Nhóm 6

6.
2 So sánh cặp mẫu ngẫu nhiên

6.3 So sánh hai véc-tơ trung bình.
6.4 So sánh đồng thời nhiều vector giá trị trung bình- phân tích phương sai một hướng MANOVA
6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử lý.
6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai
6.7 Phân tích phương sai đa biến TWo Way MANOVA
6.8 Phân tích hồ sơ tiềm ẩn
6.9 Thiết kế phương pháp lặp và đường tăng trưởng
6.10 Các quan điểm và chiến lược phân tích đa biến mẫu
Comparisons of Several Multivariate Means
Nhóm 6
Viện Toán ứng dụng và Tin học, ĐHBK Hà Nội
11th November 2021
Logo-khoa-chu
Nhóm 6 Phân tích số liệu

6.2 So sánh cặp mẫu ngẫu nhiên
Phân công công việc
STT Họ và tên MSSV Phần thực hiện

1 Trịnh Xuân Trường 20196003 6.2
2 Vũ Mạnh Tiền 20195997 6.3
3 Nguyễn Hoàng Long 20195979 6.4
4 Hoàng Tiến Việt 20196008 6.5
5 Vũ Phong Quý 20195989 6.6
6 Nguyễn Minh Tú 20196004 6.7
7 Nguyễn Đình Thái 20195993 6.8
8 Phùng Văn Tuyên 20173601 6.9
9 Đoàn Minh Tuấn 20196005 6.10
10 Vũ Quốc Huy 20195967 Chữa bài tập
Logo-khoa-chu

6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử lý. So sánh một yếu tố
6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai So sánh nhiều yếu tố
6.7 Phân tích phương sai đa biến TWo Way MANOVA Các phép đo lặp lại
Nội dung
1 6.2 So sánh cặp mẫu ngẫu nhiên
So sánh một yếu tố
So sánh nhiều yếu tố
Các phép đo lặp lại
2 6.3 So sánh hai véc-tơ trung bình.
So sánh hai véc-tơ trung bình.
3 6.4 So sánh đồng thời nhiều vector giá trị trung bình- phân tích phương
sai một hướng MANOVA
6.4 So sánh đồng thời nhiều vector giá trị trung bình- phân tích phương
4 6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử lý.
5 6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai
Kiểm tra tính bằng nhau của ma trận hiệp phương sai Logo-khoa-chu
6 6.7 Phân tích phương sai đa biến TWo Way MANOVA
Mô hình hiệu ứng cố định 2 chiều đơn biến và sự tương tác
Cho 2 mẫu ngẫu nhiên X = (X1 , X2 , ..., Xn ) và Y = (Y1 , Y2 , ..., Yn )

với Xi và Yi kí hiệu cho 1 biến ngẫu nhiên của 1 tính chất từ 2 tổng thể.
Đặt di = Xi − Yi . Ta có:
1 Pn 1 Pn
d= (Xi − Yi ) và s2d = (di − d)
n i=1 n − 1 i=1
Là kỳ vọng và phương sai của di
Logo-khoa-chu

Theo lí thuyết bài toán kiểm định biến 1 chiều với giả thuyết H0 : µ= µ0 ,
đối thuyết H1 : µ ̸= µo ;kiểm định thống kê phù hợp với di là:
√
(d − µ0 ) n
t=
sd
Với mức ý nghĩa α, chúng ta bác bỏ H0 : "µ0 là giá trị đáng tin cậy của
µ" nếu |t| > tn−1 (α/2)
Logo-khoa-chu

Bác bỏ H0 nếu |t| lớn ⇔ với bác bỏ H0 nếu t2 lớn:

(d − µ0 )2 n
t2 =
s2
Khi đó, kiểm định trở thành phủ định H0 , chấp nhận H1 nếu:
n(d − µ0 )(s2 )−1 (d − µ0 ) > (tn−1 )2 (α/2)
Ngược lại trong trường hợp H0 không bị bác bỏ
Logo-khoa-chu

Cho vecto ngẫu nhiên X = [X1 , X2 , ..., Xn ] và Y = [Y1 , Y2 , ..., Yn ]

với Xi và Yi kí hiệu cho 1 biến ngẫu nhiên của p tính chất từ 2 tổng thể.
→ Xi , Yi là các vectơ ngẫu nhiên p chiều:
Xi = [Xi1 , Xi2 , ..., Xip ]T
Yi = [Yi1 , Yi2 , ..., Yip ]T
Đặt Di = Xi − Yi . Ta có:
Di = [Di1 , Di2 , ..., Dip ]T
với Dij = Xij − Yij .
Khi đó, ta có vecto giá trị trung bình
T
µ = [µ1 , µ 2 , ..., µp ]
với µi = n
P
j=1 Dji và ma trận hiệp phương sai: cov(D) = ΣD
Logo-khoa-chu


Xét vecto giá trị trung bình µ = [µ1 , µ2 , ..., µp ]T , µ0 là giá trị tin cậy cho
giá trị trung bình của phân phối chuẩn nhiều chiều. Theo lí thuyết bài
toán kiểm định biến nhiều chiều với giả thuyết H0 : µ = µ0 , đối thuyết
H1 : µ ̸= µ0 ; vecto trung bình mẫu µ có phân phối chuẩn và kiểm định
thống kê phù hợp là:
T 2 = n(µ − µ0 )′ (Sd )−1 (µ − µ0 )
1 Pn
với Sd = (Di − µ)(Di − µ)′
n − 1 i=1
(n − 1)p
T 2 có phân phối như sau: .Fp,n−p với Fp,n−p là biến ngẫu nhiên
n−p
có phân phối F với p và n − p bậc tự do. Phân phối F có dạng:
χ2p Logo-khoa-chu
Fp,n−p = 2
χn−p
Với mức ý nghĩa α, bác bỏ H0 nếu :

(n − 1)p
T 2 = n(µ − µ0 )′ (Sd )−1 (µ − µ0 )> .Fp,n−p (α)
n−p
Với độ tin cậy 100(1 − α)%,rta có khoảng tin cậy cho từng yếu tố µ0 :
(s2di )
r
(n − 1)p
µ± .Fp,n−p (α).
n−p n
với s2di là phần tử thứ i trên đường chéo của ma trận Sd
Với n − p lớn,ta có thể sử dụng phân phối t cho khoảng tin cậy của từng
yếu tố: r 2
α (sdi ) α α
µ ± tn−1 ( ) với tn−1 ( ) với mức ý nghĩa 100( ) và n − 1
2p n 2p 2p Logo-khoa-chu
bậc tự do

Ví dụ: Cho điểm môn Toán và Văn trong kì 1 và kì 2 của 13 học sinh. Với mức
ý nghĩa 0.05, nhận xét về kết quả 2 kì học.
Logo-khoa-chu

Cho vecto ngẫu nhiên X = [X1 , X2 , ..., Xn ] với Xi kí hiệu cho một biến
ngẫu nhiên của q tính chất của từ 1 tổng thể.
khi đó ta có vecto giá trị trung bình
µ = [µ1 , µ2 , ..., µq ]T
Giả sử ta cần kiểm tra sự sai khác về giá trị trung bình của các biến ngẫu
nhiên này với giả thuyết H0 : µ1 = µ2 = ... = µq , đối thuyết H1 :các µi
khác nhau.
Logo-khoa-chu

Ta
 có:    
µ1 − µ2 1 −1 0 ... 0 µ1
µ1 − µ3   1 0 −1 ... 0   µ2  = C 1 µ
 
 =
 ...  ...   ... 
µ1 − µq 1 0 0 ... 1 µq
Trong đó C1 được gọi là ma trận tương phản.
→ Nếu các yếu tố không có sự sai khác C1 µ = 0
Logo-khoa-chu

Khi đó, kiểm định trở thành:

Giả thuyết H0 : C1 µ = 0
Đối thuyết H1 : C1 µ ̸= 0
và giả thuyết thống kê phù hợp là T 2 :
T 2 = Cx(CSC ′ )−1 Cx′
với CSC ′ là ma trận hiệp phương sai mẫu.với
Với mức ý nghĩa α, ta bác bỏ H0 nếu:
(n − 1)(q − 1)
T2 > Fq−1,n−q+1 (α)
n−q+1
Với độ tin cậy 100(1 − α)%, ta có khoảng r tin cậy cho từng yếu tố µ0 :
c′i Sci
r
(n − 1)(q − 1)
ci x ± .Fq−1,n+q−1 (α). Logo-khoa-chu
n−q+1 n

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai So sánh hai véc-tơ trung bình.
Nội dung
(1)
Xéthai véc tơ ngẫu
nhiên p chiều X và X (2) có phân phối chuẩn
(1) (2)
Np µ , Σ , Np µ , Σ tương ứng.
(1) (2)
Giả sử: Xj , j = 1 ÷ n1 và Xj , j = 1 ÷ n2 là hai dãy quan sát độc lập
về các véc tơ.
Bài toán giả định kiểm thuyết:
Giả thuyết H0 : µ(1) = µ(2) Đối thuyết H1 : µ(1) ̸= µ(2)
Logo-khoa-chu

Mệnh đề 2.1
− −
(1) (2)
Đặt: X (1) = 1
Σn1 Xj , X (2) = n12 Σn
n1 j=1
2
X ,
h i j=1 j
S= 1
n1 +n2 −2
n1 S (1) + n2 S (2)
(1) (2)
Trong đó S và S là ma trận phương sai mẫu của mẫu khi quan sát véc tơ
X (1) và X (2) tương ứng.
Khi đó:
" #T −1 " − #
− − −
2 (1) (2) 1 1 (1) (2)
T = X − X − (µ1 − µ2 ) + S X − X − (µ1 − µ2 )
n1 n2
(n1 +n2 −2)p

sẽ có phân bố như biến ngẫu nhiên F
n1 +n2 −p−1 p,n1 +n2 −p−1
.
trong đó Fp,n1 +n2 −p−1 là biến ngẫu nhiên có phân bố F với các bậc tự do là p
và n1 + n2 − p − 1. Logo-khoa-chu

Mệnh đề 2.2
Tiêu chuẩn với miền bác bỏ H0 là:
!T !
− − −1 − −
2 (1) (2) 1 1 (1) (2)
T0 = X −X + S X −X
n1 n2
(n1 + n2 − 2) p
≥ Fp,n1 +n2 −p−1 (α)
n1 + n2 − p − 1
Trong đó Fk1,k2 (α) là phân vị trên mức α của phân bố F với các bậc tự do
k1, k2 sẽ là tiêu chuẩn có mức ý nghĩa α.
Khi tiêu chuẩn dẫn tới bác bỏ H0 thì:
(n1 + n2 − 2) p
T2 ≤ Fp,n1 +n2 −p−1 (α)
n1 + n2 − p − 1
Logo-khoa-chu
. sẽ là ellipsoid tin cậy mức 1 − α của µ(1) − µ(2)

Ví dụ 1
Có 2 hòm xà phòng, mỗi
hòm có 50 bánh được
sản xuất theo phương pháp thứ
(1) (1) (2) (2) (1)
1 và thứ 2. Đặt X1 = X1 , X2 ; X2 = X1 , X2 trong đó Xi là độ
(2)
tạo bọt, Xi là độ trơn của bánh xà phòng được sản xuất theo phương pháp
thứ i (i=1,2). Sau khi đo người ta thu được các véc-tơ trung binh mẫu và
phương sai đối với mỗi hòm là:
−
8.3 2 1
X (1) = ; S (1) = ; n1 = 50.
4.1 1 6
−
10.2 2 1
X (2) = ; S (2) = ; n2 = 50.
3.9 1 4
Cho α = 0.05. Kiểm định giả thuyết: µ(1) = µ(2) .
Logo-khoa-chu

Giải:
h i 2.04 1.02
1 (1) (2)
Ta có: S = n1 +n 2 −2
50S + 50S =
1.02 5.10
T
−1.9 13.62 − 2.72 −1.9
T0 2 = = 51.45
0.2 −2.72 5.45 0.2
(n1 +n2 −2)p
F
n1 +n2 −p−1 p,n1 +n2 −p−1
(α) = (50+50−2)2 F
50+50−2−1 2.97
(0.05) = 2.021 ∗ 3.1 = 6.264
Ta thấy T0 2 = 51.45 ≥ 6.264, do đó ta bác bỏ giả thuyết H0 .
Logo-khoa-chu

Nhận xét: Khi cỡ mẫu n1 + n2 là lớn thì thống kê T 2 có phân bố xấp xỉ x2p ,
trong đó nếu T02 > x2p (α) thì ta cần bác bỏ giả thuyết µ(1) = µ(2) và khi đó
miền tin cậy của µ(1) − µ(2) chính là ellipsoid T 2 > xp 2 (α) ( với mức tin cậy là
1 − α).
Logo-khoa-chu

Mệnh đề 2.3
(1) (2)
Với 2 mẫu độc lập Xj và Xj nói trên ta tìm khoảng tin cậy đồng thời của

véc-tơ tổ hợp tuyến tính aT µ(1) − µ(2) với mọi aT = (a1 , a2 , ..., ap ) như sau:
(n1 +n2 −2)p
Đặt c2 = n1 +n2 −p−1
Fp,n +n −p−1 (α) với xác suất 1 − α thì khoảng:
! r1 2
− −
aT X (1) − X (2) +c aT Sa n11 + n12 sẽ phủ aT µ(1) − µ(2) (∀a).
! r
− −
đặc biệt µi (1) = µi (2) sẽ bị phủ bởi aT X (1) − X (2) +c Si i n11 + n12 ,
∀i = 1, 2...p
Logo-khoa-chu

Chứng minh:
(1) (2)
Xét các véc tơ tổ hợp tuyến tính đơn biến Xj và Xj :
T (1) (1) (1) (1)
Ta có: a Xj = a1 X1 + a2 X2 + ... + ap Xp
(2) (2) (2) (2)
aT Xj = a1 X1 + a2 X2 + ... + ap Xp
Khi đó, các véc tơ tổ hợp tuyến tính sẽ có trung bình véc tơ mẫu và phương sai
− − −
mẫu là: aT X (1) , aT S1 a và aT X (2) , aT S2 a. Tương ứng, với X (1) , S1 và
−
X (2) , S2 là véc tơ trung bình mẫu và phương sai mẫu cho 2 véc tơ ban đầu.
Khi Σ1 = Σ2 thì s21 = aT S1 a và s22 = aT S2 a đều được ước lượng bằng aT Σa.
Phương sai tổng thể của các véc tơ tổ hợp tuyến tính sẽ
được tính là :
2 (n1 −1)s2 2
1 +(n2 −1)s2 T n1 −1 n2 −1
sa = n1 +n2 −2
=a S + n1 +n2 −2 S2 = aT Sa
n1 +n2 −2 1
Logo-khoa-chu


Để kiểm tra giả thuyết H0 : aT = µ(1) − µ(2)
Ta có: aTX (1) và aTX (2) có thống kê :
− −
 2  
− −
2
aT X (1) −X (2) −aT (µ(1) −µ(2) ) aT X (1) −X (2) −(µ(1) −µ(2) )
t2a =
1
=
n1
+ n1 s2
a aT 1
n1
+ n1 Sa
2 2
Khi đó: t2a ≤
" #T " #
− − h i−1 − −
(1)
X − X (2) − µ(1) − µ(2) 1
n1
+ 1
n2
S X (1) − X (2) − µ(1) − µ(2) =
T2
∀a ̸= 0, 1 − α = P T 2 ≤ c2 = P T 2 ≤ c2 , ∀a

" " ! #
− − r
=P | aT X (1) − X (2) − aT µ(1) − µ(2) | ≤ c aT n11 + 1
n2
Sa, ∀a
Logo-khoa-chu

Ví dụ 2
Hai mẫu ngẫu nhiên với cỡ mẫu n1 = 45, n2 = 55 được lấy từ các hộ gia đình
có và không có điều hòa. Hai loại số đo về việc dùng điện được xem xét: X (1)
là lượng tiêu thụ điện tổng cộng ở giờ cao điểm, X (2) là lượng tiêu thụ điện ở
giờ không cao điểm (đơn vị kWh) trong tháng 7. Các thống kê thu được là:
−
204.4 13825.3 23823.4
X (1) = ; S (1) =
556.6 23823.4 73107.4
−
130.0 8632.0 19616.7
X (2) = ; S (2) =
350.0 19616.7 55964.5
Hãy tìm khoảng tin cậy mức 95% của hiệu số các thành phần của giá trị trung
bình.
Logo-khoa-chu

Giải:
h i 10963.7 21505.05
Ta có: S = 50S (1) + 50S (2) =
1
n1 +n2 −2 21505.05 63661.3
2 (45+55−2)2
c = 45+55−2−1 F2.97 (0.05) = 2.02*3.1 = 6.26
h iT h i
(1) (2) (1) (2)
Với µ − µ(2) = µ1 − µ1 ; µ2 − µ2 , khoảng tin cậy đồng thời mức
(1)
(1) (2) (1) (2)

95% của µ1 − µ1 và µ2 − µ2 là:
(1) (2)
µ1 − µ1 thuộc khoảng (21.7; 127.1)
(1) (2)
µ2 − µ2 thuộc khoảng (74.7; 328.5)
Kết luận : có sự khác nhau về mức độ tiêu thụ điện năng của các hộ có và
không có điều hòa ở giờ cao điểm và không cao điểm.
Logo-khoa-chu

Mệnh đề 2.4
Khoảng tin cậy của µ(1) − µ(2) khi n1 − p, n2 − p là lớn.
Khi đó ellipsoid tin cậy mức 1 − α cho µ(1) − µ(2) là tập hợp tất cả µ(1) − µ(2)
thỏa mãn:
T2 =
" #T " #
− − h (1) i−1 − −
S (2)
X (1) − X (2) − (µ1 − µ2 ) S
n1
+ n2
X (1)
− X (2)
− (µ 1 − µ 2 ) ≤
xp2
Tương tự cho khoảng tin cậy tổ hợp tuyến tinh aT µ(1) − µ(2) )với mức tin
cậy 1 − α là khoảng:
− −
! (1) 21
S S (2)
q
aT X (1) − X (2) + xp2 (α) aT + a
n1 n2 Logo-khoa-chu

Chứng minh:
!
− −
(1) (2)
Ta có: E X −X = µ(1) − µ(2)
! ! !
− − − −
(1) (2) (1) (2) 1 1
Cov X −X = Cov X − Cov X = Σ
n1 1
+ Σ
n2 2
Theo định lý giới hạn trung tâm:

− −
X (1) − X (2) ∼ Np µ(1) − µ(2) , n1 −1 Σ1 + n2 −1 Σ2
Nếu Σ1 , Σ2 đã biết thì bình phương khoảng cách thống kê của µ(1) − µ(2) là:
" #T " #
− − h i−1 − −
X (1) − X (2) − (µ1 − µ2 ) 1
Σ
n1 1
+ 1
Σ
n2 2
X (1)
− X (2)
− (µ 1 − µ 2 ) ≤
xp2
Khi n1 , n2 lớn, xác suất cao thì S1 = Σ1 , S2 = Σ2 . Do đó, xấp xỉ đúng với Logo-khoa-chu
S1 , S2 thay cho Σ1 , Σ2 tương ứng.
Mệnh đề 2.5
Khi 2 véc-tơ X (1) , X (2) được quan sát đồng thời n lần ta thu được n véc-tơ có
(1) (2)
phân bố chuẩn Xj , Xj , j = 1 ÷ n
(1) (2)
Đặt D = X (1) − X (2) , Dj = Xj − Xj
Khi đó Dj (j = 1 : n) là dãy véc-tơ quan sát độc lập về véc-tơ ngẫu nhiên, D có
phân phối chuẩn là Np (δ, Σd ) với δ = µ(1) − µ(2) .
−
Đặt: D= n1 Σn
j=1 Dj , Sd là véc-tơ trung bình mẫu và ma trận phương sai mẫu.
Khi đó thống kê:
T
2 − −1 −
T = n D −δ Sd D −δ
(n−1)p
có phân phối ngẫu nhiên n−p
Fp,n−p .
Khi n đủ lớn thì T 2 có phân phối xấp xỉ x2p .
Logo-khoa-chu

Mệnh đề 2.6
Tiêu chuẩn với mức ý nghĩa α để kiểm định giả thuyết:
H0 : µ(1) − µ(2) ⇔ δ = 0 có miền bác bỏ giả thuyết là:
T
− −
T02 = n D Sd−1 D> Fn,n−p (α)
Khi H0 bị bác bỏ, miền tin cậy mức 1 − α của δ là:
(n − 1) p
T2 ≤ Fp,n−p (α)
n−p
Logo-khoa-chu

Mệnh đề 2.7
Khi n lớn, tiêu chuẩn với mức ý nghĩa α để kiểm định giả thuyết H0 : δ = 0 có
miền bác bỏ là: T02 > x2p (α)
Miền tin cậy mức ý nghĩa 1 − α của δ là ellipsolid: T 2 ≤ x2p (α)
Logo-khoa-chu

Ví dụ 3
Để kiểm tra việc xử lí nước của nhà máy có đạt yêu cầu hay không, người ta
gửi mẫu đến 2 phòng thí nghiệm, mỗi phòng lấy 11 mẫu nước đã được tách đôi
để xác định 2 yếu tố: hàm lượng nguyên hóa sinh (BOD) và hàm lượng chất
rắn trong nước (SS). Các số liệu được cho trong bảng sau đây:
Logo-khoa-chu

Mẫu j Phòng thí nghiệm 1 Phòng thí nghiêm 2

Xj 1(1) (BOD) Xj 2(1) (SS) Xj 1(2) (BOD) Xj 2(2) (SS)
1 6 27 25 15
2 6 23 28 13
3 18 64 36 22
4 8 44 35 29
5 11 30 15 31
6 34 75 44 64
7 28 26 42 30
8 71 124 54 64
9 43 54 34 56
10 33 30 29 20
11 20 14 39 21
Với mức ý nghĩa α = 0.05, kết quả của hai phòng thí nghiệm có phù hợp hay
không? Logo-khoa-chu

Giải:
j 1 2 3 4 5 6 7 8 9 10
Dj 1 = Xj 1(1) − Xj 1(2) -19 -22 -18 -27 -4 -10 -14 17 9 4
Dj 2 = Xj 2(1) − Xj 2(2) 12 10 42 15 -1 11 -4 60 -2 10

− −9.36 181.14 80.35
D= ; S (d) =
13.27 80.35 380.56

2
0.006 − 0.001 −9.36
T0 = 11 ∗ −9.36 13.27 = 13.6
−0.001 0.003 13.27
(n−1)p
n−p
Fp,n−p (0.05) = 209
∗ 4.36 = 9.47
T02 = 13.6 > 9.47 nên bác bỏ giả thuyết H0 .
Kết luận: Kết quả phân tích của hai phòng thí nghiệm trên là không phù hợp.
Logo-khoa-chu

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai 6.4 So sánh đồng thời nhiều vector giá trị trung bình- phân tích phươ
Nội dung
Bài toán: cho m

P vecto ngẫu nhiên d chiều X1 , X2 , ..., Xn có phân bố
chuẩn Np (µ1, ). Ta tiến hành quan sát X1 n1 lần,...,Xm nm lần một
cách độc lập ta được m mãu ngẫu nhiên độc lập sau đây:
Mẫu 1: X1 ,...,X1 n1
Mẫu 2: X2 ,...,X2 n2
..........................
Mẫu m: Xm ,...,Xm nm
Logo-khoa-chu

So sánh các giá trị vector trung bình

Giả thiết rằng:

Xlj = µ + τl + elj

j = 1, nl

l = 1, m

∀i = 1, nl , l = 1, m
Trong đó: 
µ :Hiệu quả chung

τl :Hiệu quả chung của nhóm thứ l
 Logo-khoa-chu
elj :Sai số ngẫu nhiên vớiEelj = 0


So sánh các giá trị vector trung bình
Ta có:
µl = µ + τ l
Ta xét bài toán kiểm định giả thuyết sau:
(
H0 : µ1 = ... = µm ↔ τ1 = ... = τl = 0
H1 : |τ1 |2 + |τ2 |2 + ... + |τm |2 ̸= 0
Logo-khoa-chu

Để giải quyết bài toán trên, ta dùng phương pháp phân tích phương sai,
hay còn gọi là MANOVA.
Phỏng theo phân tích, ta có:
Xlj = X + (Xl − X) + (Xlj − Xl )
trong đó Xlj − Xl được gọi là các phần dư:

X + ... + Xln1
Xl = l1

n1
X = n1 X1 + ... + nm Xm

n1 + ... + nm
là các vecto cột.

Logo-khoa-chu

Giống như trường hợp phân tích phương sai với các biến thực Xlj (d = 1)
ta có:
(Xlj − X)(Xlj − X)T = [(Xlj − Xl ) + (Xl − X)][(Xlj − Xl ) + (Xl − X)]T
= (Xlj − Xl )(Xlj − Xl )T + (Xlj − Xl )(Xl − X)T +
(Xl − X)(Xlj − Xl )T + (X1 − X)(Xl − X)T
Ta lại có:
m
P
(Xlj − Xl ) = 0, ∀i = 1, 2, .., n
j=1
Logo-khoa-chu

Nên ta có phân tích:

nl P
m nl P
m
(Xlj − X)(Xlj − X)T = [(Xlj − Xl )(Xlj − Xl )T + (Xlj −
P P
j=1 l=1 j=1 l=1
Xl )(Xl − X)T + (Xl − X)(Xlj − Xl )T + (Xl − X)(Xl − X)T
Nhận thấy:
nl P
m
(Xlj − Xl )(Xlj − Xl )T = 0
P
j=1 l=1
nl P
P m
(Xl − X)(Xlj − Xl ) = 0
j=1 l=1
nl P
m m
(Xl − X)(Xl − X)T = nl (Xl − X)(Xl − X)T
P P
j=1 l=1 l=1
Logo-khoa-chu

nl P
m
(Xlj − X)(Xlj − X)T =
P
=>
j=1 l=1
nl Pm m
nl (Xl − X)(Xl − X)T
P P
(Xlj − Xl )(Xlj − Xl ) +
j=1 l=1 l=1
Mà:
nl Pm m Pnl m
(Xlj − X)(Xlj − Xl )T = ( (Xlj − X)(Xlj − Xl )T ) =
P P P
nl Sl
j=1 l=1 l=1 j=1 l=1
= n1 S1 + n2 S2 + ... + nm Sm
Trong đó Sl là ma trận phương sai mẫu của mẫu thứ l
Logo-khoa-chu

Bảng MANOVA để so sánh nhiều vector trung bình
Nguồn Ma trận tổng bình phương và các tích chéo Bậc tự do

biến thiên
m
nl (Xl − X)(Xl − X)T
P
Xử lý B= m−1
l=1
Phần dư
nl m m
X
X X
W = (Xlj − X)(Xlj − X)T nl − m
j=1 l=1 l=1
Tổng cộng
nl m m
X
X X
B+W = (Xlj − X)(Xlj − X)T −1
nl Logo-khoa-chu
j=1 l=1 l=1

Để kiểm định giả thuyết H0 : τ1 = ... = τl = 0 người ta sẽ bác bỏ giả

thuyết H0 nếu tỉ số của các phương sai suy rộng sau là nhỏ:
|W | det(W )
Λ∗ = =
|B + W | det(B + W )
Với p = 1 : H0 đúng khi đại lượng ngẫu nhiên
B/(m − 1) n − m 1 − Λ∗
F = = n = n1 + ... + nm
W/(n − m) m − 1 Λ∗
Có phân bố F với các bậc tự do là m-1 và n-m
Miền bác bỏ H0 : F > Fm−1,n−m (α)
Tổng quát: Trong trường hợp p chiều, phân bố của thống kê
Wilk’s-Lambda khi H0 là đúng được cho trong bảng sau đây:
Logo-khoa-chu

Số thành Số các Phân bố mẫu của các thống kê là hàm đơn trị
phần của nhóm xử lý của Λ∗ dưới giả thuyết H0
các vector
d
n − m 1 − Λ∗
p=1 m≥2 ∼ Fm−1,n−m
m − 1 Λ∗ √
n − m − 1 1 − Λ∗
p=2 m≥2 √ ∼ F2(m−1),2(n−m−1)
m−1 Λ∗∗
n−p−11−Λ
p≥2 m=2 ∼ Fp,n−p−1
p−1 Λ∗√
n−p−21− Λ ∗
p≥1 m=2 √ ∼ F2p,2(n−p−1)
p−1 Λ∗
Logo-khoa-chu

Với trường hợp khác với bảng trên khi cỡ mẫu là lớn,sử dụng thống kê
sau đây để kiểm định giả thiết H0 :
p+m p+m |W |
−(n − 1 − )lnΛ∗ = −(n − 1 − )ln
2 2 |W + B|
Sẽ có phân bố xấp xỉ χ2 với p(m − 1) bậc tự do.
Do đó khi cỡ mẫu n đủ lớn với mức ý nghĩa α ta sẽ bác bỏ H0 khi:
p+m
−(n − 1 − )lnΛ∗ > χ2p(m−1)
2
Logo-khoa-chu

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai 6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử lý.
Nội dung
6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử
lý.
α α
Ta đặt tn−g ( 2m ) là phân vị mức 1 − 2m của phân bố Student với n-g
pg(g−1)
bậc tự do với m = 2
khi đó ta có:
1
α 1 1 wii 2
Xki − Xli − tn−g ( ) ( + ) < µki − µli
2m nk nl n − g
và 1
α 1 1 wii 2
µki − µli < Xki − Xli + tn−g ( ) ( + ) )
2m nk nl n − g
∀i = 1, p, k ̸= l = 1, g ≥ 1 − α Logo-khoa-chu

6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử
lý.
Với Akli là biến cố xác định bởi bất đẳng thức trên ta có:
P (Akli ) = 1 − αs
m X p
X
¯ )≥1−
⇒ P (Ak,l,i ) = 1 − P (Ak,l,i (P (A¯kli )) = 1 − α
k̸=l=1 i=1
Logo-khoa-chu

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai Kiểm tra tính bằng nhau của ma trận hiệp phương sai
Nội dung
Kiểm tra tính bằng nhau của ma trận hiệp phương

sai
Một trong những giả thiết được đưa ra khi so sánh hai hoặc nhiều vectơ
giá trị trung bình là ma trận hiệp phương sai của các quần thể có khả
năng khác nhau là giống nhau.
Trước khi gộp sự biến thiên giữa các mẫu để tạo thành ma trận hiệp
phương sai tổng hợp khi so sánh các vectơ trung bình, nên kiểm tra tính
bằng nhau của các ma trận hiệp phương sai tổng thể.
Logo-khoa-chu

6.6. Kiểm tra tính bằng nhau của ma trận hiệp

phương sai.
Với quần thể g, giả thuyết vô hiệu là:
H0 : Σ1 = Σ2 = ... = Σg = Σ
Trong đó:
- Σl là ma trận hiệp phương sai của quẩn thể thứ l;
l = 1,2,...,g.
- Σ là ma trận hiệp phương sai chung được giả định.
- Giả thuyết thay thế là ít nhất hai trong số các ma trận hiệp phương sai
không bằng nhau.
Logo-khoa-chu


phương sai.
Giả sử các quần thể bình thường đa biến, thống kê tỷ lệ khả năng xảy ra
đối với thử nghiệm trên được đưa ra bởi:
Y (nl −1)/2
|Sl |
Λ=
j
|Spooled |
(6.48)
Trong đó:
- nl : Kích thước mẫu cho nhóm thứ l.
- Sl : Ma trận hiệp phương sai mẫu của nhóm thứ l.
Logo-khoa-chu
- Spooled : Ma trận hiệp phương sai mẫu tổng hợp.


phương sai.
Spooled là ma trận hiệp phương sai mẫu tổng hợp được cho bởi:
1
Spooled = P {(n1 − 1)S1 + (n2 − 1)S2 + ... + (ng − 1)Sg }
(nl − 1)
l
Logo-khoa-chu


phương sai.
Box’s test được dựa trên sự xấp xỉ χ2 đến phân phối mẫu của -2lnΛ. Đặt
-2lnΛ = M, ta có:
" #
X X
M= (nl − 1) ln|Spooled | − [(nl − 1)ln|Sl |]
l l
Logo-khoa-chu


phương sai.
Nếu giả thuyết H0 là ĐÚNG:

- Các ma trận hiệp phương sai mẫu riêng lẻ (Sl ) sẽ không khác quá nhiều
so với nhau và so với ma trận hiệp phương sai tổng hợp (Spooled ).
|Sl |
- Tỷ lệ của các định thức sẽ gần bằng 1.
|Spooled |
- Λ sẽ gần 1 và M (= −2lnΛ) sẽ nhỏ.
Logo-khoa-chu


phương sai.
Nếu giả thuyết H0 là SAI:

- Các ma trận hiệp phương sai mẫu có thể khác nhau nhiều hơn và sự
khác biệt trong các định thức của chúng sẽ rõ ràng hơn.
- Do đó, Λ sẽ nhỏ và M sẽ tương đối lớn.
Logo-khoa-chu


phương sai.
Lưu ý:
Yếu tố xác định của ma trận hiệp phương sai tổng hợp (Spooled ) sẽ nằm ở
đâu đó gần giữa của các định thức Sl của ma trận hiệp phương sai nhóm
riêng lẻ.
Khi các đại lượng sau này trở nên chênh lệch hơn, tích của các tỷ lệ trong
đây sẽ tiến gần đến 0.

(p + g) |W |
−n − 1 − ln > χ2p(g−1) (α)
2 |B + W |
Logo-khoa-chu


phương sai.
Lưu ý:
|S1 |
Thực tế, khi mức chênh lệch của |Sl | tăng, giảm lượng theo tỷ
|Spooled |
|Sg |
lệ nhiều hơn lượng tăng của .
|Spooled |
Trong đó: |S1 |, |Sg | lần lượt là giá trị định thức tối thiểu và tối đa.
Logo-khoa-chu


phương sai.
Box’s Test
Đặt: " #" #
X 1 1 2p2 + 3p − 1
u= −P
(nl − 1) (nl − 1) 6(p + 1)(g − 1)
l
l
Trong đó: p là số biến, g là số nhóm.
Logo-khoa-chu


phương sai.
Box’s Test
Khi đó:
C = (1 - u)M
" # !
X X
= (1 − u) (nl − 1) ln|Spooled | − [(nl − 1)ln|Sl |]
l l
Logo-khoa-chu


phương sai.
Box’s Test
C = (1 - u)M có phân phối χ2 xấp xỉ với bậc tự do v:

1 1 1
v = g p(p + 1) − p(p + 1) = p(p + 1)(g − 1)
2 2 2
Với mức ý nghĩa α, ta sẽ bác bỏ H0 nếu:
C > χ2p(p+1)(g−1)/2 (α)

Logo-khoa-chu


phương sai.
Chú ý:
Xấp xỉ χ2 của Box thực hiện tốt nếu mỗi nl vượt quá 20 và nếu p và g
không vượt quá 5.
Logo-khoa-chu


phương sai.
Ví dụ: (VD 6.10)

VD: Khoa phục vụ sức khỏe và xã hội ở Wisconsin (Mỹ) đã tiến hành hỗ trợ
các viện dưỡng lão dựa trên 3 yếu tố: mức độ chăm sóc, mức lương trung bình
và mức lương trung bình trong bang. Các viện dưỡng lão được phân loại dựa
trên phương thức sở hữu (tư nhân, tổ chức phi lợi nhuận, chính phủ) và việc
cấp chứng chỉ.
Mục đích nghiên cứu là khảo sát hiệu quả của phương thức sở hữu và
việc cấp chứng chỉ trên phương diện chi phí.
Logo-khoa-chu


phương sai.
Ví dụ: (VD 6.10)

Bốn loại chi phí được tính dựa trên số giờ trong ngày phục vụ đã được lựa
chọn để phân tích:
X1 = Chi phí nhân công điều dưỡng.
X2 = Chi phí nhân công về ăn uống.
X3 = Chi phí nhân công vận hành và bảo dưỡng.
X4 = Chi phí nhan công vệ sinh.
Trên tổng số 516 quan sát trên mỗi bộ 4 biến về chi phí và được phân bố trên
Logo-khoa-chu
phương thức sở hữu.


phương sai.
Gỉa sử dữ liệu chuẩn đa biến, ta kiểm định giả thuyết:
H0 : Σ 1 = Σ 2 = Σ 3 = Σ
Ta có: n1 = 271, n2 = 138, n3 = 107

|S1 | = 2.783 × 10−8 ⇒ ln|S1 | = −17.397
−8
|S2 | = 89.539 × 10 ⇒ ln|S2 | = −13.926
|S3 | = 14.579 × 10−8 ⇒ ln|S3 | = −15.741
−8
|Spooled | = 17.398 × 10 ⇒ ln|Spooled | = −15.564
Logo-khoa-chu


phương sai.
Tính u:
2(4)2 + 3(4) − 1

1 1 1 1
u= + + −
270 137 106 270 + 137 + 106 6(4 + 1)(3 − 1)
⇒ u = 0.0133
Tính M:
M = (270 + 137 + 106)(−15.564) − [270(−17.397) + 137(−13.926)
+106(−15.741)]
⇒ M = 289.3 Logo-khoa-chu


phương sai.
Suy ra:
C = (1 − 0.0133)(289.3) = 285.5
và
1
df : v = 4 (4 + 1)(3 − 1) = 20
2
Đối chiếu C trong bảng phân phối χ2 với df = 20, dễ thấy rằng giả
thuyết H0 bị bác bỏ với bất kỳ mức ý nghĩa (α) nào.
⇒ Kết luận: Ma trận hiệp phương sai của các biến chi phí liên quan đến
các phương thức sở hữu là không giống nhau.
Logo-khoa-chu

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai Mô hình hiệu ứng cố định 2 chiều đơn biến và sự tương tác
Nội dung
Mô hình hiệu ứng cố định 2 chiều đơn biến và sự

tương tác
MANOVA là 1 trong nhiều phân tích thống kê phức tạp nhất có thể được thực
hiện trong SPSS.
Mô hình hiệu ứng cố định 2 chiều đơn biến.
Gọi 2 nhân tố 1 và 2. Giả sử có:
+,g mức của nhân tố 1
+.b mức của nhân tố 2
+,n lần quan sát độc lập mỗi g.b.
Áp dụng một phương pháp tác động duy nhất cho từng đối tượng và
quan sát một đặc điểm duy nhất trong một khoảng thời gian.
Mẫu phản ứng nhận về được một đường tăng trưởng.
Các nhân tố được tạo ra nhằm chỉ ra điều kiện thực nghiệm là thực tiễn. Logo-khoa-chu
Khi đã lập được ra mô hình thì ta không nên nhầm lẫn các yếu tố được loại bỏ
ở đây với yếu tố không quan sát được.

tương tác
Để thực hiện quan sát trên b ta sẽ chọn biểu đồ quan sát b:
Thứ r ở cấp l -> là nhân tố 1.
Thứ r ở cấp k -> là nhân tố 2.
=> Chúng ta chỉ định mô hình 2 chiều đơn biến.
Xlkr = µ + τl + βk + flk + rlkr
l = 1, 2, . . . , g
k = 1, 2, . . . , b
r = 1, 2, . . . , n
Với:
µ là tổng quát 1 cấp độ; Logo-khoa-chu
τl là tổng quát cho tác động của nhân tố 1.

βk là tổng quát cho tác động
Nhómcủa
6 nhân tố 2. Phân tích số liệu

tương tác
Trong đó:
Pg Pb g
P b
P
τl = βk = τlk = τlk và rlkr là độc lập.
l=1 k=1 l=1 k=1
Do đó, hiệu ứng mong đợi ở cấp l của nhân tố 1 bà cấp k của nhân tố 2.
Mức độ phản hồi mong đợi của mô hình được tính theo công thức:
E(Xlkr ) = µ + τl + βk + τlk
l = 1, 2, . . . , g
k = 1, 2, . . . , b
r = 1, 2, . . . , n
Các phản hồi mong đợi như một hàm của các mức yếu tố có và không có Logo-khoa-chu
tương tác tương ứng.

Mức độ tương tác có nghĩa là: τlk = 0∀l, k

tương tác
Để xét mức độ tương tác ta có công thức sau để suy ra công thức tính độ
chênh lệch:(xlkr − x)
xlkr = x + (xl − x) + (xk − x) + (xlk − xl − xk + x) + (xlkr − xlk )

Trong đó:
x là trung bình của tổng thể.
xl là trung bình của cấp độ thứ l của nhân tó 1.
xk là trung bình của cấp độ thứ k của nhân tó 2.
xlk là trung bình dưới cấp độ thứ l của nhân tó 1 và cấp độ thứ k của
nhân tố 2.
Logo-khoa-chu
Khi đã xây dựng được công thức tính tổng độ chênh lệch thì ta suy nghĩ đến
việc sử dụng để kiểm tra các ảnh hưởng của tương tác giữa các yếu tố.

tương tác
Do đó, ta tiếp tục xây dựng công thức liên quan đến bình phương của tổng đô
chênh lệch(SS: Squaring and summing the doviations).
g b X
n g b
X X X X
(xlkr − x)2 = bn(xl − x)2 + gn(xk − x)2 +
l=1 k=1 r=1 l=1 k=1
g b g b X
n
X X X X
+ n(xlk − xl − xk + x)2 + (xlkr − xlk )2
l=1 k=1 l=1 k=1 r=1
Hay:
SSSum = SSF act1 + SSF act2 + SSInt + SSRes

Logo-khoa-chu
Sum: Tổng, Fact1: Nhân tố 1, Fact2: Nhân tố 2,Int: Hệ số tương tác, Res:
Nhân.

tương tác
Bậc tự do tưng ứng được liên kết với tổng binh phương.
gbn − 1 = (g − 1) + (b − 1) + (g − 1)(b − 1) + gb(n − 1)

SSF act1 SSF act2 SSInt SSRes
=>F = = = = là tỷ lệ các bình
g−1 b−1 (g − 1)(b − 1) gb(n − 1)
phương trung bình.
=> Có thể đưa ra để kiểm tra tính tương tác giữa các yếu tố.
Logo-khoa-chu

Mô hình hiệu ứng cố định 2 chiều đơn biến tương

ứng
Ở phần này, Chúng ta phải chĩ ra mô hình hiệu ứng cố định hai chiều cho phản
ứng vecto bao gồm p thành phần.
Từ phần 1, ta đã có:
Xlkr = µ + τl + βk + flk + rlkr
l = 1, 2, . . . , g
k = 1, 2, . . . , b
r = 1, 2, . . . , n
Ở đây ta đặt giả thuyết:
g n g b
X X X X
τl = βk = τlk = τlk = 0 Logo-khoa-chu
l=1 k=1 l=1 k=1
Các vector đều có bậc pX 1 và rlkr là vecto ngẫu nhiến; và phân phối

ứng
Chúng ta chỉ định mô hình hiệu ứng cố định 2 chiều cho phản ứng vecto bao
gồm p thành phần.
(*)Chúng ta có thể chia các vecto quan sát đươc dạng xlkr với:
xlkr = x + (xl − x) + (xk − x) + (xlk − xl − xk + x) + (xlkr − xlk )

Trong đó:
x là giá trị trung bình của tổng thể vecto quan sát.
xl là giá trị trung bình của vecto quan sát ở cấp độ thứ l của nhân tó 1.
xk là giá trị trung bình của vecto quan sát ở cấp độ thứ k của nhân tó 2.
xlk là giá trị trung bình của vecto quan sát dưới cấp độ thứ l của nhân tó
1 và cấp độ thứ k của nhân tố 2. Logo-khoa-chu
(*) Các phép tổng quát đơn giản của tổng bình phương độ chênh lệch và bậc
tự do. Nhóm 6 Phân tích số liệu

ứng
g b X
n g b
X X ′ X ′ X ′
(xlkr −x)(xlkr −x) = bn(xl −x)(xl −x) + gn(xk −x)(xk −x) +
l=1 k=1 r=1 l=1 k=1
g
b
XX ′
+ n(xlk − xl − xk + x)(xlk − xl − xk + x) +
l=1 k=1
g b X
n
X X ′
+ (xlkr − xlk )(xlkr − xlk )
l=1 k=1 r=1
Logo-khoa-chu
Bậc tự do:gbn − 1 = (g − 1) + (b − 1) + (g − 1)(b − 1) + gb(n − 1)


ứng
Rõ ràng, sự tổng quát hóa từ phân tích đơn biến sang phân tích đa biến chỉ
đơn giản là thay thế 1 đại lượng về hướng như:
(xl − x)2
Bằng ma trận tích chéo:
′
(xl − x)(xl − x)
Logo-khoa-chu


ứng
Bảng Manova so sánh các giá trị so với sự tương tác của chúng:
Nguồn Tổng bình phương ma trận tích chéo
Pg ′
F1 SSPF 1 = bn(xl − x)(xl − x)
l=1
b
P ′
F2 SSPF 2 = gn(xk − x)(xk − x)
k=1
g P
P b ′
Int SSPint = n(xlk − xl − xk + x)(xlk − xl − xk + x)
l=1 k=1
g P
P b P
n ′
Err SSPres = (xlkr − xlk )(xlkr − xlk )
l=1 k=1 r=1
g P b P n ′
Logo-khoa-chu
P
SSPCOR = (xlkr − x)(xlkr − x)
l=1 k=1 r=1


ứng
Giả thuyết rằng:
H0 = τ11 = τ12 = · · · = τgb = 0

Thì sẽ nhận thấy không có hiệu ứng tương tác.
=> Đối thuyết:H1 : Có ít nhất một τij nào đó khác 0.
Bác bỏ H0 đối với giá trị nhỏ của tỷ lệ:
|SSPres |
A∞ =
|SSPint + SSPres |
Đối với nhiều mẫu lớn, và sử dụng hiệu chỉnh Bonferrori.
Bác bỏ: H0 = β1 = β2 = · · · = βb = 0 (Không có hệ số ảnh hưởng) Logo-khoa-chu
Ở mức A:

ứng
Trong đó:
A+ là ở trên và χ2(b−2)p (α) là phân vị thứ (100a) trên mỗi phân phối chi
bình phương với b-1 bậc tự do.
Khoảng tin cậy đồng thời cho các dộ tương phản trong các tham số mô
hình có thể cung cấp hiểu biết sâu sắc về bản chất của các hiệu ứng yếu
tố.//
Kết quả so sánh cho mô hình hai chiều khi tác động tương tác không
đáng kể. Chúng ta có thể tập trung vào sự tương phản chỉnh của yếu tố 1
và yếu tố 2.
Phương pháp Bonferrori áp dụng cho các thành phần của sự khác biệt
giữa τl và τm của nhân tố 1 và các thành phần βk và βq của nhân tố 2Logo-khoa-chu
tương ứng.
Khoảng tin cậy đồng thời 100(1
Nhóm 6
− α) cho βki − βqiPhân
: tích số liệu
ô hình hiệu ứng cố định 2 chiều đơn biến tương ứng
Ta đã xem xét mô hình hai chiều đa biến với các bản sao. Nghĩa là, mô
hình cho phép lặp lại n phản hồi ở mọi tổ hợp của các mức nhân tố.
Điều này cho phép chúng ta kiểm tra "sự tương tác" của các yếu tố.
Nếu chỉ có 1 vecto quan sự ở mỗi sự kết hợp của các mức nhân tố, thì
mô hình hai chiều không cho phép khả năng xảy ra thuật ngữ tương tác
chung τlk .
Logo-khoa-chu

6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai Phân tích giá trị trung bình của kỳ vọng
Nội dung
Phân tích giá trị trung bình
Việc phân tích hồ sơ tiềm ẩn liên quan đến các trường hợp mà các bộ p
quan sát được dựa trên hai hoặc nhiều nhóm đối tượng. Tất cả các quan
sát phải được biểu diễn trên cùng các đơn vị.
Ở phần này, chúng ta sẽ giải thích cho câu hỏi là liệu các nhóm khác
nhau thì có phụ thuộc nhau không?.
Thông thường thì để trả lời câu hỏi này thì chúng ta thường sẽ chú ý vào
câu hỏi: Các vector giá trị trung bình có giống nhau không?
Thì trong phân tích hồ sơ tiềm ẩn câu hỏi đó được chia thành nhiều khả
năng có thể.
Logo-khoa-chu

Phân tích giá trị trung bình

Trong ví dụ nghiên cứu về số lượng nam nữ trong trong bốn chuyên ngành
Toán học(Mathematics), Tiếng anh(English) , Kinh tế học(Commerce)
và Khoa học(Science) thì ta có nhóm các giá trị trung bình cho 4 lĩnh
vực được biểu diễn bằng ma trận véc-tơ µT1 = µ11 , µ12 , µ13 , µ14 với đối
tượng nam và µT1 = µ11 , µ12 , µ13 , µ14 với đối tượng là nữ.

Giả thuyết H0 : µ1 = µ2 cũng có thể hiểu là hai nhóm ngành có ảnh

hưởng tương tự nhau đến hai đối tượng được ngiên cứu ở trong ví dụ.
Trong khuôn khổ phân tích hồ sơ tiềm ẩn, chúng ta có thể xây dựng câu
hỏi về chất lượng của hồ sơ bằng cách lần lượt trả lời các câu hỏi sau:
1.Hai đồ thị song song nhau?
2.Nếu hai đồ thị đã song song nhau, thì đồ thị của chúng có trùng nhau?
3.Nếu hai đồ thị trùng nhau, thì đồ thị có phải là một đường thằng Logo-khoa-chu
không, các giá trị trung bình đều bằng nhau ?

Kiểm định hồ sơ tương đương
Để kiểm tra tính song song của đồ thị thì ta kiểm định giả thuyết:
H01 : µ1i − µ1i−1 = µ2i − µ2i − 1, i = 1, 2, ..., p

Điều này tương đương với:
H0 1 : Cµ1 = Cµ2
Ở đây :
 
−1 1 0 0 ··· 0 0
 0 −1 1 0 ··· 0 0
C(p−1)×p =
 
··· ··· ··· ··· ··· ··· · · ·
0 0 0 0 ··· −1 1 Logo-khoa-chu

Kiểm định đồ thị tương đương

Loại bỏ giả thuyết H0 1 ở mức ý nghĩa α nếu phân bố:
1 1
T 2 = (x1 − x2 )T C T [( + )CΣC T ]−1 C(x1 − x2 ) > c2
n1 n2
Với:
(n1 + n2 − 2) × (p − 1)
c2 = Fp−1,n1 +n2 −p (α)
n1 + n2 − p
Khi đã kiểm định được giả thuyết là chính xác thì ta sẽ có hoặc là
mu1i > mu2i , ∀i hoặc là mu2i > mu1i , ∀i. Trong điều kiện này, hai đồ
thị sẽ trùng nhau nếu 2 tổng µ11 + µ12 + ... + µ1p = 1T µ1 và
µ21 + µ22 + ... + µ2p = 1T µ2 bằng nhau; với 1T = [1, 1, ..., 1] là ma trận
1 × p. Từ đây, ta có kiểm định cho giả thuyết tiếp theo như sau:
H02 : 1T µ1 = 1T µ2
Logo-khoa-chu
Chúng ta có thể kiểm định giả thuyết H02 bằng thống kê phân phối T dựa
trên quan sát đơn biến 1T x1j , j = 1, 2, . . . , n1 và 1T x2j , j = 1, 2, . . . , n2 .
Kiểm định đồ thị trùng nhau
Loại bỏ giả thiết H02 : 1T µ1 = 1T µ2 với mức ý nghĩa α nếu phân bố:
1 1 T
T 2 = 1T (x1 − x2 )T [( + )1 Σ[1]p×1 ]−1 1T (x1 − x2 )
n1 n2
1T (x1 − x2 ) α
= (r ) > t2n1 +n2 −2 ( ) = F1,n1 +n2 −p (α)
1 1 T 2
( + )1 Σ[1]p×1
n1 n2
Logo-khoa-chu

Kiểm định hồ sơ trùng nhau
Bước tiếp theo là để xem liệu các biến đều có chung giá trị trung bình
hay không, nếu có thì các hồ sơ sẽ là tương tự nhau.
Khi hai kiểm định H01 và H02 đã được chứng minh, thì véc-tơ giá trị
trung bình chung µ của tất cả quan sát n1 + n2 đã được ước lượng bởi:
n1 n2
1 X X n1 n2
x= ( x1j + x2j ) = x1 + x2
n1 + n2 n1 + n2 n1 + n2
k=1 k=1
Nếu hồ sơ chung nằm ngang thì mu1 = µ2 = · · · = µp , và giả thuyết

cuối cùng là:
H03 : Cµ = 0
Logo-khoa-chu

Kiểm định hồ sơ ngang bằng
Loại bỏ giả thuyết H03 ở mức ý nghĩa α nếu:
(n1 + n2 )xT C T [CΣC T ]−1 Cx > c2
Với S là ma trận hiệp phương sai của mẫu dựa trên n1 + n2 quan sát và
(n1 + n2 − 1)(p − 1)
c2 = Fp−1,n1 +n2 −p+1 (α)
n1 + n2 − p + 1
Logo-khoa-chu

Nội dung
Thiết kế phương pháp lặp và đường tăng trưởng
Các phương pháp lặp dùng để chỉ các tình huống mà một đặc điểm được quan
sát,tại các thời gian hoặc địa điểm khác nhau, trên cùng một đối tượng.
Quan sát một đối tượng với các phương pháp tác động khác nhau.
Các tác động cần được so sánh khi các phản ứng trên cùng một đối
tượng có một tương quan với nhau.
Áp dụng một phương pháp tác động duy nhất cho từng đối tượng và
quan sát một đặc điểm duy nhất trong một khoảng thời gian.
Mẫu phản ứng nhận về được một đường tăng trưởng.
Logo-khoa-chu


Bảng 9.1:Nhóm đối chứng:Các đối tượng không tác động gì
Đối tượng Ban đầu 1 năm 2 năm 3 năm
1 87.3 86.9 86.7 75.5
2 59.0 60.2 60.0 53.6
3 76.7 76.5 75.7 69.5
4 70.6 76.1 72.1 65.3
5 54.9 55.1 57.2 49.0
6 78.2 75.3 69.1 67.6
7 73.7 70.8 71.8 74.6
8 61.8 68.7 68.2 57.4
9 85.3 84.4 79.2 67.0
10 82.3 86.9 79.4 77.4
11 68.6 65.4 72.3 60.8 Logo-khoa-chu
12 67.8 69.2 66.3 57.9
13 66.2 67.0 67.0 56.2
14 81.0 82.36
Nhóm 86.8 73.9 Phân tích số liệu
Khi phép đo p trên các đối tượng được thực hiện tại các thời điểm
t1 , t2 , ..., tp ,
Mô hình Potthoff-Roy
   cho tăng trưởng bậc hai trở thành:
X1 β0 + β1 t1 β2 t21
X2  β0 + β1 t2 + β2 t22 
E[X] = E  · · · = 
  
··· 
2
Xp β0 + β1 tp + β2 tp
Trong đó, trung bình µi là biểu thức bậc 2 được đánh giá tại ti
Logo-khoa-chu


Bảng 9.2:Nhóm điều trị: các đối tượng nhận được hỗ trợ đặc biệt về chế độ ăn
uống,tập thể dục thường xuyên.
Đối tượng Ban đầu 1 năm 2 năm 3 năm
1 83.8 85.5 86.2 81.2
2 65.3 66.9 67.0 60.6
3 81.2 79.5 84.5 75.2
4 75.4 76.7 74.3 66.7
5 55.3 58.3 59.1 54.2
6 70.3 72.3 70.6 68.6
7 76.5 79.9 80.4 71.6
8 66.0 70.9 70.3 64.1
9 76.7 79.0 76.9 70.3
10 77.2 74.0 77.8 67.9
Logo-khoa-chu
11 67.3 70.7 68.9 65.9
12 50.3 51.4 53.6 48.0
13 57.7 57.0 Nhóm 57.5
6 51.5 Phân tích số liệu
Khi nghiên cứu liên quan đến nhóm điều trị, ta cần có thêm một chỉ số
phụ như trong mô hình MANOVA một chiều. Gọi Xl1 , Xl2 , ..., Xlnl là
vectơ đo các đối tượng nl trong nhóm, với l = 1, ..., g.
Theo mô hình
 tăng trưởng 2bậc  hai,
 vectơ trung
 bình là:
β0 + β1 t1 + β2 t1 1 t1 t21  
β0 + β1 t2 + β2 t22  1 t2 t21  βl0
E[Xli ] =  =  βl1  = Bβl
 ···   ··· 
βl2
β0 + β1 tp + β2 t2p 1 tp t2p
Logo-khoa-chu

Khi có một đa thực bậc q phù hợp với dữ

 liệu tăng trưởng, thì:
βl0
1 t1 · · · tq1
 
βl1 
q
 
 1 t2 · · · t2   . 
B=   và βl =  
... ... ... ....  . 
 
1 tp · · · tqp  . 
βlq
Logo-khoa-chu

Theo công thức chuẩn tắc đa biến,các công cụ ước tính khả năng xảy ra
tối đa của βl là:
−1
−1 −1
β̂l = B ′ Spooled B B ′ Spooled Xl với l= 1,2,...,g
trong đó
Spooled = N 1−g ((n1 − 1)S1 + ... + (ng − 1)Sg ) = N 1−g W
N = gl=1 nl là công cụ ước lượng tổng hợp của ma trận hiệp phương
P
sai chung
Logo-khoa-chu

Các hiệp phương sai ước tính của các công cụ ước tính khả năng xảy ra
tối đa là:
d β̂l = k (B ′ S −1 B)−1 vil = 1, 2, ..., g
Cov( nl pooled
trong đó
k = (N − g)(N − g − 1)/(N − g − p − q)(N − g − p + q + 1)
Ngoài ra,β̂l và β̂h là độc lập,đối với l ̸= h hiệp phương sai của chúng là 0.
Logo-khoa-chu

Chúng Pta có P
thể kiểm tra được một đa thức bậc q là đủ.
Wq = gl=1 lj−1 (Xlj − B β̂l )(Xli − B β̂l )′
có ng − g + q − q − q bậc tự do.
Kiểm định khả năng xảy ra của giả thuyết rỗng rằng đa thức bậc q là đầy
đủ có thể dựa trên lamda của Wilk
Λ∗ = WW
q
Bác bỏ giả thuyết rỗng

rằng đa thức là đầy đủ nếu:
− N − 21 (p − q + g) ln Λ∗ > χ2(p−q−1)g (α)
Logo-khoa-chu

6.5. Khoảng tin cậy đồng thời cho các hiệu quả xử lý. Đặt vấn đề
6.6 Kiểm tra tính bằng nhau của ma trận hiệp phương sai Ví dụ
6.7 Phân tích phương sai đa biến TWo Way MANOVA Một chiến lược so sánh các cách phân tích đa biến
Nội dung
Đặt vấn đề
Chúng ta nhấn mạnh rằng, với một vài tính chất nhất định, việc kiểm soát xác
suất tổng thể của những quyết định không chính xác là rất quan trọng. Điều
này đặc biệt quan trọng khi thử nghiệm cho sự ngang bằng của hai hay nhiều
hơn cách kiểm tra mà như các ví dụ trong phần này biểu thị. Một lần kiểm tra
đa biến sẽ nên được sử dụng hơn p lần kiểm tra đơn biến vì, như ví dụ sau đây
thể hiện, các kiểm tra đơn biến bỏ qua các thông tin quan trọng và có thể
mang đến kết quả không chính xác.
Logo-khoa-chu

Ví dụ
So sánh kiểm tra đơn biến và đa biến dựa vào trung bình
Logo-khoa-chu

Một chiến lược so sánh các cách phân tích đa biến
1. Try to identify outliers: Kiểm tra dữ liệu để tìm các ngoại lệ. Chú ý đến
các ngoại lệ để có thể thực hiện các phép tính có và không có chúng.
2. Perform a multivariate test of hypothesis: Một lựa chọn là Likelihood
ratio test (kiểm định tỉ số khả dĩ), cũng tương đương với Wilks’s lambda
test
3. Calculate the Bonferroni simultaneous confidence intervals: Nếu kiểm
định chỉ ra sự khác nhau, tiếp tục tính toán khoảng tin cậy Bonferroni
cho tất cả các cặp nhóm hoặc cặp phương pháp, và tất cả các tính chất.
Logo-khoa-chu

Nhóm 6

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nhóm 6

Uploaded by

Copyright:

Available Formats

6.

2 So sánh cặp mẫu ngẫu nhiên

Comparisons of Several Multivariate Means

Viện Toán ứng dụng và Tin học, ĐHBK Hà Nội

11th November 2021

Nhóm 6 Phân tích số liệu

Phân công công việc

STT Họ và tên MSSV Phần thực hiện

Nhóm 6 Phân tích số liệu

So sánh một yếu tố

Cho 2 mẫu ngẫu nhiên X = (X1 , X2 , ..., Xn ) và Y = (Y1 , Y2 , ..., Yn )

Nhóm 6 Phân tích số liệu

So sánh một yếu tố

Nhóm 6 Phân tích số liệu

So sánh một yếu tố

Bác bỏ H0 nếu |t| lớn ⇔ với bác bỏ H0 nếu t2 lớn:

Nhóm 6 Phân tích số liệu

So sánh nhiều yếu tố

Cho vecto ngẫu nhiên X = [X1 , X2 , ..., Xn ] và Y = [Y1 , Y2 , ..., Yn ]

Nhóm 6 Phân tích số liệu

So sánh nhiều yếu tố

So sánh nhiều yếu tố

Với mức ý nghĩa α, bác bỏ H0 nếu :

Nhóm 6 Phân tích số liệu

So sánh nhiều yếu tố

Nhóm 6 Phân tích số liệu

Các phép đo lặp lại

Nhóm 6 Phân tích số liệu

Các phép đo lặp lại

Nhóm 6 Phân tích số liệu

Các phép đo lặp lại

Khi đó, kiểm định trở thành:

Nhóm 6 Phân tích số liệu

So sánh hai véc-tơ trung bình.

Nhóm 6 Phân tích số liệu

(n1 +n2 −2)p

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

(1) (2) (1) (2)

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Theo định lý giới hạn trung tâm:

Nhóm 6 Phân tích số liệu

Khi H0 bị bác bỏ, miền tin cậy mức 1 − α của δ là:

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Mẫu j Phòng thí nghiệm 1 Phòng thí nghiêm 2

Nhóm 6 Phân tích số liệu

Nhóm 6 Phân tích số liệu

Bài toán: cho m

Nhóm 6 Phân tích số liệu

So sánh các giá trị vector trung bình

Nhóm 6 Phân tích số liệu

So sánh các giá trị vector trung bình

Nhóm 6 Phân tích số liệu