Intuicja za założeniem sferyczności
Jednym z założeń wspólnych, nie powtarzanych pomiarów, ANOVA jest jednakowa wariancja we wszystkich grupach.
(Możemy to zrozumieć, ponieważ równa wariancja, znana również jako homoscedastyczność , jest potrzebna, aby estymator OLS w regresji liniowej był NIEBIESKI, a odpowiednie testy t były ważne, patrz twierdzenie Gaussa-Markowa . I ANOVA można zaimplementować jako liniową regresja.)
Spróbujmy więc zredukować przypadek RM-ANOVA do przypadku nie-RM. Dla uproszczenia będę miał do czynienia z jednoczynnikowym RM-ANOVA (bez efektów między podmiotami ), który ma pacjentów zarejestrowanych w warunkach k RM.nk
Każdy obiekt może mieć własne przesunięcie specyficzne dla obiektu lub przechwycenie. Jeśli odejmiemy wartości w jednej grupie od wartości we wszystkich innych grupach, anulujemy te przechwyty i dojdziemy do sytuacji, w której będziemy mogli użyć metody innej niż RM-ANOVA do przetestowania, czy wszystkie różnice grup są zerowe. Aby test był ważny, potrzebujemy założenia równych wariancji tych różnic k - 1 .k−1k - 1
Teraz możemy odjąć grupę nr 2 od wszystkich innych grup, ponownie dochodząc do różnic które również powinny mieć równe wariancje. Dla każdej grupy z k wariancje odpowiadających różnic k - 1 powinny być równe. Szybko wynika, że wszystkie możliwe różnice k ( k - 1 ) / 2 powinny być równe.k - 1kk - 1k ( k - 1 ) / 2
To jest właśnie założenie sferyczności.
Dlaczego wariancje grupowe nie powinny być sobie równe?
Kiedy że RM-ANOVA, to zazwyczaj, że prosty dodatków modelu mieszanego modelu stylu postać w którym α i są efekty zastrzeżeniem, β J jest efekty warunkowe i ϵ ∼ N ( 0 , σ 2 ) .
yI j= μ + αja+ βjot+ ϵI j,
αjaβjotε ~ N( 0 , σ2))
W tym modelu różnice grupowe będą następować po , tj. Wszystkie będą miały tę samą wariancję 2 σ 2 , więc zachodzi sferyczność. Ale każda grupa będzie podążać za mieszaniną n Gaussianów ze średnimi w αi i wariancjami σ 2 , co jest pewnym skomplikowanym rozkładem z wariancją V ( → α , σ 2 ), która jest stała między grupami.N.( βjot1- βjot2), 2 σ2))2 σ2)nαjaσ2)V.( α⃗ , σ2))
Zatem w tym modelu odchylenia grupowe są również takie same. Grupy kowariancji są również takie same, co oznacza, że model ten zakłada złożoną symetrię . Jest to bardziej rygorystyczny warunek w porównaniu do sferyczności. Jak pokazuje mój powyższy intuicyjny argument, RM-ANOVA może działać dobrze w bardziej ogólnej sytuacji, gdy napisany powyżej model addytywny nie ma zastosowania .
Dokładne stwierdzenie matematyczne
Mam zamiar dodać tu coś z Huynh & FELDT, 1970, warunki, w jakich Mean kwadratowe Wskaźniki w powtarzanych pomiarów wzory dokładnych -Distributionsfa .
Co się stanie, gdy pęknie sferyczność?
Gdy sferyczność się nie utrzymuje, możemy prawdopodobnie oczekiwać, że RM-ANOVA (i) ma nadmuchany rozmiar (więcej błędów typu I), (ii) ma zmniejszoną moc (więcej błędów typu II). Można to zbadać za pomocą symulacji, ale nie zamierzam tego tutaj robić.