• Nie Znaleziono Wyników

Hipotezy ortogonalne

N/A
N/A
Protected

Academic year: 2021

Share "Hipotezy ortogonalne"

Copied!
7
0
0

Pełen tekst

(1)

Hipotezy ortogonalne

Rozważamy model liniowy:

X=+

gdzie XRn jest wektorem obserwacji

 Rn jest wektorem średnich (wartości oczekiwanych), o którym wiadomo, leży w pewnej właściwej podprzestrzeni liniowej  przestrzeni Rn, tzn.  Rn i dim()<n

 Rn jest losowym wektorem błędów o rozkładzie Nn(0,2I) Rozważmy dwie hipotezy liniowe specyfikujące 2 podprzestrzenie liniowe 1  i 2 

przestrzeni . Hipotezę liniową będziemy utożsamiać z podprzestrzenią, którą ona specyfikuje.

Oczywiście 12 jest podprzestrzenią liniową Potrafimy już testować hipotezę

H0: 12

przeciwko H1:  -12,

ale jeśli test odrzuci hipotezę H0:12 , to chcielibyśmy wiedzieć czy fałszywą jest hipoteza

1 czy 2 czy obie jednocześnie. Nie zawsze jest to możliwe Przykład. Model regresji liniowej

xi=0+1ai+2bi +i , i=1,...,n

i i.i.d. N(0,2), który można zapisać w postaci





















n n n

n b

b

a a

x x

    

1 1 2 1 1 0

1

1 1

Jeżeli chcemy zbadać czy zmienna a wpływa na wynik (odpowiedź) x, to testujemy hipotezę

1=0 ( zmienna a nie ma wpływu na x) która specyfikuje

















bn

b

1

, 1 1

1 span

.

Jeżeli chcemy zbadać czy zmienna b wpływa na wynik (odpowiedź) x, to testujemy hipotezę

2=0 ( zmienna a nie ma wpływu na x), która specyfikuje

















an

a

1

, 1 1

2 span

Jeżeli testujemy hipotezę o braku wpływu zmiennych a i b na odpowiedź x) x, to testujemy hipotezę

1=0 i 2=0 która specyfikuje













1 1 span 

2

1

(2)

Może się jednak okazać, że nie potrafimy oddzielić od siebie wpływów zmiennych(tu nielosowych) a i b. Jeżeli

wektory





an

a

1

i





bn

b

1

są sobie równe, to parametry 1 i 2 są nieidentyfikowalne a suma 1+2 może być

identyfikowalna , gdy









1

1 1

 const a

a

n

. Wówczas

















n n

n a

a x

x

   

1 1 2 1 0

1

) (

1 1

W mniej skrajnych przypadkach kolumny macierzy planu mogą być „prawie liniowo zależne” co skutkuje tw.

złym uwarunkowaniem i testy hipotezy 1=0 i hipotezy 2=0 mogą być słabe a test hipotezy 1+2=0 może być całkiem mocny.

Estymowalność i testowalność

Rozważmy model X=A+ , Nn(0,2I)

Def. Liniowa funkcja parametryczna cT jest (nieobciążenie) estymowalna, gdy istnieje liniowy nieobciążony estymator bTX tej funkcji.

WKW estymowalności E(bTX)= bTE(X)= bTA = cT   ATb = c  cIm(AT) (wiersz cT jest liniową kombinacją wierszy macierzy A)

Def. Hipoteza liniowa H=0 jest testowalna, jeżeli estymowalne są wszystkie liniowe funkcje parametryczne generowane przez wiersze macierzy H

WKW testowalności : Im(HT)  Im(AT)

(wiersze macierzy H są liniowymi kombinacjami wierszy macierzy A) Wracamy do modelu

X=+ , N(0,2I) ,  Rn , dim()<n Rozważmy hipotezy H10:1 i H02:2

Oczywiście 1 1 i 2 2 (sumy proste)

Def. Hipotezy 1 i 2 nazywamy hipotezami ortogonalnymi gdy przestrzenie 1 i 2 są ortogonalne

(3)

Z warunku ortogonalności hipotez 1 i 2 czyli z warunku 1  2 wynika

1  2 (bo 2 2)

2  1 (bo 11)

zatem dim(1 + 2)  dim(1 +1) = dim() (sumy algebraiczne ) Ale (1 + 2 )  stąd dim(1 + 2)  dim().

Wobec tego dzięki ortogonalności hipotez 1 i 2 (czyli 1  2) mamy dim(1 + 2)= dim().

Oznaczmy odpowiednio q= dim(1  2)

r1= dim(1) (tzn macierz H1 jest typu (s- r1 , s) pełnego rzędu –specyfikuje s- r1 ograniczeń) r2= dim(2) (tzn macierz H2 jest typu (s- r2 , s) pełnego rzędu –specyfikuje s- r2 ograniczeń) s= dim()

Warunek ortogonalności badanych hipotez pozwala napisać fundamentalny związek pomiędzy wymiarami odpowiednich przestrzeni

s= r1+ r2- q

Postać kanoniczna

Wprowadźmy w Rn nową bazę ortonormalną (e1',...,e'n) tak aby

' ' 1,...,eq

e baza w 12

, ,..., '

'

1 eq

e e'q1,...,e'r1 baza w 1

, ,..., '

1' eq

e ,e'r11,...,e's baza w 2

, ,..., '

'

1 eq

e eq'1,...,er'1,e'r11,...,e's baza w  ,

,..., '

'

1 eq

e eq'1,...,er'1,e'r11,...,es' , e's1,...,e'n) baza w Rn

Niech P będzie macierzą przejścia od starej bazy kanonicznej do nowej bazy(e1',...,e'n) Oznacza to, że

n

i ij i

j P

1

' e

e . Macierz P jest oczywiście macierzą ortogonalną. Związek pomiędzy współrzędnymi x wektora w starej bazie i jego współrzędnymi x w nowej bazie jest postaci x =P x lub równoważnie x =PTx

Ponieważ w bazie kanonicznej możemy utożsamiać wektor z jego zestawem współrzędnych w bazie kanonicznej, kolumny macierzy P (wiersze PT) są zestawione z wektorów nowej bazy (e1',...,e'n)

(4)

Wektor A leżący w przestrzeni Im(A) rozpinanej także przez (e1',...,e's) może być zapisany w

postaci '

1 i

s i ie

 

Mnożąc obustronnie X=A+ przez PT otrzymujemy PT X= PT A+ PT = PT '

1 i

s i ie

 + PT

Oznaczając Y=PT X = PT  otrzymujemy równoważny model w postaci kanonicznej





















































η O

I 0 0

0 I

0

0 0 I

Y

s q r q r q

1

2 1

przy czym N(0,2I)

Y=Akan +

Dla modelu w postaci kanonicznej hipoteza H0 przybiera postać

1

H0: 1 1 0

1

r ,...,s 0

02

H : 2  q10,...,r1 0

2 , 01

H : 12  q10,...,r1 0, r110,...,s 0

Ponieważ przekształcenie ortogonalne zachowuje normę więc prawdziwe są równości

2 2

1 1

2 2 2

0 ˆ ˆ n s n

s

i i

kan Y Y Y

R       

γ A Y

ε

resztkowa suma kwadratów (wewnątrzgrupowa) w modelu bezwarunkowym .

1 2 1 2

1 ε Y Akanγ

R 21 2 21 2

1 s s n

r Y Y Y

Y    resztkowa suma kwadratów w modelu warunkowym przy H10

2 2 2 2

2 ε Y Akanγ

R 21 2 21 2

1 s n

r

q

Y Y Y

Y

   

  

resztkowa suma kwadratów w modelu warunkowym przy H02

1,2 2 1,2 2

12 ε Y Akanγ

R 21 2 21 2 21 2

1

1 r s s n

r

q

Y Y Y Y Y

Y

   

   

  

resztkowa suma kwadratów w modelu warunkowym przy H10H02

Widać, że zmienne

(5)

0

1 R

R 21 2

1 s

r Y

Y 

0

2 R

R Yq21 Yr12

2 2

1

0 Ys Yn

R   są niezależne i

R12-R0= (R2 R0)+(R1 R0)= 21 2

r1

q Y

Y  + 21 2

1 s

r Y

Y  . Ponadto (oznaczając przez 

Pi rzut wektora =E(X) na przestrzeń  i )

1 2 0

 R R 

ma rozkład s2r1,1 przy czym 2 2

1 2 2

12 1

1

1

1 

 

  s P

r i

i  

2 2 0

 R R 

ma rozkład s2r2,2 przy czym 2 2

1 2 2

22 2

1 1

1 

 

  P

r q

i i  

02

R ma rozkład n2 s

Podsumowaniem jest następująca Tabelka ANOVA

Źródło

zmienności Suma kwadratów Stopnie

swobody Średni kwadrat Iloraz F Hipoteza 1

Hipoteza 2 R1-R0

R2-R0

s-r1

s-r2

1

1 s1r

m  (R1-R0)

2

2 s1r

m  (R2-R0)

0 1 1

m F  m

0 2 m2

F  m

Hipoteza

12 R12-R0 s-q

m

12

s1q

( R

12

 R

0

)

0 12

12

m

F  m

Błąd

(wewnątrz grup) R0 n-s m0n1s R0

Ogółem R1,2 n-q

Warto na etapie planowania eksperymentu zadbać o to by interesujące nas hipotezy były ortogonalne, gdyż ortogonalność umożliwia oprócz testowania łącznej hipotezy liniowej także testowanie hipotez składowych a statystyki testowe dla tych hipotez szczegółowych są niezależne

Zadanie. Pokazać że w modelu efektów głównych dwuczynnikowej ANOVA plan z macierzą liczności

1 2 2 4

prowadzi do ortogonalnych hipotez a plan z macierzą liczności 1 2

2 3 nie prowadzi do ortogonalnych hipotez.

(6)

Rozwiązanie

Przy parametryzacji oszczędnej macierz planu jest postaci

























1 1 1

1 1 1

1 1 1

1 1 1

0 1 1

0 1 1

1 0 1

1 0 1

0 0 1

. Oznaczając przez a1,

a2 i a3 kolejne kolumny macierzy planu mamy

















































































































































31 31 31 3 1 32 32 31 3 1 32

3 1

1 ,

1 1 1 1 1 1 1 1 1

1 1 1 1 0 0 1 1 0

,

1 1 1 1 1 1 1 1 1

} ,

{a a span span

 span ,

















































3 1 3 1 3 1 3 1 3 1 3 1 32 32 32

1 span

















































































































































13 13 13 3 1 13 13 32 32 32

2 1

2 ,

1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 0 0 0

,

1 1 1 1 1 1 1 1 1

} ,

{a a span span

 span ,

















































3 1 3 1 3 1 3 1 32 32 3 1 3 1 32

2 span

.

Widać, że

1,

2 0, czyli 12, wiec hipotezy 1 i 2 są ortogonalne.

(7)

W drugim przypadku przy parametryzacji oszczędnej macierz planu jest postaci

 

 

 

 

 

 

 

 

 

 

1 1 1

1 1 1

1 1 1

0 1 1

0 1 1

1 0 1

1 0 1

0 0 1

.

Oznaczając przez a1 , a2 i a3 kolejne kolumny macierzy planu mamy

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3 3 3 5 5 3 3 5

,

1 1 1 1 1 1 1 1

1 1 1 0 0 1 1 0

,

1 1 1 1 1 1 1 1

} ,

{

1 3 18 1201

1

span a a span span

,

















































353 353 353 2 2 2 3

2 3

215

1

215 215 353 353

span

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3 3 3 3 3 5 5 5

,

1 1 1 1 1 1 1 1

1 1 1 1 1 0 0 0

,

1 1 1 1 1 1 1 1

} ,

{

1 2 18 1201

2

span a a span span

,

















































353 353 353 2 3

2 3

2 2

215

2

353 353 215 215

span .

Widać, że

1,

2151 , wiec w tym przypadku hipotezy 1 i 2 nie są ortogonalne

Cytaty

Powiązane dokumenty

Do pokrycia całej sfery można wybrać pewną skończoną liczbę płatów, a następnie skupić uwagę jedynie na tej kolekcji (na przykład powierzchnię boczną walca da się

Oczywiście jest, jak głosi (a); dodam — co Profesor Grzegorczyk pomija (czy można niczego nie pominąć?) — iż jest tak przy założeniu, że wolno uznać

Jest pycha udziału w czymś wielkim, nawet, gdy się było tylko biernym statystą.. Oczywistą też jest pycha wywyższania się nad tych, którzy, wedle naszego dzisiejszego

W dniu 22 maja 2007 roku, już po raz czwarty odbyły się warsztaty studenckie „Miasta bez Barier”, orga−. nizowane przez Wydział Architektury

Znaleźć punkt na płaszczyźnie, z którego suma odległości do trzech wierzchołów trójkata jest najmniejsza.... Możliwe sa

Podstawą procesu edukacyjnego jest komunikacja w relacji nauczyciel – – student i to ona będzie przedmiotem dalszych rozważań, uporządkowa- nych za pomocą metafory

Instytut Matematyczny UWr www.math.uni.wroc.pl/∼jwr/BO2020 III LO we

W dowolnym n-wyrazowym postępie arytmetycznym o sumie wyrazów równej n, k-ty wyraz jest równy 1.. Dla podanego n wskazać takie k, aby powyższe zdanie