สัญชาตญาณที่อยู่เบื้องหลังการสันนิษฐานว่าเป็นทรงกลม
หนึ่งในข้อสันนิษฐานของมาตรการทั่วไปที่ไม่ได้ทำซ้ำ ANOVA คือความแปรปรวนที่เท่าเทียมกันในทุกกลุ่ม
(เราสามารถเข้าใจได้เพราะความแปรปรวนเท่ากันหรือที่เรียกว่าhomoscedasticityเป็นสิ่งจำเป็นสำหรับตัวประมาณ OLS ในการถดถอยเชิงเส้นจะเป็นสีน้ำเงินและสำหรับการทดสอบ t ที่สอดคล้องกันจะถูกต้องดูทฤษฎีบทเกาส์ - มาร์กอฟและ ANOVA การถดถอย.)
งั้นลองลดกรณี RM-ANOVA เป็นกรณีที่ไม่ใช่ RM เพื่อความเรียบง่ายฉันจะจัดการกับปัจจัยหนึ่ง RM-ANOVA (โดยไม่มีผลกระทบระหว่างเรื่องใด ๆ ) ที่มีวิชาที่บันทึกในเงื่อนไขk RMnk
แต่ละวิชาสามารถมีออฟเซ็ตเฉพาะเรื่องของตนเองหรือสกัดกั้น หากเราลบค่าในกลุ่มหนึ่งจากค่าในกลุ่มอื่นทั้งหมดเราจะยกเลิกการสกัดกั้นเหล่านี้และมาถึงสถานการณ์เมื่อเราสามารถใช้ non-RM-ANOVA เพื่อทดสอบแตกต่างของกลุ่มk - 1เป็นศูนย์ทั้งหมดหรือไม่ สำหรับการทดสอบนี้จะเป็นที่ถูกต้องเราต้องสมมติฐานของความแปรปรวนที่เท่ากันของเหล่าk - 1ความแตกต่างk - 1k - 1
ตอนนี้เราสามารถลบกลุ่ม # 2 จากกลุ่มอื่นทั้งหมดมาถึงความแตกต่างที่ควรมีความแปรปรวนเท่ากัน สำหรับแต่ละกลุ่มจากkความแปรปรวนของความแตกต่างk - 1 ที่สอดคล้องกันควรเท่ากัน ตามมาอย่างรวดเร็วว่าความแตกต่างที่เป็นไปได้k ( k - 1 ) / 2ควรเท่ากันk - 1kk - 1k ( k - 1 ) / 2
ซึ่งเป็นข้อสันนิษฐานที่แม่นยำของทรงกลม
ทำไมความแตกต่างของกลุ่มไม่ควรเท่ากัน?
เมื่อเราคิดว่า RM-ANOVA เรามักจะคิดว่ารูปแบบการผสมรูปแบบสไตล์ที่เรียบง่ายสารเติมแต่งในรูปแบบที่α ฉันที่มีผลกระทบเรื่องβ เจมี ผลกระทบสภาพและε ~ N ( 0 , σ 2 )
Yฉันเจ= μ + αผม+ βJ+ ϵฉันเจ,
αผมβJϵ ∼ N( 0 , σ2)
สำหรับรุ่นนี้แตกต่างจะเป็นไปตามกลุ่มคือทุกคนจะมีความแปรปรวนเดียวกัน2 σ 2เพื่อให้เป็นทรงกลมถือ แต่แต่ละกลุ่มจะตามด้วยส่วนผสมของn Gaussians ด้วยค่าเฉลี่ยที่α iและค่าความแปรปรวนσ 2ซึ่งเป็นการกระจายที่ซับซ้อนด้วยความแปรปรวนV ( → α , σ 2 )ที่คงที่ตลอดทั้งกลุ่มยังไม่มีข้อความ( βJ1- βJ2, 2 σ2)2 σ2nαผมσ2V( α⃗ , σ2)
ดังนั้นในโมเดลนี้แน่นอนความแปรปรวนของกลุ่มก็เหมือนกัน covariances กลุ่มนี้ยังมีเหมือนกันที่มีความหมายว่ารูปแบบนี้หมายถึงความสมมาตรสารประกอบ นี่คือเงื่อนไขที่เข้มงวดมากขึ้นเมื่อเทียบกับความกลม เป็นอาร์กิวเมนต์ที่ใช้งานง่ายของฉันข้างต้นแสดงให้เห็นว่า RM-ANOVA สามารถทำงานได้ดีในสถานการณ์ทั่วไปมากขึ้นเมื่อรูปแบบสารเติมแต่งที่เขียนข้างต้นไม่ได้ถือ
คำสั่งทางคณิตศาสตร์ที่แม่นยำ
ฉันจะไปเพิ่มที่นี่บางสิ่งบางอย่างจากHuynh & Feldt 1970 อัตราส่วนภายใต้เงื่อนไขที่ Mean Square ในวัดซ้ำ Designs มีแน่นอนF -Distributions
จะเกิดอะไรขึ้นเมื่อทรงกลมแตก
เมื่อทรงกลมไม่ถือเราอาจคาดหวังว่า RM-ANOVA ถึง (i) มีขนาดที่สูงเกินจริง (ข้อผิดพลาดประเภทที่ 1 มากขึ้น) (ii) มีพลังงานลดลง (ข้อผิดพลาดประเภท II เพิ่มเติม) เราสามารถสำรวจได้โดยการจำลองสถานการณ์ แต่ฉันจะไม่ทำที่นี่