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.

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。

题目

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)
114,14.1,14.2,14,14.1
213.9,13.8,13.9,14,14
314.1,14.2,14.1,14,13.9
413.6,13.8,14,13.9,13.7
513.8,13.6,13.9,13.8,14

(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。

(b) 估计织布机之间的变异。

(c) 估计试验误差方差。

(d) 求 στ2/(στ2+σ2)\sigma_\tau^2/(\sigma_\tau^2+\sigma^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):yij=μ+ui+ϵijy_{ij}=\mu+u_i+\epsilon_{ij},ui∼iidN(0,στ2)u_i\overset{\mathrm{iid}}\sim N(0,\sigma_\tau^2),ϵij∼iidN(0,σ2)\epsilon_{ij}\overset{\mathrm{iid}}\sim N(0,\sigma^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 στ2\sigma_\tau^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:H0:στ2=0H_0:\sigma_\tau^2=0;H1:στ2>0H_1:\sigma_\tau^2>0。

平方和公式与检验统计量:令 N=∑iniN=\sum_i n_i,yˉi=∑jyij/ni\bar y_i=\sum_jy_{ij}/n_i,yˉ⋅⋅=∑i∑jyij/N\bar y_{\cdot\cdot}=\sum_i\sum_jy_{ij}/N。

SSA=∑ini(yˉi−yˉ⋅⋅)2,SSE=∑i∑j(yij−yˉi)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,
SST=∑i∑j(yij−yˉ⋅⋅)2=SSA+SSE,SS_T=\sum_i\sum_j(y_{ij}-\bar y_{\cdot\cdot})^2=SS_A+SS_E,
MSA=SSAa−1,MSE=SSEN−a,F0=MSAMSE∼H0Fa−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}.

当 F0>F1−α,a−1,N−aF_0>F_{1-\alpha,a-1,N-a} 时拒绝 H0H_0,P=P(Fa−1,N−a≥F0)P=P(F_{a-1,N-a}\ge 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=MSE\hat\sigma^2=MS_E,σ^τ2=(MSA−MSE)/n0\hat\sigma_\tau^2=(MS_A-MS_E)/n_0,其中 n0=[N−∑ini2/N]/(a−1)n_0=[N-\sum_i n_i^2/N]/(a-1),平衡时 n0=nn_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 si2=∑j(yij−yˉi)2/(ni−1)s_i^2=\sum_j(y_{ij}-\bar y_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FFPP 值
处理40.34160.08545.770270.00295615
误差200.2960.0148——
总计240.6376———
组别样本量均值样本标准差
1514.080.083666
2513.920.083666
3514.060.114018
4513.80.158114
5513.820.148324

在 0.05 水平拒绝 στ2=0\sigma_\tau^2=0,存在机间产量变异。

(b)机器间方差

σ^τ2=(MSA−MSE)/n0\hat\sigma_\tau^2=(MS_A-MS_E)/n_0,其中 n0=[N−∑ini2/N]/(a−1)n_0=[N-\sum_i n_i^2/N]/(a-1);n0=5n_0=5,结果为 σ^τ2=0.01412\hat\sigma_\tau^2=0.01412。

(c)误差方差

σ^2=MSE=SSE/(N−a)\hat\sigma^2=MS_E=SS_E/(N-a),结果为 σ^2=0.0148\hat\sigma^2=0.0148。

(d)组间方差占比区间

令 r=MSA/MSEr=MS_A/MS_E、θ=στ2/σ2\theta=\sigma_\tau^2/\sigma^2,由 r/(1+nθ)∼Fa−1,N−ar/(1+n\theta)\sim F_{a-1,N-a},得 L=(r/F0.975,a−1,N−a−1)/nL=(r/F_{0.975,a-1,N-a}-1)/n、U=(r/F0.025,a−1,N−a−1)/nU=(r/F_{0.025,a-1,N-a}-1)/n。对 ρ=θ/(1+θ)\rho=\theta/(1+\theta) 作单调变换,并截断到参数空间:

CI0.95(ρ)=(0.113751,0.906355)CI_{0.95}(\rho)=(0.113751, 0.906355)

(e)残差分析

残差定义:y^ij=yˉi\hat y_{ij}=\bar y_i,eij=yij−yˉie_{ij}=y_{ij}-\bar y_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。

习题 3.62:观测值、残差 Q–Q 图、残差记录顺序图、残差 vs 拟合值图(raw)

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±1.959964σ^22/(N−a)\hat\sigma^2\pm1.959964\hat\sigma^2\sqrt{2/(N-a)},得 (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。

CI0.95(σ2)=[(N−a)MSE/χ0.975,N−a2,(N−a)MSE/χ0.025,N−a2]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}],结果为 (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 →