随机设计_上海财经大学.pptVIP

* 模型: t =1,…,k 实验设置 nt 各个实验设置下的观察值的数量 N 观察值总量 * 方差来源 平方和 自由度 均方 均方的期望值 组间 k – 1 组内 N – k 总和 N – 1 * 为检验实验效果是否显著，我们提出如下的零假设和备择假设： 零假设H0 ： τ1 = τ2 =…= τk = 0 备择假设H1 ：其它情况 当零假设为真时，组间均方与组内均方之商服从F(k–1, N–k)的分布。因此，我们可以用F-检验判定零假设的真伪。 当随机扰动项εti服从相互独立且同方差的正态分布时，F-检验为准确检验；在其它情况下，该检验被视作非参数随机检验的逼近近似检验。 * 1. 方差分析和普通最小二乘法 * 最小二乘法所得到的估计量与单因素方差分析中所得到的统计量可以相互导出，两种方法在作用上完全等价。 为简便起见，我们不妨假设每个实验条件下的独立观察值数量都是n。整个实验总共有k个实验条件、kn个独立观察值。 通过求解约束条件为 的最小化问题 min 我们得到最小二乘估计量 和 ，t = 1 ,…, k。 * 将关于 和 的一阶条件与约束条件 联立求解，我们得到如下的普通最小二乘估计量： 这些估计量为无偏估计量，例如： 。由最小二乘估计量我们可以得到单因素方差分析的相关统计量，比如组间均方可用 表出。 * 2. 从对比量（Contrast）中得到的统计推断 * 如果关于实验效果是否显著的单因素方差分析F-检验的结果表明实验效果显著，检验结果本身并不能告诉我们究竟是哪个实验条件的效果显著，也不能告诉我们在相对实验中两个实验条件之间的效果差异究竟如何。 为回答上述问题，我们需要构造对比量（Contrast），并从中得到统计推断。 * 对比量ψ是满足下述条件的关于τt的线性组合： ψ=c1τ1+ c2τ2 +…+ ckτk, 其中ct ，t = 1 ,…, k是预先指定的常数，且∑ct=0。 例如，当k=2，c1= 1 且 c2= -1时，我们有ψ=τ1–τ2 。 * 对比量ψ具有如下性质： 原对比量乘以一个数乘乘子，所得到的新对比量与原对比量等价。例如， ψ=2τ1–2τ2就与ψ=τ1–τ2等价。 当各个关于均值差的对比量分别包含相互独立的信息时，我们说这些对比量相互正交。对比量 ψ1=c11τ1+ c12τ2 +…+ c1kτk与 ψ2=c21τ1+ c22τ2 +…+ c2kτk 正交的充分必要条件为∑c1jc2j=0 。 由于对比量ψ是关于τt的线性组合，所以关于τt的对比量的最小二乘估计与关于τt的最小二乘估计的对比量等价。用数学语言表达，即 * 通过构造对比量ψ，我们希望进行如下的假设检验： 零假设H0：ψ = 0 备择假设H1：ψ 0 或ψ 0 我们可以用该检验来考察各实验条件下的实验效果的差异。例如，在只有单个实验变量的实验中，当k=2，ψ=τ1–τ2 时，我们所检验的是两个实验条件之间的实验效果差异是否显著。 为简便起见，我们只考察平衡设计（即各个实验条件下的观察值数量相同，n1=n2=…=nk=n）时的情况。 * 当随机扰动项εti服从均值为0、方差为σ2的 正态分布时，根据最小二乘估计， 的方差为 (k-1)σ2/nk。对方差σ2的估计量即为组内均方 服从 分布。因此，估计量 的标准差为 * 当被检验的零假设为真时， 。 我们根据检验的显著水平选取t分布的临界值，将临界值与统计量的绝对值比较。如果统计量的绝对值大于临界值，我们判定在该显著水平上零假设被拒绝。 当随机扰动项服从正态分布时，上述检验为准确检验。在其它情况下，该检验为非参数检验的近似检验。 * 3. 随机扰动项的特征 * 在着手进行F-检验以前，我们有必要对随机扰动项的基本特征进行考察，从而判定F-检验究竟是准确检验、还是非参数排列检验的近似。 我们首先对线性模型进行最小二乘估计，得到εti的估计量、即残差项后，我们分别进行下面的工作： * (a) 观察在各个实验设置下残差项是否服从正态分布。 绘制残差项在各取值范围所出现的频率的柱状图，判定残差项是否大体上服从单峰对称的分布。 如果柱状图非常不对称，我们不能假定随机扰动项服从正态分布。 在柱状图中，我们特别需要关注各个孤立点。 * (b) 验证各个实验设置下残差项的均值是否为零（注意：