組內平方和

組內平方和又稱殘差平方和、誤差平方和等，根據n個觀察值擬合適當的模型後，餘下未能擬合部份(e_i=y_i一y_平均)稱為殘差，其中y_平均表示n個觀察值的平均值，所有n個殘差平方之和稱誤差平方和。在回歸分析中通常用SSE表示，其大小用來表明函式擬合的好壞。將殘差平方和除以自由度n-p-1(其中p為自變數個數)可以作為誤差方差σ²的無偏估計，通常用來檢驗擬合的模型是否顯著。

基本介紹

• 中文名：組內平方和
• 外文名：Within Groups Sum of Squares
• 所屬學科：數學（統計學）
• 別稱：殘差平方和、誤差平方和
• 相關概念：回歸分析，方差分析等

基本介紹

總偏差平方和

在單因素方差分析(見下文)中，為了使造成各隨機變數X_ij之間的差異的大小能定量表示出來，引人：

記在水平A_i下樣本和為，其樣本均值為因素A下的所有水平的樣本總均值為

為了通過分析對比產生樣本

之間差異性的原因，從而確定因素A的影響是否顯著，我們引人偏差平方和來度量各個體間的差異程度

因S_T能反映全部試驗數據之間的差異，所以又稱為總偏差平方和。

組內平方和與組間平方和

如果H₀成立，則r個總體間無顯著差異，也就是說因素A對指標沒有顯著影響，所有的X_ij可以認為來自同一個總體，各個X_ij間的差異只是由隨機因素引起的，若H₀不成立，則在總偏差中，除隨機因素引起的差異外，還包括由因素A的不同水平的作用而產生的差異，如果不同水平作用產生的差異比隨機因素引起的差異大得多，就認為因素A對指標有顯著影響，否則，認為無顯著影響。為此，可將總偏差中的這兩種差異分開，然後進行比較。

記

則有下面的定理：

定理1(平方和分解定理)令，有

S_E表示在水平A_i下樣本值與樣本均值之間的差異，它是由隨機誤差引起的，稱為誤差平方和或組內平方和。S_A反映在每個水平下的樣本均值與樣本總均值的差異，它是由因素A取不同水平引起的，稱為因素A的效應平方和或組間平方和，S_T=S_E+S_A式就是我們所需要的平方和分解式。

SE與SA的統計特性

如果H₀成立，則所有的X_ij都服從常態分配，且相互獨立，則有：

定理2

(1)，且，所以為σ²的無偏估計；

(2)，且，因此為σ的無偏估計；

(3)S_E與S_A相互獨立；

(4)。

單因素方差分析

基本概念

在方差分析中，我們將要考察的對象的某種特徵稱為試驗指標，影響試驗指標的條件稱為因素，因素可分為兩類，一類是人們可以控制的(如原材料、設備、學歷、專業等因素)；另一類人們無法控制的(如員工素質與機遇等因素)。下面所討論的因素都是指可控制因素。每個因素又有若干個狀態可供選擇，因素可供選擇的每個狀態稱為該因素的水平。如果在一項試驗中只有一個因素在改變，則稱為單因素試驗；如果多於一個因素在改變，則稱為多因素試驗。因素常用大寫字母A，B，C，…來表示，因素A的水平用來表示，下面對單因素試驗進行討論。

假設前提

設單因素A具有r個水平，分別記為，在每個水平下，要考察的指標可以看成一個總體，故有r個總體，並假設：

(1)每個總體均服從常態分配，即；

(2)每個總體的方差σ²相同；

(3)從每個總體中抽取的樣本相互獨立，i=1，2，…，r。

此處的均未知，將假設及相關符號列表，如表1所示。

表1 單因素試驗參數

水平
樣本
樣本和
樣本均值
總體
總體均值

那么，要比較各個總體的均值是否一致，就是要檢驗各個總體的均值是否相等，設第i個總體的均值為μ_i，則

假設檢驗為；

備擇假設為不全相等。

在水平下，進行次獨立試驗，得到試驗數據，記數據的總個數為。

由假設有(未知)，即有，故可視為隨機誤差。記，從而得到如下數學模型：

，各個相互獨立，μ_i和未知。

方差分析的任務：

(1)檢驗該模型中r個總體的均值是否相等；

(2)作為未知參數的估計。

為了更仔細地描述數據，常在方差分析中引入總平均和效應的概念，將各均值的加權平均值記為μ，即

其中再引入

δ_i表示在水平A_i下總體的均值μ_i與總平均μ的差異，稱其為因子A的第i個水平A_i的效應。易見，效應間有如下關係式

利用上述記號，前述數學模型可改寫為

，各個相互獨立，μ_i和未知。

而前述檢驗假設則等價於

：不全為零．

這是因為若且唯若時，，即。