====== 이원배치법 (모수모형) (반복없음) ====== ===== 데이터 구조 ===== [[인자]] $A$는 [[모수인자]] [[인자]] $B$는 [[모수인자]] $$ y_{ij} = \mu + a_{i} + b_{j} + e_{ij} $$ * $y_{ij}$ : $A_{i}$와 $B_{j}$에서 얻은 [[측정값]] * $\mu$ : 실험전체의 [[모평균]] * $a_{i}$ : $A_{i}$가 주는 효과 * $b_{j}$ : $B_{j}$가 주는 효과 * $e_{ij}$ : $A_{i}$와 $B_{j}$에서 얻은 [[측정값]]의 [[오차]] ($e_{ij} \sim N(0, \sigma_{E}^{ \ 2})$이고 서로 [[독립]]) * $i$ : [[인자]] $A$의 [[수준]] 수 $( i = 1,2, \cdots ,l )$ * $j$ : [[인자]] $B$의 [[수준]] 수 $( j = 1,2, \cdots ,m )$ ===== 자료의 구조 ===== ^ [[인자]]\\ $B$ ^ [[인자]] $A$ ^^^^ 합계 ^ [[평균]] | ^:::^ $$A_{1}$$ ^ $$A_{2}$$ ^ $$\cdots$$ ^ $$A_{l}$$ ^:::^:::| ^ $$B_{1}$$ | $$y_{11}$$ | $$y_{21}$$ | $$\cdots$$ | $$y_{l1}$$ | $$T_{.1}$$ | $$\overline{y}_{.1}$$ | ^ $$B_{2}$$ | $$y_{12}$$ | $$y_{22}$$ | $$\cdots$$ | $$y_{l2}$$ | $$T_{.2}$$ | $$\overline{y}_{.2}$$ | ^ $$\vdots$$ | $$\vdots$$ | $$\vdots$$ | | $$\vdots$$ | $$\vdots$$ | $$\vdots$$ | ^ $$B_{m}$$ | $$y_{1m}$$ | $$y_{2m}$$ | $$\cdots$$ | $$y_{lm}$$ | $$T_{.m}$$ | $$\overline{y}_{.m}$$ | ^ 합계 ^ $$T_{1.}$$ ^ $$T_{2.}$$ ^ $$\cdots$$ ^ $$T_{l.}$$ ^ $$T$$ ^ | ^ [[평균]] ^ $$\overline{y}_{1.}$$ ^ $$\overline{y}_{2.}$$ ^ $$\cdots$$ ^ $$\overline{y}_{l.}$$ ^ ^ $$\overline{\overline{y}}$$ | | $$T_{i.} = \sum_{j=1}^{m} y_{ij}$$ | $$\overline{y}_{i.} = \frac{T_{i.}}{m}$$ | | $$T_{.j} = \sum_{i=1}^{l} y_{ij}$$ | $$\overline{y}_{.j} = \frac{T_{.j}}{l}$$ | | $$T = \sum_{i=1}^{l} \sum_{j=1}^{m} y_{ij}$$ | $$\overline{\overline{y}} = \frac{T}{lm} = \frac{T}{N}$$ | | $$N = lm$$ | $$CT = \frac{T^{2}}{lm} = \frac{T^{2}}{N}$$ | ===== 제곱합 ===== 개개의 데이터 $y_{ij}$와 총 [[평균]] $\overline{\overline{y}}$의 차이는 다음과 같이 세 부분으로 나뉘어진다. $$(y_{ij} - \overline{\overline{y}}) = (\overline{y}_{i.} - \overline{\overline{y}}) + (\overline{y}_{.j} - \overline{\overline{y}}) + (y_{ij} - \overline{y}_{i.} - \overline{y}_{.j} + \overline{\overline{y}})$$ 양변을 제곱한 후에 모든 $i$와 $j$에 대하여 합하면 아래의 등식을 얻을 수 있다. $$\sum_{i=1}^{l}\sum_{j=1}^{m}(y_{ij} - \overline{\overline{y}})^{2} = \sum_{i=1}^{l}\sum_{j=1}^{m}(\overline{y}_{i.} - \overline{\overline{y}})^{2} + \sum_{i=1}^{l}\sum_{j=1}^{m}(\overline{y}_{.j} - \overline{\overline{y}})^{2} + \sum_{i=1}^{l}\sum_{j=1}^{m}(y_{ij} - \overline{y}_{i.} - \overline{y}_{.j} + \overline{\overline{y}})^{2}$$ 위 식에서 왼쪽 항은 총변동 $S_{T}$이고, 오른쪽 항은 차례대로 $A$의 [[변동]], $B$의 [[변동]], [[오차변동]]인 $S_{A}$, $S_{B}$, $S_{E}$가 된다. $$\begin{displaymath}\begin{split} S_{T} &= \sum_{i=1}^{l} \sum_{j=1}^{m} (y_{ij}- \overline{\overline{y}})^{2} \\ &= \sum_{i=1}^{l} \sum_{j=1}^{m} y_{ij}^{ \ 2} - CT \end{split}\end{displaymath}$$ $$\begin{displaymath}\begin{split} S_{A} &= \sum_{i=1}^{l} \sum_{j=1}^{m} (\overline{y}_{i.}- \overline{\overline{y}})^{2} \\ &= \sum_{i=1}^{l} \frac{T_{i.}^{ \ 2}}{m} - CT \end{split}\end{displaymath}$$ $$\begin{displaymath}\begin{split} S_{B} &= \sum_{i=1}^{l} \sum_{j=1}^{m} (\overline{y}_{.j}- \overline{\overline{y}})^{2} \\ &= \sum_{j=1}^{m} \frac{T_{.j}^{ \ 2}}{l} - CT \end{split}\end{displaymath}$$ $$\begin{displaymath}\begin{split} S_{E} &= \sum_{i=1}^{l} \sum_{j=1}^{m} (y_{ij} - \overline{y}_{i.} - \overline{y}_{.j} + \overline{\overline{y}})^{2} \\ &= S_{T} - S_{A} - S_{B} \end{split}\end{displaymath}$$ ===== 자유도 ===== $$\nu_{_{A}} = l-1$$ $$\nu_{_{B}} = m-1$$ $$\nu_{_{E}} = (l-1)(m-1)$$ $$\nu_{_{T}} = lm-1=N-1$$ ===== 평균제곱 ===== $$V_{A} = \frac{S_{A}}{\nu_{_{A}}}$$ $$V_{B} = \frac{S_{B}}{\nu_{_{B}}}$$ $$V_{E} = \frac{S_{E}}{\nu_{_{E}}}$$ ===== 평균제곱의 기대값 ===== $$E(V_{A}) = \sigma_{_{E}}^{ \ 2} + m \ \sigma_{_{A}}^{ \ 2}$$ $$E(V_{B}) = \sigma_{_{E}}^{ \ 2} + l \ \sigma_{_{B}}^{ \ 2}$$ $$E(V_{E}) = \sigma_{_{E}}^{ \ 2}$$ ===== 분산분석표 ===== ^ [[요인]] ^ [[제곱합]]\\ $SS$ ^ [[자유도]]\\ $DF$ ^ [[평균제곱]]\\ $MS$ ^ $E(MS)$ ^ $F_{0}$ ^ [[기각치]] ^ [[순변동]]\\ $S\acute{}$ ^ [[기여율]]\\ $\rho$ | | $$A$$ | $$S_{_{A}}$$ | $$\nu_{_{A}} = l - 1$$ | $$V_{_{A}} = S_{_{A}} / \nu_{_{A}}$$ | $$\sigma_{_{E}}^{ \ 2} + m \ \sigma_{_{A}}^{ \ 2}$$ | $$V_{_{A}}/V_{_{E}}$$ | $$F_{1-\alpha}(\nu_{_{A}} \ , \ \nu_{_{E}})$$ | $$S_{_{A}}\acute{} = S_{_{A}} - \nu_{_{A}} \ V_{_{E}}$$ | $$S_{_{A}}\acute{} / S_{_{T}} $$ | | $$B$$ | $$S_{_{B}}$$ | $$\nu_{_{B}} = m - 1$$ | $$V_{_{B}} = S_{_{B}} / \nu_{_{B}}$$ | $$\sigma_{_{E}}^{ \ 2} + l \ \sigma_{_{B}}^{ \ 2}$$ | $$V_{_{B}}/V_{_{E}}$$ | $$F_{1-\alpha}(\nu_{_{B}} \ , \ \nu_{_{E}})$$ | $$S_{_{B}}\acute{} = S_{_{B}} - \nu_{_{B}} \ V_{_{E}}$$ | $$S_{_{B}}\acute{} / S_{_{T}} $$ | | $$E$$ | $$S_{_{E}}$$ | $$\nu_{_{E}} = (l - 1)(m - 1)$$ | $$V_{_{E}} = S_{_{E}} / \nu_{_{E}}$$ | $$\sigma_{_{E}}^{ \ 2}$$ | | | $$S_{_{E}}\acute{} = S_{_{T}} - S_{_{A}}\acute{} - S_{_{B}}\acute{}$$ | $$S_{_{E}}\acute{} / S_{_{T}} $$ | | $$T$$ | $$S_{_{T}}$$ | $$\nu_{_{T}} = lm - 1$$ | | | | | $$S_{_{T}}$$ | $$1$$ | ===== 분산분석 ===== [[인자]] $A$에 대한 [[분산분석]] $$F_{0}=\frac{V_{_{A}}}{V_{_{E}}}$$ [[기각역]] : $F_{0} > F_{a-\alpha}(\nu_{_{A}},\nu_{_{E}})$ [[인자]] $B$에 대한 [[분산분석]] $$F_{0}=\frac{V_{_{B}}}{V_{_{E}}}$$ [[기각역]] : $F_{0} > F_{a-\alpha}(\nu_{_{B}},\nu_{_{E}})$ ===== 각 수준의 모평균의 추정 ===== [[인자]] $A$의 [[모평균]]에 관한 [[추정]] $i$ [[수준]]에서의 [[모평균]] $\mu(A_{i})$의 [[점추정]]값 $$\hat{\mu}(A_{i})=\widehat{\mu + a_{i}} = \overline{y}_{i.}$$ $i$ [[수준]]에서의 [[모평균]] $\mu(A_{i})$의 $100(1-\alpha) \%$ [[신뢰구간]]은 아래와 같다. $$\hat{\mu}(A_{i})= \left( \overline{y}_{i.} - t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{V_{E}}{m}} \ , \ \overline{y}_{i.} + t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{V_{E}}{m}} \right)$$ ---- [[인자]] $B$의 [[모평균]]에 관한 [[추정]] $j$ [[수준]]에서의 [[모평균]] $\mu(B_{j})$의 [[점추정]]값 $$\hat{\mu}(B_{j})=\widehat{\mu + b_{j}} = \overline{y}_{.j}$$ $j$ [[수준]]에서의 [[모평균]] $\mu(B_{j})$의 $100(1-\alpha) \%$ [[신뢰구간]]은 아래와 같다. $$\hat{\mu}(B_{j})= \left( \overline{y}_{.j} - t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{V_{E}}{l}} \ , \ \overline{y}_{.j} + t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{V_{E}}{l}} \right)$$ ---- [[인자]] $A$와 $B$의 [[모평균]]에 관한 [[추정]] $A$ [[인자]]의 $i$ [[수준]]과 $B$ [[인자]]의 $j$ [[수준]]에서의 [[모평균]] $\mu(A_{i}B_{j})$의 [[점추정]]값 $$\hat{\mu}(A_{i}B_{j})=\widehat{\mu+a_{i}+b_{j}}=\overline{y}_{i.} + \overline{y}_{.j} - \overline{\overline{y}}$$ $A$ [[인자]]의 $i$ [[수준]]과 $B$ [[인자]]의 $j$ [[수준]]에서의 [[모평균]] $\mu(A_{i}B_{j})$의 $100(1-\alpha) \%$ [[신뢰구간]]은 아래와 같다. $$\hat{\mu}(A_{i}B_{j})= \left( (\overline{y}_{i.} + \overline{y}_{.j} - \overline{\overline{y}}) - t_{\alpha/2}(\nu_{E})\sqrt{\frac{V_{E}}{n_{e}}} \ , \ (\overline{y}_{i.} + \overline{y}_{.j} - \overline{\overline{y}}) + t_{\alpha/2}(\nu_{E})\sqrt{\frac{V_{E}}{n_{e}}} \right)$$ 단, $n_{e}$는 [[유효반복수]]이고 $n_{e} = \frac{lm}{l+m-1}$이다. ===== 각 수준의 모평균차의 추정 ===== [[인자]] $A$의 [[모평균]]차에 관한 [[추정]] $i$ [[수준]]과 $j$ [[수준]]의 [[모평균]]차 $\mu(A_{i})-\mu(A_{j})$의 [[점추정]]값 $$\widehat{\mu(A_{i})-\mu(A_{j})} = \overline{y}_{i.} - \overline{y}_{j.}$$ $i$ [[수준]]과 $j$ [[수준]]의 [[모평균]]차 $\mu(A_{i})-\mu(A_{j})$의 $100(1-\alpha) \%$ [[신뢰구간]]은 아래와 같다. $$\widehat{\mu(A_{i})-\mu(A_{j})}= \left( (\overline{y}_{i.} - \overline{y}_{j.}) - t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{2V_{E}}{m}} \ , \ (\overline{y}_{i.} - \overline{y}_{j.}) + t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{2V_{E}}{m}} \right)$$ ---- [[인자]] $B$의 [[모평균]]차에 관한 [[추정]] $i$ [[수준]]과 $j$ [[수준]]의 [[모평균]]차 $\mu(B_{i})-\mu(B_{j})$의 [[점추정]]값 $$\widehat{\mu(B_{i})-\mu(B_{j})} = \overline{y}_{.i} - \overline{y}_{.j}$$ $i$ [[수준]]과 $j$ [[수준]]의 [[모평균]]차 $\mu(B_{i})-\mu(B_{j})$의 $100(1-\alpha) \%$ [[신뢰구간]]은 아래와 같다. $$\widehat{\mu(B_{i})-\mu(B_{j})}= \left( (\overline{y}_{.i} - \overline{y}_{.j}) - t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{2V_{E}}{l}} \ , \ (\overline{y}_{.i} - \overline{y}_{.j}) + t_{\alpha/2}(\nu_{_{E}}) \sqrt{\frac{2V_{E}}{l}} \right)$$ ---- * [[실험계획법]] * [[이원배치법]] * [[결측치 추정 (Yates방법)]]