Lec 14 方差分析

MIT 9.07 · 脑与认知科学统计学 · 主讲 Emery N. Brown

TL;DR

• 方差分析的平方和正交分解：总平方和严格拆解为处理组间平方和（SSB）与随机误差组内平方和（SSW），自由度相应相加。
• F 检验与方差比率分布：均方误差比值（MSB/MSW）在原假设成立时服从 F 分布，系统检出多组均值是否存在全局显著差异。
• 双因素交互作用正交解析：主效应与交互效应在平衡设计中实现正交解耦，揭示两个自变量在神经反应上的非线性协同放大。

1. 核心问题

• 驱动问题：- 年轻和年老大鼠在三种剂量条件下的任务完成时间是否不同？剂量效应会不会随年龄变化？
• 若只把所有年龄合起来比较剂量，年龄主效应和年龄—剂量交互作用会被隐藏。
• 统计本质：神经生物与行为数据本质上是由微观随机过程（离子通道开关、递质释放、神经元脉冲时延）驱动的高噪声样本，统计学提供了连接不确定性数据与生理因果律的严谨数学公理体系。
• 课程坐标：本讲作为全课程第 14 讲，深度承接前后的理论进阶，构筑从基础概率空间向复杂参数估计与推断决策跃迁的关键量化基石。

2. 核心概念

概念	一句话定义	易混淆处
单因素 ANOVA	比较一个分类因素的多个水平，分解组间/组内平方和	只适用于两个组
双因素 ANOVA	同时建模两个分类因素及其组合	仅做两次单因素检验
主效应	一个因素跨另一因素水平的平均差异	每个组合都相同
交互作用	一个因素的效应随另一因素水平改变	任何两个显著主效应之和
$F$ 比	组间均方相对误差均方的大小	大 $F$ 自动证明因果

3. 证据链与数学推导

讲义设例：三剂量单因素比较

• 设计：PDF 构造年轻/年老两组，各按控制、剂量一、剂量二分成小组，并给出每格四个任务时间；先合并年龄，只按三个剂量水平分组。
• 结果：讲义单因素表给组间平方和 $4434.25$、组内平方和 $3717.75$、$F\approx12.52$、p 值约 $0.0003$。
• 推论：在这个设例及 ANOVA 假设下，三剂量组任务时间不宜用同一均值描述。
• 软肋：合并年龄会隐藏年龄差异和交互；数据是假设性示范，不支持任何现实药物结论。每动物多次任务若视为独立观察，还会涉及重复测量问题。

讲义框架：年龄×剂量双因素模型

• 设计：模型写为 $Y_{ijk}=\mu+a_i+b_j+g_{ij}+\epsilon_{ijk}$，分别对应年龄、剂量、交互作用和误差；对各格均值作平方和分解。
• 结果：PDF 给一张部分完成的双因素 ANOVA 表，列出年龄、剂量、交互和残差平方和，却将完整 F 检验留给作业。
• 推论：交互项应被单独检查；不能从单因素剂量结果推出两个年龄组的剂量反应相同。
• 软肋：原 PDF 在双因素段把每格样本数写成 $K=8$，而公开数据表每个年龄×剂量格只有四个数，应按实际表格核对设计与自由度；本笔记不补写未公布的作业结果。

4. 理论之争与计算模型

立场 A	立场 B	区分证据
剂量影响在各年龄相同	剂量效应存在年龄交互	双因素交互项及各格均值图
独立、同方差高斯误差足够	重复测量或异方差需扩展模型	残差图、动物内相关及方差比较

5. 分析层次的整合

系统层次	核心研究维度	本讲关键机制与实证
数学公理与概率层（Axiomatic）	测度论、概率空间、随机变量分布族代数性质	严格遵循全概率公式、矩母函数乘积与特征函数极限定理
统计推断与算法层（Algorithmic）	估计量构造、似然求解、置信区间与假设检验决策	最小化 MSE、求解得分方程与重采样经验分位数收敛
神经与实验数据层（Empirical）	动作电位放电时间序列、脑电/肌电连续信号与行为抉择	实测数据校准理论模型，Q-Q 图诊断残差偏态与过离散度

• 层次小结：- 神经/生理：设例说药物用于改善认知表现，但没有真实药理或神经测量。
• 认知/信息加工：分类因素的均值模型与平方和分解。
• 行为：二元选择任务完成时间是设例的结果变量。
• 社会/文化：实验解释必须区分统计差异与真实疗效主张。

6. 边界条件与失效情形

• • 教学设例的 p 值不是药物功效的实证证据，也不能给使用或治疗建议。
• 各动物的重复任务可能相关；把重复读数当作不同动物会夸大有效样本量。
• 交互存在时，跨年龄平均的剂量主效应可能掩盖方向不同的条件效应。
• 内部 Lecture 16 与 OCW 页面第 14 次课编号不同；目录按 OCW 编号。
• 常态与极端的辩证：大样本渐近理论（如 CLT、MLE 渐近正态）在小样本或强相关神经元群体中面临严重失效风险；必须通过非参数自举或精确检验监控统计稳健性。

7. 课程内外的横向关联

• 讲次串联：- Lec13-Simple-Linear-Regression 的回归与 ANOVA 都把结果写成均值结构加误差。
• Lec12-Hypothesis-Testing 的 $F$ 检验给分类因素的拒绝规则。
• 自举例：若年轻组剂量越高越快、年老组变化很小，合并两组的「平均剂量效应」会掩盖条件差异。
• 跨学科生态联结：与 MIT 9.00《心理学导论》研究方法、9.35《知觉》心理物理学、以及 9.59《心理语言学实验》的方差分析与线性回归紧密贯通，构成了整个脑与认知科学的通用统计语言。

8. 思考题与自测

1. 单因素合并年龄后能回答什么，不能回答什么？
2. 双因素模型中 $g_{ij}$ 代表什么？怎样用各格均值图解释它？
3. 为什么本讲的 $F=12.52$ 不能作为实际药物疗效证据？

9. 开放问题与前沿探索

• 未决之谜：- 若同一只动物重复完成任务，怎样写混合效应或重复测量模型？
• 在每格只有四个数的设例中，怎样诊断同方差和异常值影响？
• 前沿计算交叉：点过程非线性滤波（Point Process Filter）与状态空间模型（State-space Models）在脑机接口（BCI）实时神经假体运动解码中的实证应用，展示了统计推断在闭环神经工程中的最前沿突破。

10. 参考文献与延伸阅读

• 课程核心材料：
  • Brown, E. N. (2016). 9.07 Statistics for Brain and Cognitive Science, Lecture 14: 方差分析. MIT OpenCourseWare.
  • Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury.
  • Brown, E. N., Kass, R. E., & Mitra, P. P. (2004). Multiple neural spike train data analysis: State-of-the-art and future challenges. Nature Neuroscience, 7(5), 456–461.
  • Kass, R. E., Eden, U. T., & Brown, E. N. (2014). Analysis of Neural Data. Springer.