Nächste Seite: Schätzung der Modellparameter
Aufwärts: Varianzanalyse als lineares Modell
Vorherige Seite: Reparametrisierung der Erwartungswerte
  Inhalt
Zweifaktorielle Varianzanalyse
- Beachte
-
- Die Darstellung (15) der Stichprobenvariablen
führt zu der gleichen Art eines linearen Modells,
wie es in Fall 1 von Abschnitt 3.1.2 betrachtet wurde.
- Die Nummern
bzw.
der Klassen
werden erneut als Stufen des jeweiligen Einflussfaktors gedeutet.
- Die Designmatrix
hat dabei die Dimension
und den vollen Spaltenrang
.
Außerdem betrachten wir eine ähnliche Reparametrisierung der
Erwartungswerte
wie in
Abschnitt 3.1.2.
- Beachte
-
- Die linearen Nebenbedingungen (18) an die
Komponenten des Parametervektors
bewirken, ähnlich wie
bei dem in Abschnitt 3.1.2 betrachteten Modell der
einfaktoriellen Varianzanalyse, dass die Darstellung
(17) - (18) der Erwartungswerte
eindeutig ist.
- Dabei kann
als allgemeines Mittel der Erwartungswerte
der Stichprobenvariablen
aufgefasst
werden,
-
wird Haupteffekt der
-ten Stufe
des ersten Einflussfaktors genannt,
-
heißt Haupteffekt der
-ten Stufe
des zweiten Einflussfaktors, und
-
heißt Wechselwirkung zwischen den Stufen
und
der Stufenkombination
.
Zur Konstruktion von Schätzern für die Modellparameter
,
,
bzw.
verwenden wir die folgende Notation: Sei
 |
(19) |
bzw.
 |
(20) |
Theorem 3.3

Es gilt
 |
(21) |
für beliebige

,

, d.h., durch

,

,

und

sind
erwartungstreue Schätzer für die Modellparameter

,

,

bzw.

gegeben .
- Beweis
Aus der Definitionsgleichung von
in (20) ergibt sich, dass
wobei sich die letzte Gleichheit aus den
Reparametrisierungsbedingungen (18) ergibt. Die
anderen drei Teilaussagen in (21) lassen sich auf
analoge Weise beweisen.
- Beachte
-
- Die Bedingungen (18), d.h. die Annahme, dass der
Parametervektor
zu einem linearen Unterraum des
gehört, spielen eine wesentliche Rolle im
Beweis von Theorem 3.3.
- Dabei können die Aussagen von Theorem 3.3 als
Erwartungstreue der betrachteten Schätzer bezüglich dieses
eingeschränkten Parameterraumes interpretiert werden.
- Wenn jedoch zugelassen wird, dass
ein beliebiger
Vektor der Dimension
ist, dann gibt es keinen KQ-Schätzer für
, der gleichzeitig
erwartungstreu ist, vgl. die Diskussion am Ende von
Abschnitt 3.2.1.
Das folgende Resultat enthält eine Quadratsummenzerlegung,
vgl. auch die Theoreme 2.9 und 3.1.
- Beweis
Mit der in (19) bzw. (20)
eingeführten Notation gilt
wobei ähnlich wie im Beweis von Theorem 3.1 gezeigt
werden kann, dass die Summe
der gemischten Produkte gleich
Null ist.
- Beachte
-
Nächste Seite: Schätzung der Modellparameter
Aufwärts: Varianzanalyse als lineares Modell
Vorherige Seite: Reparametrisierung der Erwartungswerte
  Inhalt
Hendrik Schmidt
2006-02-27