{
  "id": "sphericity",
  "title": "球形性",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "球形性可指形状接近球体的程度，也可指某些统计检验所需的协方差条件，尤其见于重复测量方差分析。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "球形度"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/sphericity/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/sphericity/",
      "json": "https://aiwiki.page/en/sphericity.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "球形性在几何学和统计学中具有不同含义。在几何学中，它衡量物体形状接近球体的程度，通常通过比较物体的表面积与等体积球体的表面积来度量。在统计学中，它表示相关空间中各个方向上的变异程度相等。在重复测量方差分析中，这意味着每一对测量值之差的方差都相等。这两种含义都体现了不存在优先方向的思想，但并不是同一种数学性质。"
    },
    {
      "heading": "几何球形度",
      "text": "基于表面积的定义\n\n一种广泛使用的几何球形度指标源于哈康·瓦德尔（Hakon Wadell）在20世纪30年代对颗粒形状的研究，其定义为\n\n\\[\\Psi=\\frac{\\pi^{1/3}(6V)^{2/3}}{A},\\]\n\n其中，\\(V\\) 为物体的体积，\\(A\\) 为物体的表面积。分子是体积为 \\(V\\) 的球体的表面积，因此也可以等价地写为\n\n\\[\\Psi= \\frac{\\text{surface area of an equal-volume sphere}} {\\text{surface area of the object}}.\\]\n\n对于体积为正、表面积有限且有适当定义的三维实体，\n\n\\[0<\\Psi\\leq 1.\\]\n\n其上界可由等周不等式得出：在包围给定体积的所有形体中，球体的表面积最小。对于通常的实体，球体满足等号。\n\n球形度是无量纲量，在均匀缩放下保持不变。将所有长度乘以 \\(c>0\\)，体积便乘以 \\(c^3\\)，表面积乘以 \\(c^2\\)，而 \\(\\Psi\\) 不变。平移和旋转也不改变球形度。\n\n对于边长为 \\(a\\) 的立方体，\n\n\\[V=a^3,\\qquad A=6a^2,\\]\n\n因此\n\n\\[\\Psi_{\\mathrm{cube}} =\\left(\\frac{\\pi}{6}\\right)^{1/3} \\approx 0.806.\\]\n\n相关形状指标\n\n有多种量可以描述形状偏离球形的不同方面，但它们不能相互替代：\n\n- 长宽比：比较特征尺寸，例如最长轴与最短轴。\n- 圆度：通常描述棱角的尖锐程度或曲率。\n- 圆形度：描述二维轮廓，常用 \\(4\\pi A/P^2\\) 表示，其中 \\(A\\) 为轮廓包围的面积，\\(P\\) 为周长。\n- 球形度：按基于表面积的定义，比较三维物体的体积与表面积。\n\n光滑的细长颗粒可能边缘圆润，但球形度较低。反之，各方向尺寸大致相当的颗粒也可能因表面粗糙，而使基于表面积计算的球形度显著降低。\n\n另一种常用的三维紧致度指标为\n\n\\[Q=\\frac{36\\pi V^2}{A^3}=\\Psi^3.\\]\n\n由于不同学科和软件包所用术语不尽相同，报告“球形度”数值时，应同时给出其定义公式。\n\n应用与测量局限\n\n几何球形度应用于沉积学、粉体技术、颗粒表征和材料科学。颗粒形状会影响堆积、流动、阻力、沉降以及可利用的表面积。球形度概括了形状的一个方面，但不能唯一决定这些行为：球形度相同的物体，其伸长程度、凹陷程度、取向或表面纹理仍可能不同。\n\n测量结果取决于如何表示物体的边界。在三维成像中，估算的表面积可能随分辨率、分割方法、平滑处理以及孔隙处理方式而改变。细微的表面粗糙往往会使测得的表面积大幅增加，而体积的增幅小得多，从而降低估算的球形度。从二维投影得到的数值通常不等同于基于三维表面积的指标。"
    },
    {
      "heading": "统计球形性",
      "text": "球形协方差\n\n对于随机向量 \\(X\\)，球形协方差矩阵具有如下形式：\n\n\\[\\operatorname{Cov}(X)=\\sigma^2 I,\\]\n\n其中，\\(I\\) 为单位矩阵，且 \\(\\sigma^2>0\\)。此时，所有分量的方差相等，不同分量之间的协方差为零。每个单位长度方向上的方差都相同。\n\n仅有球形协方差矩阵，并不意味着统计独立性，也不意味着概率分布具有旋转不变性。不过，对于多元正态分布，协方差为 \\(\\sigma^2 I\\) 则意味着各分量相互独立，且分布关于均值具有旋转对称性。\n\n在重复测量分析中，要求更弱：只需在测量条件之间的对比所构成的空间中，协方差具有球形性。\n\n重复测量分析中的球形性\n\n假设对每名受试者在 \\(k\\) 个条件下进行测量，得到随机向量\n\n\\[Y=(Y_1,\\ldots,Y_k)^\\mathsf{T}.\\]\n\n单变量重复测量方差分析所用的球形性条件为\n\n\\[\\operatorname{Var}(Y_i-Y_j)=d \\qquad\\text{for all }i\\ne j,\\]\n\n其中 \\(d\\) 为某个共同值。由于\n\n\\[\\operatorname{Var}(Y_i-Y_j) = \\operatorname{Var}(Y_i)+\\operatorname{Var}(Y_j) -2\\operatorname{Cov}(Y_i,Y_j),\\]\n\n球形性同时约束方差与协方差。它并非仅仅要求原始测量值的方差相等。\n\n当只有两个条件时，仅存在一个成对差值，因此球形性自动成立。当条件数达到三个或更多时，它才构成实质性的限制。\n\n对比空间中的表述\n\n令 \\(\\Sigma=\\operatorname{Cov}(Y)\\)，并令 \\(C\\) 为一个 \\((k-1)\\times k\\) 矩阵，其各行构成对比空间的一组标准正交基：\n\n\\[C\\mathbf{1}=0, \\qquad CC^\\mathsf{T}=I_{k-1}.\\]\n\n这里，\\(\\mathbf{1}\\) 是所有分量均为1的向量；对比是各条件测量值的一个线性组合，其系数之和为零。球形性等价于\n\n\\[C\\Sigma C^\\mathsf{T}=\\lambda I_{k-1}\\]\n\n其中 \\(\\lambda>0\\) 为共同的对比方差。\n\n因此，所有相互正交的单位对比方向都具有相同的方差，且彼此之间的协方差为零。此时，成对差值的方差为 \\(d=2\\lambda\\)。\n\n对于服从正态分布的测量值，对比空间中的等密度面是球面，而非拉长的椭球面。若不满足正态性，协方差条件仍可成立，但它未必能描述分布的完整形态。\n\n与复合对称性的关系\n\n更强的条件是复合对称性，它要求所有原始测量值具有相同的方差，且每一对不同测量值之间具有相同的协方差：\n\n\\[\\Sigma=aI_k+b\\mathbf{1}\\mathbf{1}^\\mathsf{T},\\]\n\n其中参数的取值须使 \\(\\Sigma\\) 成为有效的协方差矩阵。复合对称性蕴含球形性，因为共同项在作差时会抵消。\n\n反之则不成立。例如，\n\n\\[\\Sigma= \\begin{pmatrix} 2&1/2&1\\\\ 1/2&3&3/2\\\\ 1&3/2&4 \\end{pmatrix}\\]\n\n是正定矩阵，且\n\n\\[\\operatorname{Var}(Y_1-Y_2) = \\operatorname{Var}(Y_1-Y_3) = \\operatorname{Var}(Y_2-Y_3) =4.\\]\n\n尽管其边际方差不相等，非对角线上的协方差也不相等，它仍满足球形性。"
    },
    {
      "heading": "球形性检验",
      "text": "莫奇利检验\n\n莫奇利检验用于检验球形性这一原假设。若 \\(S_c\\) 为标准正交对比基下的样本协方差矩阵，且 \\(p=k-1\\)，则其核心统计量为\n\n\\[W= \\frac{\\det(S_c)} {\\left[\\operatorname{tr}(S_c)/p\\right]^p}.\\]\n\n这里，\\(\\det\\) 表示行列式，\\(\\operatorname{tr}\\) 表示矩阵的迹。当 \\(S_c\\) 正定时，\\(0<W\\leq 1\\)；当其特征值全部相等时，取值为1。数值越小，表明样本协方差偏离球形性的程度越大。\n\n通常的显著性计算会对 \\(\\log W\\) 进行校正变换，并在正态理论假设下，将其与卡方分布作近似比较。\n\n未能拒绝原假设，并不能证实球形性成立。该检验在小样本中的统计功效可能有限，而在大样本中则可能检测出微小偏离。其解释还取决于分布假设。\n\n巴特利特球形检验\n\n这一术语也出现在巴特利特球形检验中，该检验常用于因子分析或主成分分析之前。它检验总体相关矩阵是否为单位矩阵，即总体中所有成对相关系数是否均为零。\n\n这与重复测量中的球形性不同，后者关注的是对比空间中的协方差。这两种检验不能相互替代。"
    },
    {
      "heading": "球形性违反与自由度校正",
      "text": "常规的单变量重复测量 \\(F\\) 检验依赖于球形性，同时还要求受试者之间相互独立，并满足适当的正态性条件等假设。违反球形性可能使检验相对于名义显著性水平过于宽松，增加错误拒绝原假设的概率。\n\n偏离程度可用以下总体指标概括：\n\n\\[\\epsilon= \\frac{\\left(\\sum_{i=1}^{p}\\lambda_i\\right)^2} {p\\sum_{i=1}^{p}\\lambda_i^2},\\]\n\n其中，\\(\\lambda_1,\\ldots,\\lambda_p\\) 为对比协方差矩阵的特征值。它满足\n\n\\[\\frac{1}{p}\\leq\\epsilon\\leq1.\\]\n\n球形性对应于 \\(\\epsilon=1\\)；各对比方向方差的不均等程度越大，\\(\\epsilon\\) 就越低。\n\nGreenhouse–Geisser 和 Huynh–Feldt 方法通过估计 epsilon 来调整参照分布的自由度。对于具有 \\(n\\) 名完整观测受试者、\\(k\\) 个条件的简单单因素重复测量设计，未经校正的自由度为\n\n\\[df_1=k-1,\\qquad df_2=(n-1)(k-1).\\]\n\nepsilon 校正将其替换为\n\n\\[df_1^*=\\widehat{\\epsilon}(k-1), \\qquad df_2^*=\\widehat{\\epsilon}(n-1)(k-1).\\]\n\n观测到的 \\(F\\) 统计量保持不变；改变的是参照分布及由此进行的显著性计算。Greenhouse–Geisser 估计往往更保守，而 Huynh–Feldt 估计旨在减轻这种保守性。\n\n多变量重复测量方法，以及采用适当协方差结构的混合效应模型，提供了不施加同样球形性限制的替代方案。但这些方法各自对分布、样本量或协方差模型有相应要求；不再要求球形性，并不意味着不再需要模型假设。"
    }
  ],
  "links": [
    "geometry",
    "statistics",
    "covariance-matrix",
    "identity-matrix",
    "variance",
    "covariance",
    "statistical-independence",
    "multivariate-normal-distribution",
    "analysis-of-variance",
    "orthonormal-basis",
    "linear-combination",
    "positive-definite-matrix",
    "null-hypothesis",
    "determinant",
    "matrix-trace",
    "eigenvalues-and-eigenvectors",
    "chi-squared-distribution",
    "statistical-power",
    "principal-component-analysis",
    "degrees-of-freedom"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}