UA MATH571B 试验设计VI 随机效应与混合效应2
UA MATH571B 试验设计VI 随机效应与混合效应2
- 两个factor的混合效应模型
- Restricted Model
- Unrestricted Mixed Model
- 对两因素随机与混合效应模型的总结
两个factor的混合效应模型
假设我们关注A和B两个factor的effects,但A是fixed factor,B是random factor,模型设定为:
yijk=μ+τi+βj+(τβ)ij+ϵijkϵijk∼iidN(0,σ2);i=1,⋯,a;j=1,⋯,b;k=1,⋯,n∑i=1aτi=0,βj∼iidN(0,σβ2)y_{ijk} = \mu + \tau_i + \beta_j +(\tau \beta)_{ij}+ \epsilon_{ijk}\\ \epsilon_{ijk} \sim_{iid}N(0,\sigma^2);i=1,\cdots,a;j=1,\cdots,b;k=1,\cdots,n \\ \sum_{i=1}^a \tau_i = 0,\beta_j \sim_{iid} N(0,\sigma^2_{\beta}) yijk=μ+τi+βj+(τβ)ij+ϵijkϵijk∼iidN(0,σ2);i=1,⋯,a;j=1,⋯,b;k=1,⋯,ni=1∑aτi=0,βj∼iidN(0,σβ2)
因为A是fixed factor,所以A的treatment effect τi\tau_iτi满足fixed effect的约束;B是random factor,所以B的treatment effect βj\beta_jβj是随机变量。难点在于交互效应(τβ)ij(\tau \beta)_{ij}(τβ)ij的处理,交互的两个factor一个是fixed factor,另一个是random factor,这非常自然地引出了两种不同的观点:1)因为交互效应的产生有random factor的作用,所以应该把交互效应当做随机变量(Unrestricted Mixed Model);2)交互效应中来自fixed factor的部分同样应该加上fixed effect的约束(Restricted Model)。
Restricted Model
交互效应中来自fixed factor的部分应该满足约束:
∑i=1a(τβ)ij=(τβ).j=0,∀j\sum_{i=1}^a (\tau \beta)_{ij} =(\tau \beta)_{.j} = 0,\forall j i=1∑a(τβ)ij=(τβ).j=0,∀j
但是因为random factor的存在,交互效应还是随机的,不存在约束的时候,交互效应满足:
(τβ)ij∼iidN(0,στβ2)(\tau \beta)_{ij} \sim_{iid} N(0,\sigma_{\tau \beta}^2)(τβ)ij∼iidN(0,στβ2)
因为约束的存在,自由度应该减1,上面的分布应该修正为
(τβ)ij∼N(0,a−1aστβ2)(\tau \beta)_{ij} \sim N(0,\frac{a-1}{a}\sigma_{\tau \beta}^2)(τβ)ij∼N(0,aa−1στβ2)
并且fixed factor与相同random factor level交互产生的效应不是独立的,
Cov((τβ)ij,(τβ)i′j)=Cov((τβ)ij,−∑l=1,l≠i′a(τβ)lj)Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}) = Cov((\tau \beta)_{ij},-\sum_{l=1,\ l \ne i'}^a(\tau \beta)_{lj})Cov((τβ)ij,(τβ)i′j)=Cov((τβ)ij,−l=1, l=i′∑a(τβ)lj)
在l=1,⋯,a,l≠i′l=1,\cdots,a,l \ne i'l=1,⋯,a,l=i′中,
Cov((τβ)ij,(τβ)ij)=Var((τβ)ij)=a−1aστβ2,l=iCov((τβ)ij,(τβ)lj)=Cov((τβ)ij,(τβ)i′j),l=1,⋯,a,l≠i′,iCov((\tau \beta)_{ij},(\tau \beta)_{ij}) = Var((\tau \beta)_{ij}) =\frac{a-1}{a} \sigma_{\tau \beta}^2, l = i \\ Cov((\tau \beta)_{ij},(\tau \beta)_{lj})=Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}),l=1,\cdots,a,l \ne i',iCov((τβ)ij,(τβ)ij)=Var((τβ)ij)=aa−1στβ2,l=iCov((τβ)ij,(τβ)lj)=Cov((τβ)ij,(τβ)i′j),l=1,⋯,a,l=i′,i
因此
Cov((τβ)ij,(τβ)i′j)=−a−1aστβ2−(a−2)Cov((τβ)ij,(τβ)i′j)⇒Cov((τβ)ij,(τβ)i′j)=−1aστβ2Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}) = -\frac{a-1}{a}\sigma_{\tau \beta}^2 - (a-2)Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}) \\ \Rightarrow Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}) = -\frac{1}{a}\sigma_{\tau \beta}^2Cov((τβ)ij,(τβ)i′j)=−aa−1στβ2−(a−2)Cov((τβ)ij,(τβ)i′j)⇒Cov((τβ)ij,(τβ)i′j)=−a1στβ2
综上,Restricted Model关于交互项有3条假设:
- ∑i=1a(τβ)ij=(τβ).j=0,∀j\sum_{i=1}^a (\tau \beta)_{ij} =(\tau \beta)_{.j} = 0,\forall j∑i=1a(τβ)ij=(τβ).j=0,∀j
- (τβ)ij∼N(0,a−1aστβ2),Cov((τβ)ij,(τβ)i′j)=−1aστβ2,∀j(\tau \beta)_{ij} \sim N(0,\frac{a-1}{a}\sigma_{\tau \beta}^2),\ Cov((\tau \beta)_{ij},(\tau \beta)_{i'j}) = -\frac{1}{a}\sigma_{\tau \beta}^2,\forall j(τβ)ij∼N(0,aa−1στβ2), Cov((τβ)ij,(τβ)i′j)=−a1στβ2,∀j(协方差这条是1和2的前半句导出的)
- fixed factor与不同random factor level交互产生的效应是独立的
这个模型有如下结果:
Unrestricted Mixed Model
Unrestricted Mixed Model对交互项的处理与两因素的随机效应模型是一样的,假设
(τβ)ij∼iidN(0,στβ2)(\tau \beta)_{ij} \sim_{iid} N(0,\sigma_{\tau \beta}^2)(τβ)ij∼iidN(0,στβ2)
这个模型的部分结果如下:
注意到B的均方和的期望中包含了残差、B的treatment effect,交互项三部分的方差,因此检验因素B的方差是否为0时F统计量要用MSB/MSABMS_B/MS_{AB}MSB/MSAB而不是MSB/MSEMS_B/MS_EMSB/MSE!
事实上Unrestricted Mixed Model可以化归为Restricted Model。定义
(τˉβ).j=1a∑i=1a(τβ)ij(\bar{\tau} \beta)_{.j} = \frac{1}{a}\sum_{i=1}^a (\tau \beta)_{ij}(τˉβ).j=a1i=1∑a(τβ)ij
对Unrestricted Mixed Model做简单变形:
yijk=μ+τi+βj+(τβ)ij+ϵijk=μ+τi+(βj+(τˉβ).j)+((τβ)ij−(τˉβ).j)+ϵijy_{ijk} = \mu + \tau_i + \beta_j +(\tau \beta)_{ij}+ \epsilon_{ijk} \\ = \mu + \tau_i + (\beta_j +(\bar{\tau} \beta)_{.j}) +((\tau \beta)_{ij} - (\bar{\tau} \beta)_{.j})+ \epsilon_{ij}yijk=μ+τi+βj+(τβ)ij+ϵijk=μ+τi+(βj+(τˉβ).j)+((τβ)ij−(τˉβ).j)+ϵij
定义γj=βj+(τˉβ).j,(τγ)ij=(τβ)ij−(τˉβ).j\gamma_j = \beta_j +(\bar{\tau} \beta)_{.j},\ (\tau \gamma)_{ij} = (\tau \beta)_{ij} - (\bar{\tau} \beta)_{.j}γj=βj+(τˉβ).j, (τγ)ij=(τβ)ij−(τˉβ).j,验证以下模型是Restricted Model:
yijk=μ+τi+γj+(τγ)ij+ϵijky_{ijk} = \mu + \tau_i + \gamma_j +(\tau \gamma)_{ij} + \epsilon_{ijk}yijk=μ+τi+γj+(τγ)ij+ϵijk
计算
∑i=1a(τγ)ij=∑i=1a[(τβ)ij−(τˉβ).j]=∑i=1a(τβ)ij−a(τˉβ).j=0Cov((τγ)ij,(τγ)ij)=Cov((τβ)ij−(τˉβ).j,(τβ)ij−(τˉβ).j)=στβ2−1aστβ2−1aστβ2+∑i=1a1a2στβ2=a−1aστβ2\sum_{i=1}^a (\tau \gamma)_{ij} = \sum_{i=1}^a[ (\tau \beta)_{ij} - (\bar{\tau} \beta)_{.j}] = \sum_{i=1}^a (\tau \beta)_{ij} -a(\bar{\tau} \beta)_{.j}=0 \\ Cov((\tau \gamma)_{ij},(\tau \gamma)_{ij}) = Cov((\tau \beta)_{ij} - (\bar{\tau} \beta)_{.j},(\tau \beta)_{ij} - (\bar{\tau} \beta)_{.j}) \\ = \sigma^2_{\tau \beta} - \frac{1}{a} \sigma^2_{\tau \beta} - \frac{1}{a} \sigma^2_{\tau \beta} + \sum_{i=1}^a \frac{1}{a^2}\sigma^2_{\tau \beta} = \frac{a-1}{a}\sigma^2_{\tau \beta}i=1∑a(τγ)ij=i=1∑a[(τβ)ij−(τˉβ).j]=i=1∑a(τβ)ij−a(τˉβ).j=0Cov((τγ)ij,(τγ)ij)=Cov((τβ)ij−(τˉβ).j,(τβ)ij−(τˉβ).j)=στβ2−a1στβ2−a1στβ2+i=1∑aa21στβ2=aa−1στβ2
因此Restricted Model比Unrestricted Mixed Model更具有一般性。
对两因素随机与混合效应模型的总结
这是我老师课件上的表格,感觉总结得不错,贴在这里:
注意这些表展示的都是ANOVA方法的框架,EMS表示均方和的期望,根据均方和的期望可以把F统计量写出来,比如最后这张表,要检验H0:σβ2=0H_0:\sigma^2_{\beta}=0H0:σβ2=0需要用它对应的均方和除以(βγ)(\beta \gamma)(βγ)对应的均方和,因为它对应的EMS里面包含残差、(βγ)(\beta \gamma)(βγ)以及β\betaβ三部分方差,要检验β\betaβ的需要剔除前两项,对应的就是(βγ)(\beta \gamma)(βγ)的EMS。
同样以最后这张表为例,表格上半部分第一行表示某个指标适用固定效应(F)还是随机效应(R)的假设;第三行是指标的记号;第二行表示指标的最大取值。表格下半部分第一列是不同的effect,比如τi\tau_iτi关于iii指标是0说明它服从固定效应的假设,关于后面三个指标都是对应指标的最大值,说明τi\tau_iτi与后面三个指标无关;βj\beta_jβj关于指标jjj是1说明它服从随机效应的假设,关于另外三个指标都是对应指标的最大值说明它与另外三个指标无关;(τβ)ij(\tau \beta)_{ij}(τβ)ij关于关于iii指标是0,关于指标jjj是1,说明它适用Restricted Model的假设。
UA MATH571B 试验设计VI 随机效应与混合效应2相关推荐
- UA MATH571B 试验设计VI 随机效应与混合效应4 裂区设计
UA MATH571B 试验设计VI 随机效应与混合效应4 裂区设计 第一种统计模型 第二种统计模型 裂区设计(split-plot design)和嵌套设计(nested design)要解决的问题 ...
- UA MATH571B 试验设计VI 随机效应与混合效应3 嵌套设计
UA MATH571B 试验设计VI 随机效应与混合效应3 嵌套设计简介 两阶段嵌套设计 前两讲介绍了两因素的随机效应与混合效应模型的统计方法,进行实验设计的时候思路与RCBD类似.试验有random ...
- UA MATH571B 试验设计VI 随机效应与混合效应1
UA MATH571B 试验设计VI 随机效应与混合效应 两个factor的随机效应模型 现在回到试验设计III 单因素试验设计1中介绍的模型,yij=μ+τi+ϵij,ϵij∼iidN(0,σ2)i ...
- UA MATH571B 试验设计 总结 试验的类型与选择
UA MATH571B 试验设计 总结 试验的类型与选择 试验的意义,试验设计的意义 单个treatment factor的试验 多个treatment factor的试验 多个treatment f ...
- UA MATH571B 试验设计 QE练习题1
UA MATH571B 试验设计 QE练习题1 第一题 第二题 第三题 这是2014年一月Methodology的1-3题. 第一题 希望今年的考试没有这种概念题! 第一个是对的,比较多正态总体的方差 ...
- UA MATH571B 试验设计 总结 判断试验类型的例题
UA MATH571B 试验设计 总结 判断试验类型的例题 2015年5月第二题:Blocking factorial design 2015年5月第三题:Split-plot Design 2017 ...
- UA MATH571B 试验设计 2k析因设计理论下
UA MATH571B 试验设计 2k析因设计理论下 Confounding Blocking 222^222析因设计 Blocking 232^323析因设计 principal block Fra ...
- UA MATH571B 试验设计III 单因素试验设计1
UA MATH571B 试验设计III 单因素试验设计 单因素ANOVA 模型设定与假设 ANOVA F检验 单因素ANOVA 方差分析(Analysis of Variance,ANOVA)是两样本 ...
- UA MATH571B 试验设计I 试验设计简介
UA MATH571B 试验设计I 试验设计简介 试验设计的作用与意义 混淆变量 相关性与因果 试验设计的流程与目标 消除偏差 对照组 随机试验 Blinding 减少抽样误差 重复试验 平衡试验和区 ...
最新文章
- android ndk常见的问题及解决的方法
- @vue/cli启动异常:ENOENT: no such file or directory, scandir
- 5个球放入3个箱子_乌龙!3个可疑箱子出现在中国总领事馆外,警方排爆后发现是口罩……...
- java5的递归算法_java递归算法 java面试题(5)
- 为什么说堡垒机是企业IT运维的“安全终结者”?
- Struts2学习笔记(五) Action(下)
- 解决office2003无法卸载的问题
- Python300篇电子书
- Microsoft Visual Studio 2010安装教程
- js下拉列表二级联动
- Normalized Gini Coefficient
- CSS生日快乐:CSS之父Håkon Wium Lie访谈录
- 在线EXCEL编辑器-Luckysheet
- 最长公共子序列的问题
- 蓝桥信用卡号验证-枚举法应用 JAVA暴解
- 【对讲机的那点事】如何利用写频软件预置海能达数字对讲机的加密功能
- 什么样的企业会上BI系统?
- 魔术包唤醒_什么是唤醒计算机的“魔术包”?
- 2018年东南大学计算机学院预推免面试
- ubuntu18.04安装ros之资源被屏蔽问题
热门文章
- LaTeX 使用 bib 管理参考文献时,引用网络资源 URL 导致排版难看的问题
- 索引的使用—— 验证索引提升查询效率 || 避免索引失效 —— 全值匹配 /最左前缀法则/范围查询右边的列,不能使用索引/不要在索引列上进行运算操作/字符串不加单引号,造成索引失效
- Get Started with Visualforce
- 前后端交互概述与URL地址格式
- 基本数据类型和字符串类型的转换
- Java知识点26——模拟12306买票过程、模拟龟兔赛跑的过程、静态代理例子
- JS删除数组元素的函数介绍
- chrome浏览器下用几行js代码实现写入剪贴板功能
- Sculpture ACM/ICPC NWERC 2008 离散化
- java中substring函数