2.2 Decomposição da Soma de Quadrados

Aqui, vamos "quebrar" a variabilidade total dos dados, denominada soma de quadrados total, em diversos componentes. Neste caso, mostraremos que

$SQ_T = SQ_A + SQ_B + SQ_{AB} + SQ_E$

no qual $SQ_T$ é a soma de quadrados total, $SQ_A$ é a soma de quadrados do fator A, $SQ_B$ é a soma de quadrados do fator $B$ , $SQ_{AB}$ é a soma de quadrados da interação $A\times B$ e $SQ_E$ é a soma de quadrados do erro. Para isto, temos que

$\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}(y_{ijk}- \overline{y}_{...})^2=$

$=\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}\left[(\overline{y}_{i..}-\overline{y}_{...})+(\overline{y}_{.j.}-\overline{y}_{...})+(\overline{y}_{ij.}-\overline{y}_{i..}-\overline{y}_{.j.}+\overline{y}_{...})+ (y_{ijk}-\overline{y}_{ij.})\right]^2$

Após algumas manipulações algébricas, obtemos que

$\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}(y_{ijk}-\overline{y}_{...})^2=b~r \sum_{i=1}^{a}(\overline{y}_{i..}-\overline{y}_{...})^2 +a~r\sum_{j=1}^{b}(\overline{y}_{.j.}-\overline{y}_{...})^2 +r~\sum_{i=1}^{a}\sum_{j=1}^{b}(\overline{y}_{ij.}-\overline{y}_{i..}-\overline{y}_{.j.}+\overline{y}_{...})^2$

$+\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}(y_{ijk}-\overline{y}_{ij.})^2$

Portanto

$SQ_T=\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}(y_{ijk}-\overline{y}_{...})^2$

$SQ_A=b~r\sum_{i=1}^{a}(\overline{y}_{i..}-\overline{y}_{...})^2$

$SQ_B=a~r\sum_{j=1}^{b}(\overline{y}_{.j.}-\overline{y}_{...})^2$

$SQ_{AB}=r~\sum_{i=1}^{a}\sum_{j=1}^{b}(\overline{y}_{ij.}-\overline{y}_{i..}-\overline{y}_{.j.}+\overline{y}_{...})^2$

$SQ_E=\sum_{i=1}^{a}\sum_{j=1}^{b}\sum_{k=1}^{r}(y_{ijk}-\overline{y}_{ij.})^2$

Uma forma conveniente para se calcular a soma de quadrados é utilizar o cálculo de variância amostral. Na Tabela 2.2.1 apresentamos quais variâncias devemos calcular.

Fator A	Fator B
Fator A	1	2	$\ldots$	b	Média
1	$y_{111},\ldots,y_{11r}$ $s^2_{11}$	$y_{121},\ldots,y_{12r}$ $s^2_{12}$	$\ldots$	$y_{1b1},\ldots,y_{1br}$ $s^2_{1b}$	$\overline{y}_{1..}$	$s^2_A$
2	$y_{211},\ldots,y_{21r}$ $s^2_{21}$	$y_{221},\ldots,y_{22r}$ $s^2_{22}$	$\ldots$	$y_{2b1},\ldots,y_{2br}$ $s^2_{2b}$	$\overline{y}_{2..}$
$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$
a	$y_{a11},\ldots,y_{a1r}$ $s^2_{a1}$	$y_{a21},\ldots,y_{a2r}$ $s^2_{a2}$	$\ldots$	$y_{ab1},\ldots,y_{abr}$ $s^2_{ab}$	$\overline{y}_{a..}$
Média	$\overline{y}_{.1.}$	$\overline{y}_{.2.}$	$\ldots$	$\overline{y}_{.b.}$	$\overline{y}_{...}$
	$s^2_B$

Tabela 2.2.1: Entrada de dados e variâncias.

Portanto,

$SQ_T=(a~b~r - 1)~s^2_g~~~(2.2.1)$

$SQ_A=b~r~(a - 1)~s^2_A~~~(2.2.2)$

$SQ_B=a~r~(b - 1)~s^2_B~~~(2.2.3)$

$SQ_E=(r - 1)~\sum_{i=1}^{a}\sum_{j=1}^{b}~s^2_{ij}~~~(2.2.4)$

$SQ_{AB}=SQ_T-SQ_B-SQ_A-SQ_E~~~(2.2.5)$

Sendo que:

$s^2_g$ : representa a variância amostral com relação a todos os dados,

$s^2_g~=~\frac{1}{a~b~r~-~1}\sum_{i=1}^{p}\sum_{j=1}^{b}\sum^{r}_{k=1}(y_{ijk}~-~\overline{y}_{...})^2;$
$s^2_A$ : representa a variância amostral com relação as médias dos níveis do Fator A,

$s^2_A~=~\frac{1}{a~-~1}\sum^{a}_{i=1}(\overline{y}_{i..}~-~\overline{y}_{...})^2;$
$s^2_B$ : representa a variância amostral com relação as médias dos níveis do Fator B,

$s^2_B~=~\frac{1}{b~-~1}\sum^{b}_{j=1}(\overline{y}_{.j.}~-~\overline{y}_{...})^2; \quad \mbox{e}$
$s^2_{ij}$ : representa a variância amostral com relação a cada combinação de A e B,

$s^2_{ij}~=~\frac{1}{r~-~1}\sum^{r}_{k=1}(y_{ijk}~-~\overline{y}_{ij.})^2.$

Cálculo dos Graus de Liberdade

O número de graus de liberdade em uma soma de quadrados é a quantidade de elementos independentes nessa soma. Por exemplo, consideremos a soma de quadrados $\sum\limits_{i=1}^{a}(\overline{y}_{i..}- \overline{y}_{...})^2$ . Neste caso, como $\sum\limits_{i=1}^{a}(\overline{y}_{i..}-\overline{y}_{...})=0$ , nem todos os elementos $(\overline{y}_{1..}-\overline{y}_{...}),\ldots, (\overline{y}_{a..}-\overline{y}_{...})$ são independentes. Portanto, temos $(a-1)$ graus de liberdade. Nesse sentido, os respectivos graus de liberdade associados a cada soma de quadrados são:

Efeito	Grau de Liberdade
Fator A	a - 1
Fator B	b - 1
Interação $A \times B$	$(a - 1)(b - 1)$
Erro	$a~b~(r - 1)$
Total	$a~b~r - 1$

Cálculo dos quadrados médios

Cada soma de quadrados dividido por seu grau de liberdade determina o quadrado médio (QM), ou seja

$QM_A~~~=~~~\frac{SQ_A}{a - 1}~~~(2.2.6)~~~~~~~~~~~~~~~\mbox{Fator A}$

$QM_B~~~=~~~\frac{SQ_B}{b - 1}~~~(2.2.7)~~~~~~~~~~~~~~~\mbox{Fator B}$

$QM_{AB}~~~=~~~\frac{SQ_{AB}}{(a - 1)(b - 1)}~~~(2.2.8)~~~~\mbox{A\times B}$

$QM_E~~~=~~~\frac{SQ_E}{a~b~(r - 1)}~~~(2.2.9)~~~~~~~~~\mbox{Réplica}$

Considerando as expressões (2.2.1)-(2.2.5) e lembrando que o modelo está restrito às condições (2.1.2)

$\alpha_{.}=\ds\sum_{i=1}^{a}\alpha_i=0,\\\beta_{.}=\ds\sum_{j=1}^{b}\beta_j=0,\\\tau_{.j}=\ds\sum_{i=1}^{a}\tau_{ij}=0,\\\tau_{i.}=\ds\sum_{j=1}^{b}\tau_{ij}=0,$

vamos calcular o valor esperado do QM.

Para o Fator $A$ , temos que

$E(QM_A)~~~=~~~ E\left(\frac{SQ_A}{a - 1}\right) ~=~\frac{1}{a - 1}E(SQ_A)$

$~~~=~~~ \frac{1}{a - 1}~E \left[b~r \sum^{a}_{i=1}\left(\overline{Y}_{i..}~-~\overline{Y}_{...}\right)^2\right]$

$~~~=~~~ \frac{b~r}{a - 1}~E\left[\sum^{a}_{i=1}\overline{Y}^2_{i..}~-~a~\overline{Y}_{...}^2\right]~=~\frac{b~r}{a-1}\left[\sum^{a}_{i=1}E(\overline{Y}^2_{i..})~-~a~E(\overline{Y}_{...}^2)\right]$

Sabemos que

$\overline{Y}_{i..}~\sim~N \left(\mu + \alpha_{i}+\overline{\beta_.}+\overline{\tau}_{i.}~;~\frac{\sigma^2}{b~r}\right),~~~~~~~~~~~~\overline{Y}_{...}~\sim~N\left(\mu+\overline{\alpha}_{.}+\overline{\beta}_{.}+\overline{\tau}_{..}~;~\frac{\sigma^2}{a~b~r}\right)$

com

$\overline{\alpha}_{.}~=\ds\cfrac{\alpha_{.}}{a}$ , $\overline{\beta}_{.}~=\ds\cfrac{\beta_{.}}{b}$ ,

$\overline{\tau}_{i.}=\ds\cfrac{\tau_{i.}}{a}$ ,

$\overline{\tau}_{.j}=\ds\cfrac{\tau_{.j}}{b}$ ,

e $\overline{\tau}_{..}~=\ds\cfrac{\tau_{..}}{a b}$ .

Lembrando das restrições (2.1.2), ficamos com

$\overline{Y}_{i..}~\sim~N \left(\mu + \alpha_{i} ~;~\frac{\sigma^2}{b~r}\right),~~~~~~~~~~~~\overline{Y}_{...}~\sim~N \left(\mu ~;~\frac{\sigma^2}{a~b~r}\right).$

Com isso,

$E(QM_A)~~~=~~~ \frac{b~r}{a - 1}~\left[\sum^{a}_{i=1}\left[\mbox{var}(\overline{Y}_{i..})+(E(\overline{Y}_{i..}))^2\right]~-~a~\left[\mbox{var}(\overline{Y}_{...})+(E(\overline{Y}_{...}))^2\right]\right]$

usando as restrições (2.1.2) temos

$~~~=~~~ \sigma^2 + \frac{b~r}{a - 1}~\sum^{a}_{i=1}\left(\alpha_i+\overline{\alpha}_{.}+ \overline{\tau}_{i.}+\overline{\tau}_{..}\right)^2 =\sigma^2+\frac{b~r}{a-1}~\sum^{a}_{i=1}\left(\alpha_i\right)^2$