1要因被験者内デザイン

Report
社会統計
第9回:1要因被験者内デザイン
寺尾 敦
青山学院大学社会情報学部
[email protected]
被験者間デザイン・被験者内デザイン
• 他者の監視とパフォーマンスとの関係を検討
した(架空)実験では,実験の参加者を各条
件にランダムに割り当てた.各実験条件への
参加者が異なる実験デザインを,被験者間デ
ザイン(between-subjects design)と呼ぶ.
• これに対して,どの条件でも参加者が同一で
ある実験デザインを,被験者内デザイン
(within-subjects design)と呼ぶ.
デザインの例
• 1要因被験者間デザイン:3つのタイプライ
ターの違いを評価するため,24人のタイピス
トを,それぞれのタイプライターに対して,8人
ずつランダムに割り当てた.
• 1要因被験者内デザイン:3つのタイプライ
ターの違いを評価するため,8人のタイピスト
それぞれが,3つのタイプライターすべてでテ
ストを行った.
– ホーエル『初等統計学』第11章より
データ(架空)
タイプ I
タイプ II
44
39
33
56
43
56
47
58
タイプ III
40
37
28
53
38
51
45
60
54
50
40
55
45
66
49
65
被験者間デザインでの分析
変動因
級間
級内
全体
平方和(SS)
336
1888
2224
df
2
21
23
平均平方
168.0
89.9
F
1.87
結論:3条件の母集団平均に差があるとは言えない.
すなわち,3種類のタイプライターの間に,パフォーマンスを
左右する差があるとは言えない.
被験者内デザインでの分析
変動因
タイプライター
タイピスト
誤差
全体
平方和
336
1768
120
2224
df
2
7
14
23
平均平方
168.0
252.6
8.57
F
19.6*
29.5*
* p < .05
結論:3条件の母集団平均はすべて等しくはない
すなわち,3種類のタイプライターの間には,パフォーマンスを
左右する差がある.
• 1要因被験者内デザインでは,変動因が2つ
(例:「タイプライター」と「タイピスト」)ある.
• したがって,2要因の分散分析であるとも考え
られる.第1要因の水準と第2要因の水準の
組み合わせは,すべて1回ずつテストされる
ので,繰り返しのない二元配置法とも呼ばれ
る.
被験者内デザインのモデル
• 参加者 i の,j 番目のタイプライターでのスコ
アは,以下のモデルで決定されたと考える.
yij     j  i  eij
全体の平均 + タイプライターの効果 + 個人差要因 + 誤差
• 被験者間デザインの解析では,個人差要因
は誤差の中にプールされていた.
被験者内デザインでの効果
• 全水準をこみにしたときの母集団平均を μ ,
興味ある要因(例:タイプライター)の第 j 水準
の母集団平均を μ.j としたとき,この水準に属
することの効果 αj は,     
j
j
• 第 i 番目の参加者の母集団平均を μi. とした
とき,この参加者の効果 βi は,
i  i  
帰無仮説
• 興味ある要因(水準数 J)
1   2     J 1  2    J  
• 個人差要因(水準数 I)
  0
2
(βi の母集団分散はゼロ)
対立仮説は, 2
0
注意:興味ある3つのタイプライターと異なり,タイピストはタイピストの母集
団から無作為抽出されたと考えられるため,帰無仮説の表現が異なってい
る.しかし,あまり気にしないでよい.
練習問題1
• 1人目のタイピストの平均は46,2人目のタイ
ピストの平均は42である.タイプライターI, II,
III の平均はそれぞれ,47, 44, 53 である.全
体の平均は48である.この2人の成績を,全
体平均(の推定値),タイプライターの効果
(同),個人差の効果(同),誤差(同)に分解
せよ.
タイプ I
タイピスト1
44
2
39
タイプ II タイプ III
40
54
37
50
 44 40 54  48

  
 39 37 50   48
 1
 
 1
 2
 
 6
 1
 
 2
48 48

全体平均
48 48
 4 5

要因の効果
 4 5
 2  2
 個人差要因
6 6
 2 3

誤差
1 3
被験者内デザインにおける
平方和の分解
• 全平方和を,興味ある要因の平方和,個人
差の平方和,誤差の平方和に分解する.
J
n
J
n
J
n
2
(
y

y
)

(
y

y
)

(
y

y
)
 ij
 j
 i
2
j 1 i 1
2
j 1 i 1
J
j 1 i 1
n
  ( yij  y j  yi  y ) 2
j 1 i 1
eij  yij  y  ( y j  y )  ( yi  y )
 yij  y j  yi  y
平均平方と母集団分散の推定
• 被験者間デザインのときと同様に,それぞれ
の平均平方を,対応する自由度で割ったもの
を考える.
– 興味ある要因および個人差要因に関する平均平
方は,それぞれ対応する帰無仮説が正しいとき,
母集団分散の不偏推定量になる.
– 誤差の平均平方は帰無仮説の真偽によらす,母
集団分散の不偏推定量になる.
平均平方の比
• 1要因被験者内デザインでは,2種類の F 比
を考える.
– 興味ある要因の平均平方 / 誤差の平均平方
– 個人差要因の平均平方 / 誤差の平均平方
• 被験者間デザインのときと同様に,これら統
計量が F 分布に従うことを利用して,仮説検
定を行う.平均平方と同様に,自由度も分解
されることに注意.
被験者内デザインでの分析
変動因
タイプライター
タイピスト
誤差
全体
平方和
336
1768
120
2224
df
2
7
14
23
平均平方
168.0
252.6
8.57
F
19.6*
29.5*
* p < .05
結論:3条件の母集団平均はすべて等しくはない
すなわち,3種類のタイプライターの間には,パフォーマンスを
左右する差がある.
• タイプライター要因の F 統計量が有意であっ
た.このことを,この要因の主効果(main
effect)が有意であると言う.
• タイピスト要因の主効果も有意だった.しかし,
1要因被験者内デザインの実験では,個人差
に興味がないことも多い.
乱塊法
• 1要因被験者内デザインは,乱塊法と呼ばれ
るデザインのひとつである.
– 「実験計画法」の講義
• それぞれのタイピストが3つのタイプライター
を評価する順序は,ランダムにする.あるい
は,カウンターバランスをとることができれば
なおよい.
– どの順序も同じ回数だけ出現するようにする.
練習問題2
機械の種類
工員
1
2
3
4
1
44
38
47
36
2
46
40
52
43
3
34
36
44
32
4
43
38
46
33
5
38
42
49
39
上のデータは,5人の工員が4種類の異なる機械を用いて
生産した1日あたりの製品数である.分散分析により,機
械の違いと,工員の個人差を検討せよ.
(ホーエル『初等統計学』第11章,章末問題5)
練習問題2の分析を実行する R スクリプト
製品数 <- c(44,46,34,43,38, 38,40,36,38,42,
47,52,44,46,49, 36,43,32,33,39)
機械 <- factor(c(rep("m1",5), rep("m2",5),
rep("m3",5), rep("m4",5)))
人 <- factor(rep(c("p1","p2","p3","p4","p5"),4))
boxplot(製品数 ~ 機械, xlab="機械", ylab="製品数")
boxplot(製品数 ~ 人, xlab="人", ylab="製品数")
summary(aov(製品数 ~ 機械 + Error(人/機械)))
# 以下のように書いてもよい
# summary(aov(製品数 ~ 機械 + 人))
35
40
製品数
45
50
箱ひげ図の出力(機械ごと)
m1
m2
m3
機械
m4
35
40
製品数
45
50
箱ひげ図の出力(人ごと)
p1
p2
p3
人
p4
p5
分散分析表の出力(1)
> summary(aov(製品数 ~ 機械 + Error(人/機械)))
Error: 人
Df Sum Sq Mean Sq F value Pr(>F)
Residuals 4 161.5 40.37
Error: 人:機械
Df Sum Sq Mean Sq F value Pr(>F)
機械
3 338.8 112.93 18.39 8.78e-05 ***
Residuals 12 73.7
6.14
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
分散分析表の出力(2)
> summary(aov(製品数 ~ 機械 + 人))
Df Sum Sq Mean Sq F value Pr(>F)
機械
3 338.8 112.93 18.388 8.78e-05 ***
人
4 161.5 40.38
6.574 0.00485 **
Residuals 12 73.7
6.14
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
338.8
 0.59
相関比(機械): ˆ 
338.8  161.5  73.7
2
2
相関比(人): ˆ 
161.5
 0.28
338.8  161.5  73.7
データ行列の分解を確認する R スクリプト
# 全体平均
grand <- mean(製品数)
# データの行列
data_mat <- matrix(製品数, nrow=5, ncol=4)
# 全平均を要素として持つ行列
grand_mat <- matrix(rep(grand,20), nrow=5, ncol=4)
# 各列に,データ行列の列平均(機械ごとの平均)を並べた行列
colmean_mat <- matrix(rep(colMeans(data_mat),5),
nrow=5, ncol=4, byrow=T)
# 各行に,データ行列の行平均(工員ごとの平均)を並べた行列
rowmean_mat <- matrix(rep(rowMeans(data_mat),4),
nrow=5, ncol=4)
(つづく)
# 機械の効果
effect_m_mat <- colmean_mat - grand_mat
# 工員の効果
effect_p_mat <- rowmean_mat - grand_mat
# 誤差
error_mat <- data_mat - colmean_mat rowmean_mat + grand_mat
# データ行列の分解を確認する
# data_mat
# = grand_mat + effect_m_mat + effect_p_mat + error_mat
平方和の分解を確認する R スクリプト
# 全平方和
SS <- sum((data_mat - grand_mat)^2)
# 機械要因の平方和
SS_m <- sum(effect_m_mat^2)
# 工員要因の平方和
SS_p<- sum(effect_p_mat^2)
# 誤差の平方和
SS_e <- sum(error_mat^2)
# 平方和の分解を確認する
# SS = SS_m + SS_p + SS_e
理解確認のポイント
• 実験条件への参加について,1要因被験者
間デザインと被験者内デザインの違いを説明
できますか?
• 1要因被験者内デザインでの,分散分析の構
造モデルを書き,式の要素を説明することが
できますか?
• この分散分析モデルに従って,データを分解
することができますか?
• 1要因被験者内デザインでの,平方和の分解
の式を書き,興味ある要因の平方和,個人差
の平方和,誤差の平方和について説明でき
ますか?
• それぞれの平方和の自由度がいくつになる
か,わかりますか?
• 分散分析を実行し,分散分析表を作成するこ
とができますか?

similar documents