VARIANCIAANALÍZIS (ANOVA)

véletlen faktorok esetén

Variancia-komponens-elemzés

Biometria 2 - Véletlen faktoros ANOVA 1

 Faktorok típusai
I. Rögzített faktorok – eddigiek, pl. diéta típusa
• szintjeiket a kísérletekhez megválaszthatjuk és beállíthatjuk,
Kérdés:
• van-e különbség a faktor különböző szintjei között, melyik közülük a
legjobb?

II. Véletlen faktorok – tipikus példa a nap hatása

• szintjeit egy elképzelt sokaságból véletlenszerűen választjuk ki
• nem tudjuk vagy nem akarjuk ugyanarra a szintre beállítani
Kérdés:
• a faktornak van-e hatása az ingadozásra?
• több véletlen faktor közül melyik milyen mértékben járul hozzá az
ingadozáshoz?
• mekkora ingadozás várható a szintek különbözősége miatt?
Biometria 2 - Véletlen faktoros ANOVA 2
 Egy véletlen faktor szerinti varianciaanalízis

3. példa
Egy elemzést három napon kétszer-kétszer végeztek el. Okoz-e
ingadozást az, hogy különböző napokon végezték a méréseket?
Napszem.sta

1. nap 2. nap 3. nap

96.897 96.905 97.495
96.963 97.567 97.195
yi. 96.930 97.236 97.345 y..=97.1705

Van-e értelme az eddigi példák során feltett kérdésünknek?

Biometria 2 - Véletlen faktoros ANOVA 3

A modell: yij     i   ij
i a faktor i-edik szintjének (i-edik nap) hatása
μ közös (vonatkoztatási) érték; r+1 paraméter
hibatag,

Rögzített faktornál Véletlen faktornál

H 0 :  i  0, i  1,..., r H 0 :  A2  0 H1 :  A2  0

E    0  
Var    A
2

 i ~ N 0,  A2 
Valószínűségi változó!
Hasonlítsuk össze a véletlen faktort és a hibatagot!

Biometria 2 - Véletlen faktoros ANOVA 4

ANOVA-táblázat az egy véletlen faktoros esetre
E(MS) v. E(s2)
az eltérés eltérés- szabadsági szórás-négyzet szórásnégyzet F0
forrása négyzetösszeg fokszám várható értéke
A hatása S s A2
S A  p   y i  y   A
2
(csoportok r-1 s 2A  e2  p A2
közötti) i
r 1 s R2
Ismétlések
S R    y ij  y i  SR
2
(csoportokon r(p-1) s R2   e2
belüli) i j r( p  1)

S 0    y ij  y  
2
Teljes rp-1
i j

s A2
H 0 :  A2  0 H1 :  A2  0 r-1
 e2  p A2
F
s A2 s R2
F0  2 r(p-1)
sR  e2
Biometria 2 - Véletlen faktoros ANOVA 5
Statistics>Advanced Linear/Nonlinear Models>
>General Linear Models>One-way ANOVA

Biometria 2 - Véletlen faktoros ANOVA 6

 Az ANOVA táblázat egy véletlen faktorra
Univariate Tests of Significance for Y (Napszem)
Over-parameterized model
Type III decomposition
Include condition: szem=1
Effect SS Degr. of MS Den.Syn. Den.Syn. F p
Effect (F/R) Freedom Error df Error MS
Intercept Fixed 56652.44 1 56652.442 2.000000 0.092581 611925.190 0.000002
NAP Random 0.19 2 0.093 3.000000 0.088767 1.043 0.453029
Error 0.27 3 0.089

H 0 :  A2  0 H1 :  A2  0  i ~ N 0,  A2 

s A2 Döntés?
 e2  p A2 s A2
F F0  2
s R2 sR
 e2
Biometria 2 - Véletlen faktoros ANOVA 7
Ha a H 0 :  A2  0 hipotézist elutasítjuk, becsülnünk kell a  A2 varianciát

 
E s    p
2
A
2
e
2
A  2
e  p 2
A  s 2
A
s 2
 A2  A R
 s 2

p
 
E s R2   e2
 e2  s R2

Summary fülön: Random effects>Var. comp.

Components of Variance (Napszem)
Over-parameterized model
Type III decomposition 0.093  0.089
  2
A  0.002
Effect Y 2
NAP 0.001907
Error 0.088767  e2  sR2  0.089
Mekkora a teljes ingadozás?
Biometria 2 - Véletlen faktoros ANOVA 8
 Kereszt-osztályozás két véletlen faktor szerint
4. példa
Egy elemzést nemcsak különböző napokon végeztek el, hanem
különböző személyek is.
Az, hogy a mérést különböző napokon és különböző személyek végzik,
okoz-e többlet-ingadozást az egy nap egy személy végezte ismétlések
szóródásához képest? Napszem.sta
1. nap 2. nap 3. nap y.j.
1. személy 96.897 96.905 97.495
96.963 97.567 97.195 97.170
2. személy 97.232 97.241 97.215
97.184 97.025 97.581 97.247
3. személy 96.988 97.202 97.352
96.797 97.324 97.283 97.158
4. személy 97.035 97.339 97.388
97.095 97.318 97.168 97.224
yi.. 97.024 97.240 97.335 y…=97.200
Biometria 2 - Véletlen faktoros ANOVA 9
A modell: yijk     i   j  ij   k (ij )

nap személy kölcsönhatás ismétlési hiba

 i ~ N 0,  2
A   j ~ N 0,  2
B  ij ~ N 0,  AB
2

 ~ N 0,  e2  függetlenek!

i=1,…,r; j=1,…,q; k =1,…,p (ismétlés)

A példában r=3, q=4, p=2

Biometria 2 - Véletlen faktoros ANOVA 10

yijk     i   j  ij   k (ij ) (nap, személy, kölcsönhatás, hiba)

A hipotézispárok: H 0A :  A2  0 H1A :  A2  0

H 0B :  B2  0 H1B :  B2  0

H 0AB :  AB
2
0 H1AB :  AB
2
0

A teljes ingadozás:  ytotal

2
  A2   B2   AB
2
  e2

Növelik az ingadozást? Mennyire?

Biometria 2 - Véletlen faktoros ANOVA 11

 ANOVA-táblázat két véletlen faktoros
keresztosztályozásra
az eltérés eltérés- szabadsági szórásnégyzet szórásnégyzet várható F
forrása négyzetösszeg fokszám értéke
S A  qp yi  y  SA
A hatása 2 r-1 qp A2  p AB
2
 e2 s2A s2AB
s 
2
A
i r 1
B hatása
SB  rp y j  y   q-1 S prB2  p AB
2
 e2 sB2 s2AB
2
sB2  B
j q 1
AB kölcsh. S AB  (r-1)(q-1) s2AB  p AB
2
 e2 s2AB sR2

 p yij  yi  y j  y 
2
S AB

i j (r 1)(q 1)

 
Ismétlések rq(p-1) SR
S R   yijk  yij
2
sR2  e2
rq( p  1)
i j k

Teljes
S0    yij  y   rqp-1
2

i j

Biometria 2 - Véletlen faktoros ANOVA 12

A példa adataival számolva:

az eltérés szabadsági szórás- szórás-négyzet várható F p

forrása fokszám négyzet értéke
A: nap 2 .20317 8 A2  2 AB
2
  e2 s 2A s 2AB  0.0184
=8.357
B: személy 3 .01078 6 B2  2 AB
2
  e2 sB2 s AB
2
 0.7306
=0.4435
AB: nap*személy 6 .02431 2 AB
2
  e2 s 2AB s R2  0.6487
=0.7096
Ismétlések 12 .03426  e2

Biometria 2 - Véletlen faktoros ANOVA 13

 Statistics>Advanced Linear/Nonlinear Models>
>General Linear Models>Factorial ANOVA
Options fülön: Random Nap, Szem

Univariate Tests of Significance for Y (Napszem)

Over-parameterized model
Type III decomposition
Effect SS Degr. of MS Den.Syn. Den.Syn. F p
Effect (F/R) Freedom Error df Error MS
Intercept Fixed 226746.0 1 226746.022 1.73047 0.189467 1196759 0.000005
NAP Random 0.4 2 0.203 6.00000 0.024319 8 0.018476
SZEM Random 0.0 3 0.011 6.00000 0.024319 0 0.730944
NAP*SZEM Random 0.1 6 0.024 12.00000 0.034337 1 0.649658
Error 0.4 12 0.034

Döntés?

Biometria 2 - Véletlen faktoros ANOVA 14

Az eltérés df MS MS Components of Variance (Napszem)
forrása Over-parameterized model
A hatása 2 s A2 .20317 Type III decomposition
Effect Y
B hatása 3 s B2 .01078
NAP 0.0223
AB kölcsh. 6 2
s AB .02431 SZEM -0.0023
NAP*SZEM -0.0050
csoportokon 12 s R2 .03426
Error 0.0343
belül

 e2  s R2  0.03428
s 2
 s 2
0.20317  0.02431
A 
2 A AB
  0.0223
qp 8

s 2
 s 2
0.0108  0.02431 Hogyan
B 
2 B AB
  0.00225
rp 6 értelmezzük?

Biometria 2 - Véletlen faktoros ANOVA 15

 Expected Mean Square Coefficients (Napszem)
Over-parameterized model
Type III decomposition
Effect Intercpt NAP SZEM NAP*SZEM Error
Effect (F/R)
Intercept Fixed 24.00000 8.000000 6.000000 2.000000 1.000000
NAP Random 8.000000 2.000000 1.000000
SZEM Random 6.000000 2.000000 1.000000
NAP*SZEM Random 2.000000 1.000000
Error 1.000000

Az eltérés forrása df E(MS) E(MS)

A: nap 2 qp A2  p AB
2
  e2 8 A2  2 AB
2
  e2

B: személy 3 pr B2  p AB
2
  e2 6 B2  2 AB
2
  e2

AB: kölcsönhatás 6 p AB
2
  e2 2 AB
2
  e2
csoportokon belüli 12  e2  e2

Biometria 2 - Véletlen faktoros ANOVA 16

 Hierarchikus osztályozás

5. példa
Box-Hunter-Hunter: Statistics for Experimenters, J. Wiley, 1978, p. 571
Festékgyári nedvesség-tartalom-meghatározás: 15 gyártott adagból
két-két mintát vesznek, mindkettőnek a víztartalmát kétszer-kétszer
megmérik. Moisture.sta

gyártott adagok 1 2 … 15
minták 1 2 3 4 … 29 30
(1) (2) (1) (2) … (1) (2)
elemzés 1 2 3 4 5 6 7 8 … 57 58 59 60
(1) (2) (1) (2) (1) (2) (1) (2) … (1) (2) (1) (2)

Biometria 2 - Véletlen faktoros ANOVA 17

Az adattáblázat egy részlete:

adag minta elemzés minta átlaga adag átlaga

1 1 40.0 39.0 39.5 34.75
2 30.0 30.0 30.0
2 3 26.0 28.0 27.0 26.25
4 25.0 26.0 25.5
3 5 29.0 28.0 28.5 21.5
6 14.0 15.0 14.5

15 29 39.0 37.0 38.0 32.50

30 26.0 28.0 27.0

Biometria 2 - Véletlen faktoros ANOVA 18

 A modell: yijk    Ai  B j ( i )   k (ij ) Nincs
kölcsönhatás!!

adag minta analízis


Ai ~ N 0,  2
 
B j ~ N 0,  2
B   k ij  ~ N 0,  2
e 
A

függetlenek

A hipotézisek: H 0 :  A2  0 H1 :  A2  0

H 0 :  B2  0 H1 :  B2  0

Biometria 2 - Véletlen faktoros ANOVA 19

 Az ANOVA-táblázat

az eltérés eltérés- szab. szórásnégyzet

szórásnégyzet F
forrása négyzetösszeg fok várható értéke
A hatása S A  qp   yi  y  r-1 SA
2
s 2A  qp A2  p B2   e2 s 2A sB2  A
i r 1
B(A) hatása
  r(q-1)
2 S B ( A)
S B( A )  p   yij   yi p B2   e2 s 2B( A ) sR2
s 2

r q  1
B ( A)
i j

    yijk  yij 
Ismétlések 2 rq(p-1) s 2  SR
SR  R
 e2
rq ( p  1)
i j k

s A2  s B2  A 
Variancia-komponensek  A2 
becslései: qp
s B2  A   s R2
 B2 
p
Biometria 2 - Véletlen faktoros ANOVA 20
Statistics>Advanced Linear/Nonlinear Models>
>General Linear Models>Nested design ANOVA
Options fülön: Random batch, sample
Between effects

Biometria 2 - Véletlen faktoros ANOVA 21

 Univariate Tests of Significance for MOISTURE (Moisture)
Over-parameterized model
Type III decomposition
Effect SS Degr. of MS Den.Syn. Den.Syn. F p
Effect (F/R) Freedom Error df Error MS
Intercept Fixed 43040.82 1 43040.82 14.0 86.495 497.61 0.0000
BATCH Random 1210.93 14 86.50 15.0 57.983 1.49 0.2256
MSAMPLE(BATCH) Random 869.75 15 57.98 30.0 0.917 63.25 0.0000
Error 27.50 30 0.92

Components of Variance (Moisture)

Over-parameterized model
Type III decomposition
Effect MOISTURE
BATCH 7.13
MSAMPLE(BATCH) 28.53
Error 0.92

Biometria 2 - Véletlen faktoros ANOVA 22

Lehetne-e úgy végezni a kísérleteket, hogy a nap-szem.
példa hierarchikus legyen?

Biometria 2 - Véletlen faktoros ANOVA 23