Trực giác đằng sau giả định hình cầu
Một trong những giả định của các biện pháp phổ biến, không lặp lại, ANOVA là phương sai bằng nhau trong tất cả các nhóm.
(Chúng ta có thể hiểu điều đó bởi vì phương sai bằng nhau, còn được gọi là đồng đẳng , là cần thiết cho công cụ ước lượng OLS trong hồi quy tuyến tính là BLUE và để kiểm tra t tương ứng có hiệu lực, xem định lý Gaussuler Markov . Và ANOVA có thể được thực hiện dưới dạng tuyến tính hồi quy.)
Vì vậy, hãy cố gắng giảm trường hợp RM-ANOVA thành trường hợp không phải là RM. Để đơn giản, tôi sẽ xử lý một yếu tố RM-ANOVA (không có bất kỳ hiệu ứng giữa các chủ thể) có đối tượng được ghi trong điều kiện RM.nk
Mỗi đối tượng có thể có bù trừ cụ thể theo chủ đề riêng hoặc chặn. Nếu chúng tôi trừ các giá trị trong một nhóm khỏi các giá trị trong tất cả các nhóm khác, chúng tôi sẽ hủy các lần chặn này và đến tình huống khi chúng tôi có thể sử dụng phi-RM-ANOVA để kiểm tra xem các khác biệt của nhóm có bằng không. Để thử nghiệm này có hiệu lực, chúng tôi cần một giả định về phương sai bằng nhau của những khác biệt .k−1k−1
Bây giờ chúng ta có thể trừ nhóm 2 khỏi tất cả các nhóm khác, một lần nữa đạt đến sự khác biệt cũng nên có phương sai bằng nhau. Đối với mỗi nhóm trong số , phương sai của chênh lệch tương ứng phải bằng nhau. Nó nhanh chóng theo sau rằng tất cả các khác biệt có thể bằng nhau.k−1kk−1k(k−1)/2
Mà chính xác là giả định hình cầu.
Tại sao phương sai nhóm không nên bằng nhau?
Khi chúng ta nghĩ về RM-ANOVA, chúng ta thường nghĩ về một mô hình kiểu mô hình hỗn hợp phụ gia đơn giản có dạng trong đó là các hiệu ứng chủ đề, là các hiệu ứng điều kiện và .
yij=μ+αi+βj+ϵij,
αiβjϵ∼N(0,σ2)
Đối với mô hình này, các khác biệt nhóm sẽ tuân theo , tức là tất cả sẽ có cùng phương sai , do đó tính toàn cầu sẽ giữ. Nhưng mỗi nhóm sẽ theo một hỗn hợp gồm Gaussian với các phương tiện tại và variances , đó là một phân phối phức tạp với phương sai không đổi giữa các nhóm.N(βj1−βj2,2σ2)2σ2nαiσ2V(α⃗ ,σ2)
Vì vậy, trong mô hình này, thực sự, phương sai nhóm cũng giống nhau. Hiệp phương sai nhóm cũng giống nhau, có nghĩa là mô hình này ngụ ý đối xứng hợp chất . Đây là một điều kiện nghiêm ngặt hơn so với tính hình cầu. Như lập luận trực quan của tôi ở trên cho thấy, RM-ANOVA có thể hoạt động tốt trong tình huống chung hơn, khi mô hình phụ gia được viết ở trên không giữ được .
Báo cáo toán học chính xác
Tôi sẽ thêm vào đây một cái gì đó từ Huynh & Feldt, 1970, Điều kiện theo tỷ lệ bình phương trung bình nào trong các phép đo lặp đi lặp lại có chính xác Phân phốiF .
Điều gì xảy ra khi phá vỡ hình cầu?
Khi tính toàn cầu không giữ được, có lẽ chúng ta có thể mong đợi RM-ANOVA (i) có kích thước tăng cao (nhiều lỗi loại I hơn), (ii) bị giảm công suất (nhiều lỗi loại II hơn). Người ta có thể khám phá điều này bằng cách mô phỏng, nhưng tôi sẽ không làm điều đó ở đây.