A Análise da Variância (ANOVA) pode ser pensada como um método para testar a hipótese \boldsymbol{H} \mathbf{0} : \boldsymbol{\mu} \mathbf{1} \boldsymbol{=} \boldsymbol{\mu} \mathbf{2} \boldsymbol{=} \boldsymbol{\ldots} \boldsymbol{=} \boldsymbol{\mu} \boldsymbol{p} por meio da análise de variâncias de diversas amostras.
a) Qual é o modelo estatístico que está por trás da ANOVA?
b) O que é estimado nesse modelo?

Passo 1

O enunciado pede duas coisas: (a) qual é o modelo estatístico por trás da ANOVA que testa a hipótese \boldsymbol{H_0}:\mu_1=\mu_2=\dots=\mu_p; (b) o que se estima nesse modelo.
Informações relevantes do enunciado: temos p amostras/grupos e a hipótese nula diz que todas as médias de grupo são iguais. Não há números concretos fornecidos, só a estrutura hipotética.

Passo 2

Apresentação do modelo canônico (modelo de efeitos fixos, one‑way ANOVA). Escrevemos cada observação como
Y_{ij} = \mu + \tau_i + \varepsilon_{ij},
onde:
  • i=1,\dots,p identifica o grupo (tratamento);
  • j=1,\dots,n_i indexa as observações dentro do i-ésimo grupo;
  • \mu é a média geral (grand mean);
  • \tau_i é o efeito do i-ésimo grupo (treatment effect), medindo quanto a média do grupo difere da média geral;
  • \varepsilon_{ij} é o erro aleatório associado à observação j do grupo i.

Passo 3

Condição de identifiabilidade e interpretação dos parâmetros. Para evitar redundância entre \mu e os \tau_i nós impomos a restrição
\sum_{i=1}^{p} \tau_i = 0.
Com isso, a média do i-ésimo grupo é
\mu_i = \mu + \tau_i.
A hipótese nula H_0:\mu_1=\cdots=\mu_p é equivalente a H_0:\tau_1=\cdots=\tau_p=0.

Passo 4

Pressupostos do modelo (por que são importantes e o que significam):
  • Independência: as observações Y_{ij} são independentes entre si. Isso garante que somas de quadrados e variâncias se comportem bem.
  • Normalidade dos erros: \varepsilon_{ij}\overset{\text{iid}}{\sim}N(0,\sigma^2). Esse pressuposto dá a distribuição F exata para o teste (em amostras finitas).
  • Homocedasticidade (variâncias iguais): todos os grupos têm mesma variância residual \sigma^2. Escrito como parte do modelo de erro acima.
    Se esses pressupostos falham, o teste F pode perder validade (principalmente o nível) ou potência.

Passo 5

O que se estima no modelo: parâmetros de interesse e estimadores. Existem duas formas equivalentes de falar do que estimamos:
  • Estimamos as médias de cada grupo \mu_i ou, na parametrização anterior, estimamos \mu e os efeitos \tau_i.
  • Estimamos a variância dos erros \sigma^2.
Mostrarei as estimativas usuais (mínimos quadrados / máximas verossimilhança):

Passo 6

Estimadores dos parâmetros principais (fórmulas e interpretação).
Definimos as médias amostrais:
\bar{Y}_{i\cdot}=\frac{1}{n_i}\sum_{j=1}^{n_i} Y_{ij} \qquad\text{e}\qquad \bar{Y}_{\cdot\cdot}=\frac{1}{N}\sum_{i=1}^{p}\sum_{j=1}^{n_i} Y_{ij},
onde N=\sum_{i=1}^p n_i é o total de observações. Então:
  • Estimador da média do grupo i:
\hat{\mu}_i = \bar{Y}_{i\cdot}.
  • Estimador da média geral:
\hat{\mu} = \bar{Y}_{\cdot\cdot}.
  • Estimador do efeito do i-ésimo grupo:
\hat{\tau}_i = \bar{Y}_{i\cdot} - \bar{Y}_{\cdot\cdot}.
Esses são os estimadores de mínimos quadrados ordinários sob a restrição \sum \tau_i=0.

Passo 7

Estimador da variância dos erros. Primeiro definimos a soma de quadrados dos resíduos (SSE):
\text{SSE}=\sum_{i=1}^p\sum_{j=1}^{n_i}\bigl(Y_{ij}-\bar{Y}_{i\cdot}\bigr)^2.
O estimador não tendencioso (momento) da variância residual é
\hat{\sigma}^2=\frac{\text{SSE}}{N-p}.
Aqui N-p é o número de graus de liberdade para o erro (total de observações menos número de grupos ajustados).

Passo 8

Somas de quadrados usadas no teste (para contextualizar o que é estimado):
  • Soma total de quadrados:
\text{SST}=\sum_{i=1}^p\sum_{j=1}^{n_i}\bigl(Y_{ij}-\bar{Y}_{\cdot\cdot}\bigr)^2.
  • Soma de quadrados entre tratamentos (SSTR, variabilidade explicada pelos grupos):
\text{SSTR}=\sum_{i=1}^p n_i\bigl(\bar{Y}_{i\cdot}-\bar{Y}_{\cdot\cdot}\bigr)^2.
Valem a decomposição
\text{SST}=\text{SSTR}+\text{SSE}.
As quantidades \text{SSTR} e \text{SSE} permitem estimar a variabilidade atribuível aos efeitos dos grupos e aos erros, respectivamente.

Passo 9

Construção do teste F (mostra o uso das estimativas). Calculam-se as médias quadráticas:
\text{MS}_{\text{Tr}}=\frac{\text{SSTR}}{p-1}, \qquad \text{MS}_E=\frac{\text{SSE}}{N-p}.
O estatístico de teste é
F=\frac{\text{MS}_{\text{Tr}}}{\text{MS}_E}.
Sob H_0 e assumindo os pressupostos, tem-se F\sim F_{p-1,\,N-p}. Esse passo mostra que, além das médias e variâncias, o modelo estima razão de variâncias usada para testar se as médias diferem.

Passo 10

Derivação curta (intuitiva) dos estimadores por mínimos quadrados. Minimiza-se
Q=\sum_{i=1}^p\sum_{j=1}^{n_i}\bigl(Y_{ij}-\mu-\tau_i\bigr)^2
sujeito a \sum_{i=1}^p\tau_i=0. As equações normais dão
\hat{\mu}=\bar{Y}_{\cdot\cdot},\qquad \hat{\tau}_i=\bar{Y}_{i\cdot}-\bar{Y}_{\cdot\cdot},
o que coincide com as fórmulas do Passo 6 — ou seja, essas estimativas minimizam a soma dos quadrados dos resíduos e são as estimativas de máxima verossimilhança se assumirmos normalidade dos erros.

Passo 11

Resumo didático e interpretação prática (para a prova). O modelo te dá uma decomposição clara: cada observação é média geral + efeito do grupo + erro. Na prova, para responder “qual é o modelo?” escreva a equação do Passo 2, diga a restrição \sum\tau_i=0 e liste os pressupostos (independência, normalidade, homocedasticidade). Para “o que é estimado?” diga que se estima:
  • as médias de cada grupo \mu_i (ou \mu e \tau_i), com \hat{\mu}_i=\bar{Y}_{i\cdot} e \hat{\tau}_i=\bar{Y}_{i\cdot}-\bar{Y}_{\cdot\cdot};
  • a variância residual \sigma^2 por \hat{\sigma}^2=\text{SSE}/(N-p);
  • e, indiretamente, as parcelas de variância (SSTR, SSE, MS) usadas no teste F.

Resposta

(a) Modelo: Y_{ij}=\mu+\tau_i+\varepsilon_{ij},\quad i=1,\dots,p,\;j=1,\dots,n_i,
com restrição \sum_{i=1}^p\tau_i=0 e pressupostos \varepsilon_{ij}\overset{\text{iid}}{\sim}N(0,\sigma^2) (independência e homocedasticidade).\n
(b) Estima‑se as médias de grupo \mu_i (ou \mu e \tau_i) e a variância residual \sigma^2; estimadores usuais: \hat{\mu}_i=\bar{Y}_{i\cdot}, \hat{\mu}=\bar{Y}_{\cdot\cdot}, \hat{\tau}_i=\bar{Y}_{i\cdot}-\bar{Y}_{\cdot\cdot} e \hat{\sigma}^2=\dfrac{\text{SSE}}{N-p} com \text{SSE}=\sum_{i}\sum_{j}(Y_{ij}-\bar{Y}_{i\cdot})^2.

Exercícios relacionados