Intuición detrás del supuesto de esfericidad
Uno de los supuestos de las medidas comunes, no repetidas, ANOVA es la varianza igual en todos los grupos.
(Podemos entenderlo porque se necesita la misma varianza, también conocida como homocedasticidad , para que el estimador de MCO en regresión lineal sea AZUL y para que las pruebas t correspondientes sean válidas, vea el teorema de Gauss-Markov . Y ANOVA puede implementarse como lineal regresión.)
Así que tratemos de reducir el caso RM-ANOVA al caso no RM. Para simplificar, trataré con RM-ANOVA de un factor (sin efectos entre sujetos) que tenga sujetos grabados en k condiciones RM.nortek
Cada sujeto puede tener su propio desplazamiento o intercepción específica del sujeto. Si restamos valores en un grupo de los valores en todos los demás grupos, cancelaremos estas intercepciones y llegaremos a la situación en la que podemos usar un ANOVA que no sea RM para probar si estas diferencias de grupo son todas cero. Para que esta prueba sea válida, necesitamos un supuesto de varianzas iguales de estas diferencias k - 1 .k - 1k - 1
Ahora podemos restar el grupo # 2 de todos los demás grupos, llegando nuevamente a diferencias que también deberían tener variaciones iguales. Para cada grupo de k , las varianzas de las diferencias k - 1 correspondientes deben ser iguales. Sigue rápidamente que todas las diferencias posibles k ( k - 1 ) / 2 deben ser iguales.k - 1kk - 1k ( k - 1 ) / 2
Que es precisamente el supuesto de esfericidad.
¿Por qué no deberían ser iguales las variaciones de grupo?
Cuando pensamos en RM-ANOVA, generalmente pensamos en un modelo aditivo simple de estilo de modelo mixto de la forma donde α i son efectos sujetos, β j son efectos de condición, y ϵ ∼ N ( 0 , σ 2 ) .
yyo j= μ + αyo+ βj+ ϵyo j,
αyoβjϵ ∼ N( 0 , σ2)
Para este modelo, las diferencias de grupo seguirán a , es decir, todas tendrán la misma varianza 2 σ 2 , por lo que se mantiene la esfericidad. Pero cada grupo seguirá una mezcla de n gaussianos con medias en α i y varianzas σ 2 , que es una distribución complicada con varianza V ( → α , σ 2 ) que es constante entre los grupos.norte( βj1- βj2, 2 σ2)2 σ2norteαyoσ2V( α⃗ , σ2)
Entonces, en este modelo, de hecho, las variaciones de grupo también son las mismas. Las covarianzas grupales también son las mismas, lo que significa que este modelo implica simetría compuesta . Esta es una condición más estricta en comparación con la esfericidad. Como muestra mi argumento intuitivo anterior, RM-ANOVA puede funcionar bien en la situación más general, cuando el modelo aditivo escrito anteriormente no se cumple .
Enunciado matemático preciso
Agregaré aquí algo de Huynh & Feldt, 1970, Condiciones bajo las cuales las razones cuadradas medias en diseños de mediciones repetidas tienen distribuciones exactasF .
¿Qué sucede cuando se rompe la esfericidad?
Cuando la esfericidad no se mantiene, probablemente podamos esperar que RM-ANOVA (i) tenga un tamaño inflado (más errores tipo I), (ii) tenga una potencia disminuida (más errores tipo II). Uno puede explorar esto mediante simulaciones, pero no voy a hacerlo aquí.