aiwiki.page
中文
数学 / 几何与拓扑 / sphericity

球形性

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。

22 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
几何学统计学协方差矩阵单位矩阵方差协方差统计独立性多元正态分布球形性

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。

几何球形度

基于表面积的定义

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

Ψ=π1/3(6V)2/3A,\Psi=\frac{\pi^{1/3}(6V)^{2/3}}{A},

其中,VV 为物体的体积,AA 为物体的表面积。分子是体积为 VV 的球体的表面积,因此也可以等价地写为

Ψ=surface area of an equal-volume spheresurface area of the object.\Psi= \frac{\text{surface area of an equal-volume sphere}} {\text{surface area of the object}}.

对于体积为正、表面积有限且有适当定义的三维实体,

0<Ψ≤1.0<\Psi\leq 1.

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。

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>0c>0,体积便乘以 c3c^3,表面积乘以 c2c^2,而 Ψ\Psi 不变。平移和旋转也不改变球形度。

对于边长为 aa 的立方体,

V=a3,A=6a2,V=a^3,\qquad A=6a^2,

因此

Ψcube=(π6)1/3≈0.806.\Psi_{\mathrm{cube}} =\left(\frac{\pi}{6}\right)^{1/3} \approx 0.806.

相关形状指标

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:

  • 长宽比:比较特征尺寸,例如最长轴与最短轴。
  • 圆度:通常描述棱角的尖锐程度或曲率。
  • 圆形度:描述二维轮廓,常用 4πA/P24\pi A/P^2 表示,其中 AA 为轮廓包围的面积,PP 为周长。
  • 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。

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。

另一种常用的三维紧致度指标为

Q=36πV2A3=Ψ3.Q=\frac{36\pi V^2}{A^3}=\Psi^3.

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。

应用与测量局限

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。

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。

统计球形性

球形协方差

对于随机向量 XX,球形协方差矩阵具有如下形式:

Cov⁡(X)=σ2I,\operatorname{Cov}(X)=\sigma^2 I,

其中,II 为单位矩阵,且 σ2>0\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。

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 σ2I\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。

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。

重复测量分析中的球形性

假设对每名受试者在 kk 个条件下进行测量,得到随机向量

Y=(Y1,…,Yk)T.Y=(Y_1,\ldots,Y_k)^\mathsf{T}.

单变量重复测量方差分析所用的球形性条件为

Var⁡(Yi−Yj)=dfor all i≠j,\operatorname{Var}(Y_i-Y_j)=d \qquad\text{for all }i\ne j,

其中 dd 为某个共同值。由于

Var⁡(Yi−Yj)=Var⁡(Yi)+Var⁡(Yj)−2Cov⁡(Yi,Yj),\operatorname{Var}(Y_i-Y_j) = \operatorname{Var}(Y_i)+\operatorname{Var}(Y_j) -2\operatorname{Cov}(Y_i,Y_j),

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。

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。

对比空间中的表述

令 Σ=Cov⁡(Y)\Sigma=\operatorname{Cov}(Y),并令 CC 为一个 (k−1)×k(k-1)\times k 矩阵,其各行构成对比空间的一组标准正交基:

C1=0,CCT=Ik−1.C\mathbf{1}=0, \qquad CC^\mathsf{T}=I_{k-1}.

这里,1\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

CΣCT=λIk−1C\Sigma C^\mathsf{T}=\lambda I_{k-1}

其中 λ>0\lambda>0 为共同的对比方差。

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=2λd=2\lambda。

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。

与复合对称性的关系

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:

Σ=aIk+b11T,\Sigma=aI_k+b\mathbf{1}\mathbf{1}^\mathsf{T},

其中参数的取值须使 Σ\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。

反之则不成立。例如,

Σ=(21/211/233/213/24)\Sigma= \begin{pmatrix} 2&1/2&1\\ 1/2&3&3/2\\ 1&3/2&4 \end{pmatrix}

是正定矩阵,且

Var⁡(Y1−Y2)=Var⁡(Y1−Y3)=Var⁡(Y2−Y3)=4.\operatorname{Var}(Y_1-Y_2) = \operatorname{Var}(Y_1-Y_3) = \operatorname{Var}(Y_2-Y_3) =4.

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。

球形性检验

莫奇利检验

莫奇利检验用于检验球形性这一原假设。若 ScS_c 为标准正交对比基下的样本协方差矩阵,且 p=k−1p=k-1,则其核心统计量为

W=det⁡(Sc)[tr⁡(Sc)/p]p.W= \frac{\det(S_c)} {\left[\operatorname{tr}(S_c)/p\right]^p}.

这里,det⁡\det 表示行列式,tr⁡\operatorname{tr} 表示矩阵的迹。当 ScS_c 正定时,0<W≤10<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。

通常的显著性计算会对 log⁡W\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。

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。

巴特利特球形检验

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。

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。

球形性违反与自由度校正

常规的单变量重复测量 FF 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。

偏离程度可用以下总体指标概括:

ϵ=(∑i=1pλi)2p∑i=1pλi2,\epsilon= \frac{\left(\sum_{i=1}^{p}\lambda_i\right)^2} {p\sum_{i=1}^{p}\lambda_i^2},

其中,λ1,…,λp\lambda_1,\ldots,\lambda_p 为对比协方差矩阵的特征值。它满足

1p≤ϵ≤1.\frac{1}{p}\leq\epsilon\leq1.

球形性对应于 ϵ=1\epsilon=1;各对比方向方差的不均等程度越大,ϵ\epsilon 就越低。

Greenhouse–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 nn 名完整观测受试者、kk 个条件的简单单因素重复测量设计,未经校正的自由度为

df1=k−1,df2=(n−1)(k−1).df_1=k-1,\qquad df_2=(n-1)(k-1).

epsilon 校正将其替换为

df1∗=ϵ^(k−1),df2∗=ϵ^(n−1)(k−1).df_1^*=\widehat{\epsilon}(k-1), \qquad df_2^*=\widehat{\epsilon}(n-1)(k-1).

观测到的 FF 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。

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。