Powiedzmy, że mamy dwa czynniki (A i B), każdy z dwoma poziomami (A1, A2 i B1, B2) i zmienną odpowiedzi (y).
Podczas wykonywania dwukierunkowej ANOVA typu:
y~A+B+A*B
Testujemy trzy hipotezy zerowe:
- Nie ma różnicy w średnich współczynnika A.
- Nie ma różnicy w średnich ze współczynnika B.
- Nie ma interakcji między czynnikami A i B.
Po zapisaniu pierwszych dwóch hipotez można łatwo sformułować (dla 1 jest to )
Ale jak sformułować hipotezę 3?
edytuj : a jak sformułować to w przypadku więcej niż dwóch poziomów?
Dzięki.
hypothesis-testing
anova
Tal Galili
źródło
źródło
H_0 = \mu_{A1}=\mu_{A2}
\mu_{A_1}
Odpowiedzi:
Myślę, że ważne jest wyraźne oddzielenie hipotezy i odpowiadającego jej testu. W poniższych punktach zakładam zrównoważony projekt CRF- między badanymi (równe rozmiary komórek, notacja Kirka: projekt całkowicie losowy).p q
i j A k B 1 ≤ i ≤ n 1 ≤ j ≤ p 1 ≤ k ≤ q Y i j k = μ j k + ϵ i ( j k ) ,Yja j k to obserwacja w traktowaniu czynnika i traktowaniu czynnika pomocą , i . Model toja jot ZA k b 1 ≤ i ≤ n 1 ≤ j ≤ p 1 ≤ k ≤ q Yja j k= μj k+ ϵi ( j k ),ϵi ( j k )∼ N.( 0 , σ2)ϵ)
Projekt: A 1…j…A p B 1μ11…μj 1…μp 1μ.1…………………B kμ1 tys…μj k…μp kμ. k…………………B qμ1 q…μj q…μp qμ. q μ1.…μj .…μp .μ
j k ϵ i ( j k ) i ( ) j k iμj k to oczekiwana wartość w komórce , to błąd związany z pomiarem osoby w tej komórce. Notacja wskazuje, że indeksy są stałe dla każdej osoby określonej dlatego, że człowiek jest obserwowany tylko w jednym stanie. Kilka definicji efektów:j k ϵi ( j k ) ja ( ) j k ja
jAμj .= 1q∑qk = 1μj k (średnia oczekiwana wartość dla leczenia czynnika )jot ZA
kBμ. k= 1p∑pj = 1μj k (średnia oczekiwana wartość dla leczenia czynnika )k b
j A ∑ p j = 1 α j = 0αjot= μj .- μ (efekt leczenia czynnika , )jot ZA ∑pj = 1αjot= 0
k B ∑ q k = 1 β k = 0βk= μ. k- μ (efekt leczenia czynnika , )k b ∑qk = 1βk= 0
j A k B ∑ p j = 1 ( α β ) j k = 0( α β)j k= μj k- ( μ + αjot+ βk) = μj k- μj .- μ. k+ μ jot ZA k b ∑pj = 1( α β)j k= 0∧∑qk = 1( α β)j k= 0 )
(efekt interakcji dla kombinacji leczenia czynnika z leczeniem czynnika ,
j A k B ∑ p j = 1 α ( k ) j = 0α( k )jot= μj k- μ. k jot ZA k b ∑pj = 1α( k )jot= 0∧1q∑qk = 1α( k )jot= αjot∀j , k )
(warunkowy główny efekt leczenia czynnika w ramach ustalonego leczenia czynnika ,
k B j A ∑ q k = 1 β ( j ) k = 0β( j )k= μj k- μj . k b jot ZA ∑qk = 1β( j )k= 0∧1p∑pj = 1β( j )k= βk∀j , k )
(warunkowy główny efekt leczenia czynnika w ramach ustalonego leczenia czynnika ,
With these definitions, the model can also be written as:Yja j k= μ + αjot+ βk+ ( α β)j k+ ϵi ( j k )
This allows us to express the null hypothesis of no interaction in several equivalent ways:
(all individual interaction terms are
(all conditional main effects for any treatment
(all conditional main effects for any treatment
μ j k A x B qH.0ja : Na schemacie, który pokazuje oczekiwane wartości z poziomami czynnika na osi i poziomami czynnika narysowanymi jako osobne linie, różne linie są równoległe.μj k ZA x b q
źródło
Interakcja mówi nam, że poziomy czynnika A mają różne skutki w zależności od zastosowanego poziomu czynnika B. Możemy to przetestować za pomocą kontrastu liniowego. Niech C = (A1B1 - A1B2) - (A2B1 - A2B2), gdzie A1B1 oznacza średnią grupy, która otrzymała A1 i B1 i tak dalej. Więc patrzymy na A1B1 - A1B2, który jest efektem, jaki ma czynnik B, gdy stosujemy A1. Jeśli nie ma interakcji, powinno to być takie samo, jak efekt B, gdy zastosujemy A2: A2B1 - A2B2. Jeśli są takie same, ich różnica powinna wynosić 0, abyśmy mogli skorzystać z testów:
źródło