自学方差分析最优线性无偏估计.doc

PAGE  PAGE 92 方差分析的最优线性无偏估计法 BLUP OF ANOVA 李远景 安徽农业大学理学院统计教研室 基本知识： 1、含 义：利用最小二乘法（误差平方和最小，近似于回归分析中利用回归方程由各个x估计出y的理论值，该方法的原理就是最小二乘法或最小平方法，而常规方差分析对处理效应值的估计一般是用平均值。）原理估计处理效应值的一种方差分析方法。 2、适宜资料：单因素、多因素试验，用来进行多个处理比较的方差分析资料。 3、分析目的：估计出的处理效应值的误差为最小。 4、优 点：估计处理效应值的的误差最小。（注：常规的方差分析法的误差方差的估计也是无偏的。是指对误差方差估计无偏） 5、分析思路：先将处理效应值看作各个因素的或各个观察值的线性函数，然后利用最小二乘法原理，估计出各个处理的效应值，再进行方差分析（F测验和多重比较）。 1974年美国康奈大学C·R·Henderson博士及其协作者首先提出应用线性模型来评价种公牛育种值的方法。他们将育种值作为观察值的线性函数采用稍做改良的最小二乘分析法，使其估计值的误差为最小。并定名为最优线性无偏估计（Best Liner Unbiased Predication 简称BLUP法）。由于该法具有对估计效应值的误差最小、精度最优及无偏的特点，并可由计算机进行大量的繁琐计算，故BLUP法在八十年代就被一些先进国家的学者应用于生产实践中，并在方差分析中得到具体的应用。 第一节 参数的最小二乘估计 一、线性模型 假定观察的随机变量Y与若干个因素X1，X2，…，XP间存在线性关系，其线性模型为： Y=β1X1+β2X2+…+βpXp+ε （基本同方差分析的线性可加模型） （5—1） 其中β1，β2…βp为待估的参数，ε为随机误差。若对X1，X2…Xp，Y作n次观察（实验），则（5—1）式可表示为： （5—2） 将（5—2）式改写成矩阵形式为： Y=βX+ε （5—3） 式中Y为观察值向量，β为参数向量，X为设计矩阵或结构矩阵，ε为误差向量。通常假定εi～N（o，σ2） i=1，2，…，n且相互独立，因此，对于（5—3）式可进一步记为（Y，Xβ，σ2I），意为观察值向量Y有 (5—4) 对线性模型（5—4），主要对β或β的函数及σ2作出估计并进行假设检验。 二、效应的最小二乘估计 对于β的估计，根据（5—4）式有： (X＇X)β=X＇Y （5—5） 称（5—5））式为正规方程，它的解为β的最小二乘估计，记作。 1、当（X＇X）为可逆（满秩）矩阵时，（5—5）式有唯一解： =(X＇X)—1X＇Y （5—6） 若要估计β1，β2，…βp的线性函数 P=C1β1+C2β2+…+Cpβp （5—7） 则 C＇=（C1，C2，…Cp） 称为P的最小二乘估计。 对于σ2（误差方差）的估计记： 由（5—6）式有 （5—8） 称为残差平方和（误差平方和），记r为X的秩，则 （5—9） 为σ2的无偏估计。 最小二乘估计的性质有： （5—10） （5—11） 类似地： （线性函数的估计） （5—12） （5—13） 即：、C＇分别为β、C＇β的唯一最小方差线性无偏估计，简称BLUE（Best Linear Unbiased Estimator） 2、当（X＇X）不可逆时，（5—5）式无唯一解，有无穷多解，此时常对β加上一个约束条件 H0：β=0 （5—14） 使β的各分量不独立，从（5—14）可解出β与其中独立的那部分分量间的关系： β=Tβ(0)