a}] C I 0.95 ( σ 2 ) = [( N − a ) M S E / χ 0.975 , N − a 2 , ( N − a ) M S E / χ 0.025 , N − a 2 ] ,结果为 ( 0.00866267 , 0.030863 ) (0.00866267,0.030863) ( 0.00866267 , 0.030863 ) 。
上述 REML 比较明确采用渐近 Wald 构造,不能当作软件的轮廓似然区间。
答案来源 :参考答案文件无直接对应题;解析由编者补充。
← 上一题 3.61 · 本章题目目录 · 下一题 3.63 →