Биология · объяснение и практика
Почему сто измеренных листьев не дают сто повторностей воздействия
Определить экспериментальную единицу и отличить повторности от вложенных проб. Разобраны метод, собственный пример, проверка результата и границы вывода.

В теме Организмы, популяции и экосистемы · Учебная карта
Главная мысль
Независимая повторность определяется уровнем назначения воздействия. Несколько измерений внутри одной обработанной единицы лучше описывают её состояние, но не создают новые независимые применения воздействия. Смешение этих уровней занижает неопределённость и называется псевдорепликацией.
Постановка и метод
Сначала нарисуйте, на каком уровне выбирали обработку: теплица, делянка, горшок или отдельное растение. Затем запишите вложенные измерения: листья, участки листа, повторные отсчёты одного прибора. Экспериментальная единица — тот объект, который мог независимо получить другой вариант воздействия по принятой рандомизации. Число строк измерительной таблицы не определяет этот уровень.
Предположим, что в одной камере изменили освещение, а в другой оставили контроль. Растения внутри камеры разделяют общие условия. Даже множество растений не создаёт повторных независимых камер для сравнения освещения. Различие камер смешивается с воздействием. Рандомизация отдельных листьев после выращивания не исправляет исходную структуру назначения условий.
Пример и проверка
В собственном примере обработку независимо назначают горшкам. Поэтому именно горшки дают повторности воздействия, а листья являются вложенными пробами. Можно сначала получить среднее по каждому горшку и сравнивать эти средние в подходящем дизайне. При анализе всех листьев нужна модель вложенности, которая сохраняет зависимость внутри горшка и правильный уровень проверки гипотезы.
Проверка состоит в вопросе: могло ли это наблюдение независимо получить другую обработку? Если нет, оно не является отдельной повторностью воздействия. Дополнительно проверьте общие временные и пространственные условия. Повторные дни наблюдения одного и того же объекта также могут быть зависимыми и не должны автоматически считаться новыми независимыми организмами.
Пример
Шесть горшков независимо распределили: три на световой режим А, три на Б. В каждом измерили по десять листьев.
Есть шесть экспериментальных единиц, по три на режим, и шестьдесят вложенных измерений. Утверждение «по тридцать независимых повторностей на режим» было бы неверным.
Ошибка и границы вывода
Частая ошибка — считать большой размер измерительной таблицы доказательством хорошего дизайна. Дополнительные вложенные пробы уменьшают ошибку оценки состояния конкретной единицы, но не заменяют независимые единицы. Обратная крайность тоже неверна: вложенные данные не бесполезны. Они помогают описать неоднородность, если анализ честно учитывает, на каком уровне возникают различия.
Разбор относится к общим принципам учебного растительного опыта. Выбор статистической модели зависит от рандомизации, блоков и корреляции, поэтому универсальный тест по одному числу листьев не задаётся. Полезный отчёт отдельно сообщает количество экспериментальных единиц и число вложенных измерений. Это позволяет читателю оценить, какой вопрос поддерживается данными, без искусственного увеличения независимой выборки.
От чтения к действию
А теперь — вы
Частые вопросы
Вложенные измерения нужно удалить?
Нет. Их можно использовать для оценки внутриединичной неоднородности и в модели с правильной структурой зависимости.
Повторный день превращает растение в новую единицу?
Нет. Повторные наблюдения одного растения сохраняют общую индивидуальность и возможную временную зависимость.
Углублённый разбор
Бюджет повторностей: целые деревья и листья
Две компоненты дисперсии и цена нового дерева превращают выбор повторностей в целочисленную задачу, где округление непрерывного оптимума может проиграть полному перебору.
Перед началом: Случайный эффект дерева и независимый шум листа; Целочисленный бюджет и дисперсия среднего.
Вывод и выбор модели
Для k независимых деревьев по m листьев модель Yij=μ+Ui+eij даёт Var(среднего)=σдер²/k+σлист²/(km). При бюджете k(c0+c1m)≤B минимум ищут среди целых положительных k,m.
Для среднего признака растения измерения листьев содержат общий эффект дерева и собственный шум. Новый лист уменьшает только второй вклад, а новое независимо выбранное дерево уменьшает оба. Но доступ к дереву имеет отдельную фиксированную цену. Поэтому выбирать повторности по одному общему количеству измерений недостаточно: одинаковые пятьдесят листьев, распределённые между разным числом деревьев, имеют разную точность и разную стоимость.
При k деревьях и одинаковом числе m листьев дисперсия среднего равна σдер²/k+σлист²/(km). Здесь компоненты известны и независимы, поэтому нормальность для самого расчёта дисперсии не нужна. Бюджет требует k(c0+c1m)≤B. Для фиксированного m выгодно взять максимально возможное целое k, поскольку оба положительных слагаемых уменьшаются с k. Так двумерный конечный поиск сводится к перебору всех допустимых положительных m с k=floor[B/(c0+c1m)].
Как интерпретировать наблюдение
Стоимость доступа к новому дереву и стоимость дополнительного листа оплачивают разные источники точности. Междеревная компонента не исчезает от увеличения числа листьев одного дерева.
Если временно разрешить дробное k и точно израсходовать бюджет, критерий пропорционален(c0+c1m)(σдер²+σлист²/m). Производная даёт m*=√[c0σлист²/(c1σдер²)]. В нашем примере это√32≈5,66, но допустимый целый план с m=6 не является лучшим: остаток бюджета не позволяет добавить девятое дерево. План m=7,k=8 использует все120 единиц и выигрывает у соседних округлений. Это эффект ступенчатого бюджета, а не изменение дисперсионной модели.
Ограничения и проверка предпосылок
B=120 условных денежных единиц, c0=8 за дерево и c1=1 за лист. σдер²=1 и σлист²=4 в квадратах единицы признака; независимые случайные эффекты и ошибки, одинаковое m на каждом дереве. Цель — дисперсия общего среднего, без сравнения обработок.
Проверка глобального минимума перебирает все m от1 до112, потому что хотя бы одно дерево стоит8+m. Для каждого плана считают точную рациональную дисперсию; никакой скрытой экстраполяции по непрерывной производной не требуется. Сравнивается точность одного общего среднего, а не мощность сравнения обработок. Рандомизация воздействия по деревьям, минимальное число кластеров, неравные m и неопределённые компоненты потребовали бы дополнительных ограничений. Полученный выбор условен на объявленные цены и компоненты; изменение этих исходных сведений меняет оптимальный дизайн.
Самостоятельный расчёт с проверкой
Условие. Для объявленной модели Yij=μ+Ui+eij с Var(U)=1,Var(e)=4, бюджетом120, ценой8 за дерево плюс1 за каждый лист найти оптимальное целое число листьев m на дерево. Допустимы k≥1,m≥1 и k(8+m)≤120; число деревьев тоже выбирается.
- При каждом m выбираем максимальное допустимое k=floor[120/(8+m)].
- Все возможные m лежат от1 до112; для каждого считаем V=(1+4/m)/k.
- Полный перебор даёт единственный минимум при m=7,k=8: V=(1+4/7)/8=11/56.
- Оптимальное число листьев на дерево равно7; используются56 листьев и весь бюджет120.
Ответ. Результат: 7 листьев на дерево.
Проверка. Для округлений непрерывного минимума√32 получаются m=5,k=9,V=1/5 и m=6,k=8,V=5/24; обе дисперсии больше11/56. Перебор всех допустимых пар, а не только этих соседей, подтверждает глобальный минимум.
Где легко ошибиться. Оптимизировать только число листьев либо округлить m* без проверки того, сколько целых деревьев осталось в бюджете.
Проверьте понимание
Вопросы к этой главе
Почему это не распределение выборки между независимыми стратами?
Листья внутри дерева коррелированы через общий эффект. Их предельная польза зависит от уже выбранного дерева, а отдельная фиксированная цена создаёт вложенную структуру бюджета.
Всегда ли весь бюджет расходуется?
При целых k и m могут оставаться неиспользуемые единицы. Именно поэтому нужно проверять допустимые пары, а не требовать равенства бюджета после округления.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Stephen Raudenbush,1997: Statistical Analysis and Optimal Design, §Optimal allocation
Прочитаны модель двух компонент на с.175 и раздел оптимального распределения ресурсов без ковариаты, формулы8–9 на с.177. OCR формулы9 неполон; непрерывный минимум и полный целочисленный перебор ниже выведены отдельно. Сравниваем среднее растений, не переносим числовой пример клинического воздействия.
Воздействие на соседей: двухэтапный план отделяет прямой эффект от переноса
Обработка растения может влиять на соседей через общую среду. Тогда одного сравнения всех обработанных со всеми контрольными недостаточно. Разберём двухэтапное назначение с двумя вероятностями и вычислим несколько разных эффектов на одной полностью заданной модели отклика.
Перед началом: Условное ожидание; Рандомизация на уровне группы и организма.
Назначение группы и собственная обработка — два шага
Условные группы по четыре растения без влияния между группами. Сначала группа случайно получает вероятность обработки α, затем каждое растение независимо получает Z~Bernoulli(α). Потенциальный отклик зависит от собственного Z и доли обработанных трёх соседей g.
Группа получает режим α=1/4 или3/4 с равными вероятностями. Условно по режиму четыре индивидуальных назначения независимы. Поэтому у выбранного растения собственное Z не меняет распределение обработки соседей: среднее g равно α как при Z=0, так и при Z=1. Независимость внутри второго шага здесь задана явно.
Если вместо этого обрабатывать ровно заданное число растений в каждой группе, число обработанных соседей зависело бы от собственного статуса. Такое назначение тоже можно анализировать, но прежнее сравнение при одном среднем g уже нельзя переносить автоматически. Единица наблюдения, вероятность назначения и требуемый причинный контраст должны быть согласованы.
Разные вопросы определяют разные усреднения
Обозначим μ(z;α) средний отклик при собственном статусе z и случайных соседях режима α. Прямой эффект внутри режима равен μ(1;α)−μ(0;α). Перенос на необработанного сравнивает μ(0;3/4)−μ(0;1/4). Общий эффект политики усредняет и собственный случайный статус: M(α)=αμ(1;α)+(1−α)μ(0;α).
Рандомизация групп и индивидуальных назначений позволяет связать эти величины с соответствующими наблюдаемыми условными средними при заявленной модели влияния. Для статистической неопределённости всё равно учитываются группы и совместные наблюдения. Множество листьев того же растения не превращает их в новые независимо назначенные группы.
Объединение режимов меняет состав обработанных
Пусть условный отклик Y(z,g)=2+3z+4g+2zg. Обработка имеет собственный вклад, соседний перенос и взаимодействие с ним. Так как зависимость от g линейна, μ(0;α)=2+4α, а μ(1;α)=5+6α. Прямой эффект равен3+2α и меняется вместе с режимом.
В объединённой таблице среди обработанных чаще встречаются группы с высоким α. Среди необработанных — наоборот. Поэтому простое объединённое различие смешивает собственную обработку с соседним окружением. Это возможно даже при идеально честной рандомизации: неверно выбрана агрегируемая величина, а не обязательно нарушен эксперимент.
Четыре условных средних и три разных эффекта
Условие. Для Y(z,g)=2+3z+4g+2zg и режимов α=1/4,3/4 вычислите прямые эффекты, перенос на необработанного и M(3/4)−M(1/4). Режимы равновероятны.
- При α=1/4 получаем μ(0)=3,μ(1)=13/2. Прямой эффект13/2−3=7/2.
- При α=3/4 получаем μ(0)=5,μ(1)=19/2. Прямой эффект19/2−5=9/2; перенос на необработанного5−3=2.
- M(1/4)=(1/4)(13/2)+(3/4)·3=31/8. M(3/4)=(3/4)(19/2)+(1/4)·5=67/8. Изменение политики равно36/8=9/2.
- После объединения режимов у обработанного вероятность высокогоα равна3/4, а у необработанного1/4. Поэтому E(Y|Z=1)=35/4,E(Y|Z=0)=7/2, объединённая разность21/4.
- Число21/4 не равно ни одному из прямых эффектов7/2,9/2. Оно отражает различающийся состав соседнего окружения двух объединённых подгрупп.
Ответ. Прямые эффекты7/2 и9/2, перенос2, изменение общей политики9/2. Объединённая разность21/4 отвечает иному вопросу.
Проверка. Для каждого режима перечисляются все16 четырёхрастительных назначений с их Bernoulli-вероятностями. Их условные и общие средние независимо дают приведённые дроби.
Где легко ошибиться. Не называйте объединённое сравнение по собственному Z чистым прямым эффектом, когда группы имеют разные вероятности назначения и соседнее влияние.
Проверьте понимание
Вопросы к этой главе
Перенос и внутригрупповая корреляция — одно и то же?
Нет. Здесь задано причинное влияние обработки соседей на отклик. Корреляция может возникать и без такого влияния, например из общей среды.
Нужно ли считать α долей, точно реализованной в каждой группе?
Нет. В этой задаче α — вероятность независимого назначения. Фактическое число обработанных случайно; план с фиксированным числом требует своих условных распределений.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Hudgens и Halloran: causal inference with interference
Прочитаны определения группового влияния и прямого/косвенного/общего эффектов при двухэтапной рандомизации. Здесь отдельно задан независимыйBernoulli-план и собственный растительный отклик; чужие эмпирические данные или формулы дисперсии не используются.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Что общий сад проверяет иначе, чем взаимная пересадка
Различить устойчивые различия происхождений и локальную адаптацию по схеме растительного опыта. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть темуПочему многочисленная популяция может быть демографическим стоком
Отделить локальный баланс рождения смерти от миграционного поддержания численности. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть темуКогда различие размера ещё не доказывает изменение темпа развития
Различить возраст размер и форму при сравнении онтогенетических траекторий. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть тему