为什么重复测量方差分析假设为球形?
球形是指组之间所有成对差异的方差应相同的假设。
特别是,我不明白为什么这应该是假设,而不是所观察到的组分数本身的方差相同。
为什么重复测量方差分析假设为球形?
球形是指组之间所有成对差异的方差应相同的假设。
特别是,我不明白为什么这应该是假设,而不是所观察到的组分数本身的方差相同。
Answers:
ANOVA是常见的,非重复测量的假设之一,在所有组中均具有相同的方差。
(我们可以理解它,因为线性回归中的OLS估计量为BLUE且相应的t检验有效,需要等方差,也称为均方差,请参见Gauss-Markov定理。并且ANOVA可以实现为线性回归。)
因此,让我们尝试将RM-ANOVA案例简化为非RM案例。为简单起见,我将处理在k个 RM条件下记录了对象的单因素RM-ANOVA(无任何对象间效应)。
每个主题都可以具有自己的特定于主题的偏移量或截距。如果我们从所有其他组的值中减去一个组中的值,我们将取消这些截距,并得出可以使用非RM-ANOVA检验这些组差异是否全部为零的情况。为了使该检验有效,我们需要假设这些k − 1差异的方差相等。
现在我们可以从所有其他组中减去第2组,再次得出差,这些差也应具有相等的方差。对于k中的每个组,对应的k - 1差异的方差应相等。很快得出结论,所有k (k − 1 )/ 2可能的差应相等。
恰好是球形度假设。
当我们认为RM-ANOVA的,我们通常认为的形式的一个简单的添加剂混合模型式模型的其中α 我都受到影响,β Ĵ是条件的影响,以及ε 〜ñ(0 ,σ 2)。
对于这个模型,组间差异将按照,即,将所有具有相同方差2 σ 2,所以球形成立。但每一组将遵循的混合物Ñ高斯与装置在α 我和方差σ 2,这是一些复杂的分布方差V (→交通α,σ 2)是跨组恒定的。
因此,在此模型中,实际上,组方差也相同。组协方差也相同,这意味着该模型暗含复合对称性。与球形相比,这是一个更严格的条件。如我上面的直观论证所示,当上面编写的加法模型不成立时,RM-ANOVA在更一般的情况下可以正常工作。
我将在此处添加Huynh&Feldt(1970年)提出的一些条件,在该条件下重复测量设计中的均方比具有精确的分布。
当球形度不成立时,我们可能会期望RM-ANOVA(i)尺寸过大(I型错误更多),(ii)功率降低(II型错误更多)。可以通过模拟来探索这一点,但是我在这里不做。
事实证明,违反球形的影响是功率损失(即II型错误的可能性增加)和测试统计量(F比率),这些统计数据根本无法与F分布的列表值进行比较。F检验变得过于宽松(即,当无效假设为真时,无效假设的拒绝比例大于alpha水平)。
对此问题的精确调查非常复杂,但幸运的是Box等人撰写了一篇有关该主题的论文:https : //projecteuclid.org/download/pdf_1/euclid.aoms/1177728786
简而言之,情况如下。首先,假设我们对S个对象和A个实验进行了一个因子重复测量设计,在这种情况下,通过计算F统计量来测试自变量的效果,该统计量是效果均方与均方之比主因子和自变量之间的相互作用的关系。当球形度保持,此统计与费希尔分布和υ 2 = (甲- 1 )(小号- 1 )自由度。
另外,在上述文章框显示,当球形度失败,自由度的正确的数目变为 F比的依赖于一个球形ε像这样: υ 1 = ε (甲- 1 )υ 2 = ε (甲- 1 )(S − 1 )
Box还介绍了球形度指数,该指数适用于总体协方差矩阵。如果我们称本AXA表的条目,那么指数
关于协方差矩阵的特征值,可以最好地理解球形度的Box指数。回想一下,协方差矩阵属于正半定矩阵的类别,因此始终具有零特征值的正值。因此,球形度条件等于所有特征值等于一个常数。
因此,当违反球形度时,我们应该对F统计量进行一些校正,例如,最明显的校正示例是Greenhouse-Geisser和Huynh-Feldt
如果不进行任何更正,您的结果将有偏差并且非常不可靠。希望这可以帮助!
第i组的样本均值是
第一个科目是
通过假设受试者之间的独立性,两组均值之差的方差为
现在,提出了球形性问题。
因此,假设所有成对差异均具有恒定方差,则一旦估计了公共方差,就可以执行t检验。该假设以及每个观测值的恒定方差意味着,任何对测量之间的协方差在所有对之间均是恒定的-Sergio在这个主题上有很棒的文章。因此,这些假设为每个对象的重复测量提供了方差-协方差结构,作为矩阵,该矩阵具有对角线常数和非对角线常数。当非对角线条目全部为零时,它将简化为全独立模型(这可能不适用于许多重复的测量研究)。当非对角线条目与对角线条目相同时,对于一个对象,重复的测量值将完全相关,这意味着任何单个测量值与每个对象的所有测量值都一样好。最后说明-在我们的简单分割图设计中,当K = 2时,将自动满足球形度条件。