UA MATH571B 试验设计III 单因素试验设计3

在单因素ANOVA模型中，有时需要对treatment effect做一些其他比较。以下方法就是用来各种不同的比较的。

Contrast

在均值模型中
$$\begin{gathered} y_{ij}={\mu }_i+{ϵ}_{ij},{ϵ}_{ij}{\sim }_{iid}N(0,{\sigma }^2) \\ i=1,2,\cdots ,a;j=1,2,\cdots ,n \end{gathered}$$
假设要做下列假设检验
$$H_0:L=\sum _{i=1}^a{c}_i{\mu }_i=L_0$$
其中$c_i$可以是任何常数。先考虑$L$的估计量
$$\hat{L}=\sum _{i=1}^a{c}_i{\hat{\mu }}_i=\sum _{i=1}^a{c}_i{\bar{y}}_{i.}$$
显然这个估计量是正态的，其方差为
$$Var(\hat{L})=\sum _{i=1}^a{c}_i^{2}Var({\bar{y}}_{i.})=\sum _{i=1}^a{c}_i^2\frac{{\sigma }^2}{n_i}$$
其中${\sigma }^2$的估计量是$MSE$，由此可以构造t统计量
$$\frac{\hat{L}-L_0}{\sqrt{MSE{\sum }_{i=1}^a\frac{c_i^2}{n_i}}}\sim t(N-a)$$
用t检验来做。
在上面的线性组合中，如果${\sum }_{i=1}^a{c}_i=0$，则称这样的线性组合为一个contrast，定义此时的线性组合为$\Gamma ={\sum }_{i=1}^a{c}_i{\mu }_i$，通常关于constrast的检验是$H_0:\Gamma =0$，这个检验也用t检验做。如果两个contrast的系数$c_i$和$d_i$满足
$$\sum _{i=1}^a{c}_i{d}_i{n}_i=0$$
则称这两个contrast正交。需要注意的是contrast是在试验之前要设计好的，避免做了试验拿到了数据之后再来选哪些检验能显著！

多个contrast的联合推断

假设要做多个contrast的假设检验
$$H_0:{\Gamma }_1={\Gamma }_{10},\cdots ,{\Gamma }_m={\Gamma }_{m0}$$
假设$C{I}_1,\cdots ,C{I}_m$是每一个contrast的$100(1-\alpha )\%$置信区间，则
$$P({\Gamma }_{i0}\notin C{I}_i|H_0)=\alpha$$
但要要拒绝原假设，只需要任一${\Gamma }_{i0}\notin C{I}_i$，根据Bonferroni不等式，假设要让在原假设成立时拒绝原假设的概率保持为$\alpha$，需要$P({\Gamma }_{i0}\notin C{I}_i|H_0)={\alpha }^{\prime }$
$$P(atleastonei{\Gamma }_{i0}\notin C{I}_i|H_0)\le \sum _{i=1}^{m}P({\Gamma }_{i0}\notin C{I}_i|H_0)=m{\alpha }^{\prime }$$
近似地可以有${\alpha }^{\prime }=\alpha /m$。如果这些$constrast$是正交了，它们的估计量就是独立的，因此上式可以直接取等，并且可以用一个ANOVA同时做这个检验。${\alpha }^{\prime }=\alpha /m$表明如果希望假阳性是$\alpha$，那么每一个置信区间$C{I}_i$需要用置信水平$100(1-\alpha /m)\%$来构造，这种做联合推断的调整叫Bonferroni调整。
另一种做联合推断的方法是Scheffe方法。根据Scheffe方法构造的单个contrast的置信区间为
$${\hat{\Gamma }}_i-\sqrt{(a-1)F_{\alpha ,a-1,N-a}}\sqrt{MSE\sum _{i=1}^a\frac{c_i^2}{n_i}}\le {\Gamma }_i\le {\hat{\Gamma }}_i+\sqrt{(a-1)F_{\alpha ,a-1,N-a}}\sqrt{MSE\sum _{i=1}^a\frac{c_i^2}{n_i}}\le {\Gamma }_i$$
如果$m$比较大就用Scheffe，如果$m$比较小就用Bonferroni。

配对比较

假设要对所有的treatment group mean做两两比较，$\forall i\ne j$
$$\begin{gathered} H_0:{\mu }_i={\mu }_j \\ {H}_a:{\mu }_i\ne {\mu }_j \end{gathered}$$

Tukey检验

如果试验是平衡的，可以用Tukey检验，如果试验是不平衡的，可以用Tukey-Kramer方法。因为思路都一样，这里介绍Tukey检验。首先构造
$$q=\frac{{\bar{y}}_{max}-{\bar{y}}_{min}}{\sqrt{MSE/n}}$$
其中${\bar{y}}_{max}$与${\bar{y}}_{min}$是待比较的$p$个组内平均的最大值和最小值，它的分布可以查表，记为$q_{\alpha }(p,f)$，其中$\alpha$是百分比，$q_{\alpha }$代表上分位点，$f$是$MSE$的自由度。Tukey检验给出的${\mu }_i-{\mu }_j$的置信区间边界
$${\bar{y}}_{i.}-{\bar{y}}_{j.}\pm q_{\alpha }(a,f)\sqrt{MSE/n}$$

Fisher Least Significant Difference方法

因为两总体比较${\mu }_i-{\mu }_j$的置信区间边界可以写成
$${\bar{y}}_{i.}-{\bar{y}}_{j.}\pm t_{\alpha /2,N-a}\sqrt{MSE(\frac{1}{n_i}+\frac{1}{n_j})}$$
定义
$$LSD=t_{\alpha /2,N-a}\sqrt{MSE(\frac{1}{n_i}+\frac{1}{n_j})}$$
为Least Significant Difference，代表置信区间的长度。用这个值进行比较的过程是计算$|{\bar{y}}_{i.}-{\bar{y}}_{j.}|$，如果比LSD大就认为${\mu }_i-{\mu }_j$显著异于0。

Dunnett方法

如果有一组是对照组，那么实验组的结果都要与它比较。假设对照组是第$a$组，则需要做的假设检验是$\forall i=1,\cdots ,a-1$，
$$\begin{gathered} H_0:{\mu }_i={\mu }_a \\ {H}_a:{\mu }_i\ne {\mu }_a \end{gathered}$$
Dunnett方法与Fisher LSD比较像，都是给一个判别值判断均值的差是否超过了判别值。Dunnett方法的判别值是
$$d_{\alpha }(a-1,N-a)\sqrt{MSE(\frac{1}{n_i}+\frac{1}{n_j})}$$
需要注意的是$\alpha$是这$a-1$个假设检验的联合type I error。