混合模型方差分析中的球形假设检验与应用

1. 混合模型方差分析中的球形假设检验

作为一名长期使用R、Amos和SPSS进行数据分析的研究者，我经常需要处理重复测量设计的实验数据。混合模型方差分析(Mixed Model ANOVA)是这类数据的标准分析方法之一，而球形假设(Sphericity)的检验是其中关键但容易被忽视的环节。

1.1 什么是球形假设

球形假设是指在一个重复测量设计中，所有处理水平之间差异的方差应该相等。换句话说，如果我们有k个处理水平，那么这k个水平两两之间差异的方差应该相同。这个假设特别适用于被试内因素(within-subjects effects)的分析。

举个例子，假设我们研究三种教学方法对学生成绩的影响，每个学生都接受了这三种方法的教学。那么方法A与方法B的差异方差、方法A与方法C的差异方差、方法B与方法C的差异方差，这三个方差值应该大致相同。

提示：球形假设类似于独立样本t检验中的方差齐性假设，但应用于重复测量设计的差异方差。

1.2 为什么球形假设重要

当球形假设不满足时，F检验会变得过于宽松，增加犯第一类错误(假阳性)的风险。具体来说：

1. 传统ANOVA的F检验基于球形假设成立的前提
2. 当假设被违反时，实际的p值会比报告的小
3. 这导致我们可能错误地认为存在显著效应

在我的实践中，特别是在心理学和教育学研究中，球形假设被违反的情况相当常见。因此，检验这一假设并采取适当校正措施是数据分析的必要步骤。

2. 莫奇利球形检验详解

2.1 莫奇利检验的原理

莫奇利球形检验(Mauchly's Test of Sphericity)是检验球形假设是否成立的常用方法。它的基本逻辑是：

• 原假设(H₀)：数据满足球形假设(所有差异方差相等)
• 备择假设(H₁)：数据违反球形假设(至少有一对差异方差不相等)

检验统计量W近似服从卡方分布，通过p值来判断是否拒绝原假设。

2.2 如何解读检验结果

在实际分析中，我们会遇到两种情况：

1. p > 0.05：不能拒绝原假设，认为球形假设成立。此时可以使用标准的ANOVA结果，无需校正自由度。

r复制# R中示例输出
Mauchly's Test for Sphericity
           W     p-value
factor1 0.876     0.124

2. p ≤ 0.05：拒绝原假设，认为球形假设被违反。此时需要对自由度进行校正。

r复制# R中示例输出
Mauchly's Test for Sphericity
           W     p-value
factor1 0.632    0.018

注意：莫奇利检验对正态性假设比较敏感。当样本量较小时，检验功效可能不足；而样本量很大时，即使轻微的球形偏离也可能导致显著结果。

3. 球形假设违反时的校正方法

3.1 三种常用校正方法

当莫奇利检验显著时，我们需要对自由度进行校正。常用的校正方法有三种：

1. Greenhouse-Geisser校正：最保守的方法，适用于ε估计值较小的情况
2. Huynh-Feldt校正：比G-G校正略宽松，适用于ε接近1的情况
3. 下限校正：最保守的校正，直接将ε设为1/(k-1)

其中，ε(epsilon)是衡量球形偏离程度的指标，范围在1/(k-1)到1之间。

3.2 如何选择校正方法

在我的实践中，选择校正方法的经验法则是：

1. 首先计算Greenhouse-Geisser的ε估计值
2. 如果ε > 0.75，使用Huynh-Feldt校正
3. 如果ε ≤ 0.75，使用Greenhouse-Geisser校正
4. 当对结果不确定时，报告两种校正的结果

r复制# R中anova_test()函数的典型输出
Effect     DFn     DFd     F     p     p<.05   ges   eps
factor1    1.34   26.82   15.6   0.000   *     0.32   0.67

上例中，eps=0.67表示Greenhouse-Geisser的ε估计值，由于小于0.75，因此采用G-G校正后的自由度(DFn=1.34, DFd=26.82)。

4. 实际操作中的注意事项

4.1 不同软件的实现差异

在R、SPSS和Amos中，球形检验的实现略有不同：

R语言：

• car包中的Anova()函数
• afex包中的aov_car()或aov_ez()
• ez包中的ezANOVA()

r复制# 使用afex包的示例
library(afex)
result <- aov_ez(
  id = "Subject",
  dv = "Score",
  data = mydata,
  within = "Condition"
)
anova(result, correction = "GG")

SPSS：

• 重复测量ANOVA对话框中选择"球形检验"选项
• 输出中会自动提供Mauchly检验和校正结果

Amos：

• 主要用于结构方程模型
• 对重复测量ANOVA的支持不如R和SPSS直接

4.2 常见问题与解决技巧

1. 样本量问题：

   • 小样本(n<12)：莫奇利检验功效低，建议默认使用G-G校正
   • 大样本(n>30)：即使轻微违反也可能显著，需结合ε值判断

2. 多重比较校正：

   • 球形检验通过后，可用LSD或Bonferroni校正
   • 未通过时，建议使用多元方差分析(MANOVA)方法

3. 数据转换：

   • 对数转换有时能改善球形假设
   • 但对解释结果带来挑战，需谨慎使用

4. 缺失数据处理：

   • 重复测量ANOVA对缺失数据敏感
   • 考虑使用混合效应模型或多重插补

5. 替代分析方法探讨

当数据严重违反球形假设且校正后结果仍不理想时，可考虑以下替代方法：

5.1 多元方差分析(MANOVA)

MANOVA不依赖球形假设，但：

• 功效通常低于ANOVA
• 解释更复杂
• 需要更大样本量

5.2 混合效应模型

线性混合模型(LMM)或广义混合模型：

• 更灵活地处理重复测量数据结构
• 可以包含随机效应
• 对球形假设没有严格要求

r复制# 使用lme4包的混合模型示例
library(lme4)
model <- lmer(Score ~ Condition + (1|Subject), data = mydata)
summary(model)

5.3 非参数方法

当数据严重偏离正态性时：

• Friedman检验(重复测量设计的非参数替代)
• Aligned Rank Transform (ART) ANOVA

6. 报告结果的规范

在论文或研究报告中，应清晰透明地报告球形检验结果：

1. 报告Mauchly检验的W统计量和p值
2. 说明是否采用自由度校正
3. 报告使用的ε值和校正方法
4. 提供校正前后的自由度

示例报告格式：
"Mauchly球形检验表明数据违反球形假设(W=0.68, p=0.02)，因此采用Greenhouse-Geisser校正(ε=0.72)。校正后的分析显示条件主效应显著，F(1.44, 28.8)=9.32, p=0.002。"

在实际分析中，我发现许多研究者忽视了球形检验的重要性，直接报告未校正的结果。这种做法可能增加假阳性风险。根据我的经验，在教育学和心理学研究中，约60-70%的重复测量数据会不同程度地违反球形假设，因此必须进行检验和适当校正。

最后分享一个实用技巧：在R中，使用afex包可以一次性获得球形检验、校正结果和效应量，大大简化分析流程。同时，建议在预分析阶段就检查球形假设，以便有足够时间考虑替代分析方法。