重复测量方差分析的一个假设称为 球形度 或者 圆形度 (两者是同义词)。Prism能够让您决定是否接受该假设。如果您选择不接受该假设,则Prism使用Geisser和Greenhouse的方法来纠正违反假设的情况。
球形度定义如下,但此处有一些准则,以用于回答Prism关于是否假设球形度的问题:
•如果您的实验设计依赖于匹配而非重复测量,随后您可假设球形度,因为不可能出现违反情况。
•如果您的实验设计为重复测量(随着时间的推移多次测量),我们建议您不要假设球形度。我们遵循Maxwell和Delaney(1)的建议。
该名称令人困惑。不要因想到球体,而凭直觉知道 “球形度”一词 的 意思。数理统计账簿从矩阵代数的角度来定义该术语。这让其看起来令人困惑。但事实上,该概念很容易理解。
这是来自Prism的样本数据表(选择一个列表,然后选择重复测量单因素方差分析的样本数据)。
每行代表来自由行标题标识的一名受试者的数据。每列均代表不同的治疗。在本示例中,五名受试者中的每一名均接受了四次连续治疗。数据将通过重复测量单因素方差分析进行分析。
球形度的假设表明,处理A与处理B之间的差异方差等于处理A与处理C之间的差异方差,即等于处理A与处理D之间的差异方差,还等于处理B与处理D之间的差异方差……像所有的统计假设一样,该假设适用于抽样数据的群体,而不仅仅是这些特定的数据集。
这在图表上更容易查看:
左侧面板显示差异。六列中的每一列均代表了两种治疗之间的差异。具有五名受试者,因此每个差值有五个点。
右图显示标准差。球形度假设表明,从这些标准差相同的总体中,对这些数据进行抽样。(大多统计学书籍谈论方差,即,标准差的平方。如果标准差相等,则方差也相等。)上方右侧面板中的标准偏差不相等。实际上,这不重要。该假设关于从其中对数据进行抽样的值的总体。您希望在任一特定的样本中,均出现一些偏差。此处标准偏差之间的偏差很小。
您可能会对考虑不相邻列之间的差异,感到惊讶。为什么应当确定A与C之间的差异?或者A与D之间的差异?答案是,方差分析(甚至是重复测量方差分析)不会注意分组的顺序。重复测量方差分析将每行值视为一组匹配值。但根本未考虑治疗顺序。如果随机打乱所有受试者的治疗顺序,则方差分析结果不会出现任何改变(除非您选择后趋势检验)。
下文参考文献2和参考文献3均从非数学角度,清晰地解释球形度。
您读到该主题时,还会遇到 “复合对称性”一词,其以原始数据的协方差矩阵(不计算配对差异)为基础。如果复合对称的假设对数据集有效,则球形度假设对数据集也有效。但相反情况并非总是如此。即使球形度假设有效,数据也有可能违反复合对称性,但这种情况很罕见。
在过短时间间隔内进行重复测量时,将违背球形度假设,因此,在下一次测量前,导致特定值变大(或变小)的随机因素不会删除。为避免违反该假设,在两次治疗之间等待足够长的时间,以此确保受试者基本上与治疗前的情况一样。并在可能的情况下,随机选择治疗顺序。
如果违背球形度假设,而且,您在计算时未考虑到这一点,则通过重复测量方差分析报告的P值将会过小。换言之,Geisser - Greenhouse修正会增大P值。
Prism通过计算和报告ε值来量化球形偏差。
Prism似乎能够根据ε值来决定是否修正违背球形度的情况。但不建议使用该值来决定如何分析数据(1)。
Prism能够使用Greenhouse和Geisser方法来调整重复测量方差分析的结果,以便解释ε值。这种调整所做的唯一操纵是减少自由度,进而增大P值。
注:
•该方法有时可归因于Box。
•Geisser和Greenhouse还导出了 下限修正。这是一种更简单的计算方法,但修正过度。Prism不使用该方法,而是使用 Geisser and Greenhouse epsilon hat 方法。
•Huynh和Feldt已开发一种替代方法进行重复测量方差分析,而无需假设球形度。Prism未计算该方法,而Maxwell和Delaney(稍微)倾向于使用Geisser和Greenhouse方法(1)。
•通过减小自由度值来实现修正。这些修正后的值可以是分数,而且Prism根据F比值和这些修正后的分数自由度,计算P值。
•如果通过拟合混合模型来拟合数据,则实现修正的方式相同。如果您不要求修正,则该模型的拟合方式相同。DF减小,因此,根据F比值计算得到的P值更大。
如果未假设球形度,您将看到Prism报告了Geisser - Greenhouse ε值,而且df分数值可用于计算P值。
1.Scott E. Maxwell和Harold D. Delaney, 设计实验和分析数据:模型比较视角, 第二版。IBSN:0805837183.
2.Andy Field,Bluffer球形度指南。
3.T. Baguley,在我的重复测量方差分析输出中,所有关于球形度这些东西是什么?