Luciano - Departamento de Ciências Exatas - LCE/ESALQ/USP
Luciano - Departamento de Ciências Exatas - LCE/ESALQ/USP
Luciano - Departamento de Ciências Exatas - LCE/ESALQ/USP
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
UNIVERSIDADE DE SÃO PAULO<br />
ESCOLA SUPERIOR DE AGRICULTURA “LUIZ DE QUEIROZ”<br />
DEPARTAMENTO DE CIÊNCIAS EXATAS<br />
ANÁLISE MULTIVARIADA<br />
Experimentos <strong>de</strong> Medidas Repetidas<br />
com Seleções Aleatórias<br />
por<br />
Larry L. Laster<br />
James Pickands III<br />
Piracicaba, SP<br />
Julho/2004<br />
Seminário apresentado como<br />
exigência da disciplina<br />
Análise Multivariada, do<br />
<strong>Departamento</strong> <strong>de</strong> <strong>Ciências</strong><br />
<strong>Exatas</strong> da <strong>ESALQ</strong>/<strong>USP</strong><br />
Nome: <strong>Luciano</strong> Barbosa<br />
Prof. Dr. Carlos Ta<strong>de</strong>u dos<br />
Santos Dias
Experimentos <strong>de</strong> Medidas Repetidas com Seleções Aleatórias<br />
Larry L. Laster<br />
James Pickands III<br />
Biometrics, vol. 49, nº 1, março <strong>de</strong> 1993<br />
Nós consi<strong>de</strong>ramos experimentos <strong>de</strong> medidas repetidas com um único<br />
grupo e com múltiplos grupos. Geralmente, as medidas repetidas são<br />
consi<strong>de</strong>radas com tempos espaçados uniformemente. As condições<br />
necessárias para um teste F exato não são geralmente satisfeitas, mas com<br />
escolhas aleatórias dos tempos, nós satisfazemos as condições,<br />
incondicionalmente. Como conseqüência, infelizmente, nós per<strong>de</strong>mos a<br />
normalida<strong>de</strong> assintótica que também é essencial para justificar um teste F.<br />
Nós introduzimos uma classe <strong>de</strong> experimentos para os quais as condições<br />
<strong>de</strong> momento e normalida<strong>de</strong> assintótica são satisfeitas. Os tempos são os<br />
mesmos para todos os indivíduos e eles são escolhidos <strong>de</strong> tal modo que<br />
eles são mutuamente in<strong>de</strong>pen<strong>de</strong>ntes e i<strong>de</strong>nticamente distribuídos.<br />
1. Introdução<br />
A maioria dos experimentos <strong>de</strong> medidas repetidas envolve uma<br />
seleção sistemática dos tempos, normalmente com espaçamentos iguais. A<br />
suposição clássica <strong>de</strong> in<strong>de</strong>pendência é irreal na maioria dos casos e há uma<br />
extensa literatura sobre este problema. Geralmente suposições muito<br />
rígidas, freqüentemente irreais, ou perda <strong>de</strong> eficiência estatística (perda <strong>de</strong><br />
graus <strong>de</strong> liberda<strong>de</strong>), são inevitáveis. Neste artigo, nós sugerimos uma nova<br />
abordagem, na qual os tempos são amostrados aleatoriamente.<br />
Uma gran<strong>de</strong> classe <strong>de</strong> experimentos <strong>de</strong> medidas repetidas envolve<br />
uma ou mais amostras aleatórias <strong>de</strong> indivíduos que são avaliados em vários<br />
momentos no tempo. Por exemplo, na medicina, po<strong>de</strong>m ser observadas<br />
pressões sanguíneas ou ensaios bioquímicos em vários momentos.<br />
Suponha que existam m grupos com r elementos in<strong>de</strong>pen<strong>de</strong>ntes por<br />
grupo e c tempos para cada elemento <strong>de</strong> cada grupo. Por exemplo, suponha<br />
que há m grupos <strong>de</strong> animais <strong>de</strong> laboratório, com r animais em cada grupo.
O mesmo tratamento é dado a todos os membros <strong>de</strong> cada grupo, mas os<br />
dois grupos não recebem o mesmo tratamento.<br />
Suponha também que as medidas repetidas são feitas em cada membro<br />
do grupo em c tempos diferentes. Nós assumimos, neste artigo, que os<br />
mesmos tempos são usados para cada membro <strong>de</strong> cada grupo. Nós<br />
po<strong>de</strong>ríamos medir um aspecto bioquímico nos mesmos c tempos para todos<br />
os animais, por exemplo.<br />
Seja Yk,i,j a resposta para o i-ésimo membro do k-ésimo grupo no jésimo<br />
tempo. Há três hipóteses <strong>de</strong> interesse:<br />
Hg: Nenhum efeito <strong>de</strong> grupo,<br />
Ht: Nenhum efeito <strong>de</strong> tempo,<br />
Hgt: Nenhum efeito <strong>de</strong> interação.<br />
Tradicionalmente, experimentos <strong>de</strong> medidas repetidas envolvem<br />
escolha sistemática dos tempos, que normalmente são escolhidos em<br />
espaços uniformes. Em tais casos, as sucessivas medidas não po<strong>de</strong>m ser<br />
razoavelmente consi<strong>de</strong>radas como mutuamente in<strong>de</strong>pen<strong>de</strong>ntes e então os<br />
métodos <strong>de</strong> análise <strong>de</strong> variância clássicos <strong>de</strong>vem ser alterados a um grau<br />
consi<strong>de</strong>rável. Há várias abordagens utilizadas. Nós propomos uma<br />
abordagem alternativa com um experimento diferente.<br />
Suponha, primeiro, que os tempos são amostrados aleatoriamente, ou<br />
seja, suponha que são escolhidos <strong>de</strong> maneira que sejam mutuamente<br />
in<strong>de</strong>pen<strong>de</strong>ntes e i<strong>de</strong>nticamente distribuídos – digamos, sobre o intervalo <strong>de</strong><br />
possíveis tempos. As mesmas seleções do tempo são usadas para todos os<br />
membros <strong>de</strong> todos os grupos.<br />
Quando os tempos são escolhidos ao acaso, nós realizamos a análise<br />
com maior facilida<strong>de</strong>, por causa da variância comum e da ausência <strong>de</strong><br />
correlação.
É importante enfatizar que nós <strong>de</strong>vemos evitar a tentação <strong>de</strong> impor<br />
espaços iguais entre os tempos, que são, é claro, conhecidos. Se nós assim<br />
fizermos, nós per<strong>de</strong>remos os benefícios da nossa abordagem em relação ao<br />
experimento clássico. Assumindo normalida<strong>de</strong>, o método proposto é<br />
uniformemente mais po<strong>de</strong>roso entre todos os procedimentos em que os<br />
tempos não são escolhidos aleatoriamente, como mostrado por Herbach<br />
(1959).<br />
2. Seleções Não Aleatórias<br />
Nesta seção, nós revisamos as abordagens clássicas e problemas <strong>de</strong><br />
experimentos <strong>de</strong> medidas repetidas com seleções clássicas não aleatórias<br />
dos tempos e discutimos rapidamente as mais recentes abordagens. O<br />
problema é que nós geralmente não temos in<strong>de</strong>pendência entre as medidas.<br />
Seja V, com elementos vi,i´ , as (c x c) medidas da matriz <strong>de</strong> variânciacovariância.<br />
Há duas abordagens básicas <strong>de</strong> mo<strong>de</strong>lagem.<br />
A primeira é a abordagem <strong>de</strong> “suposição-livre", quer dizer, nenhuma<br />
suposição é feita sobre os elementos <strong>de</strong> V. Veja Potthoff e Roy (1964),<br />
Bock (1963), e Morrison (1976). O número <strong>de</strong> parâmetros estimados na<br />
matriz <strong>de</strong> variância-covariância é c(c + 1)/2. Isto requer um número<br />
enorme <strong>de</strong> observações.<br />
A outra abordagem é fazer várias restrições paramétricas em V. Para<br />
obter os momentos condicionais <strong>de</strong>sejados, sem perda <strong>de</strong> graus <strong>de</strong><br />
liberda<strong>de</strong>, é suficiente que<br />
vi,i<br />
<br />
2<br />
ρσ<br />
, i i<br />
2<br />
σ , i i<br />
0 <
Uma condição suficiente mais geral sobre os elementos <strong>de</strong> V é dada<br />
por Huynh e Feldt (1970). Eles mostram que a condição <strong>de</strong>les é necessária<br />
como também suficiente para que possam ser usados testes F clássicos<br />
(assumindo normalida<strong>de</strong>). Box (1954) mostra que testes F aproximados<br />
são possíveis mas com números reduzidos <strong>de</strong> graus <strong>de</strong> liberda<strong>de</strong>; os graus<br />
<strong>de</strong> liberda<strong>de</strong> do numerador e do <strong>de</strong>nominador são reduzidos na mesma<br />
proporção . Infelizmente, é uma função das variâncias e covariâncias<br />
<strong>de</strong>sconhecidas. Greenhouse e Geisser (1959) encontraram um método<br />
adaptado (dados-<strong>de</strong>pen<strong>de</strong>ntes) com graus <strong>de</strong> liberda<strong>de</strong> conservadores. Há<br />
uma perda muito significativa <strong>de</strong> eficiência, assim como todos os graus <strong>de</strong><br />
liberda<strong>de</strong> para as medidas repetidas estão perdidos. Há também o artigo <strong>de</strong><br />
Huynh (1978), no qual parece razoável assumir que covariâncias são<br />
próximas <strong>de</strong> 0 quando os tempos são mais distantes. Para uma interessante<br />
abordagem não paramétrica, veja Kepner e Robinson (1988).<br />
3. Método proposto para um único grupo<br />
Suponha que temos r pacientes cujo nível <strong>de</strong> colesterol é medido em c<br />
tempos. O experimento mais comum é aquele no qual os tempos são<br />
espaçados igualmente. Tal experimento é natural, mas é irreal assumir que<br />
sucessivas observações no mesmo paciente sejam in<strong>de</strong>pen<strong>de</strong>ntes. Assim,<br />
consi<strong>de</strong>rações <strong>de</strong> séries temporais entram em jogo e a análise dos dados<br />
requer suposições muito restritivas que po<strong>de</strong>m ser impossíveis <strong>de</strong> se<br />
verificar.<br />
Por outro lado, suponha que os tempos são escolhidos ao acaso. Nós<br />
chamaremos estes tempos <strong>de</strong> T1, T2, ..., Tc. É importante enten<strong>de</strong>r que os<br />
tempos são o mesmo para todos os indivíduos e eles são escolhidos <strong>de</strong> tal<br />
modo que eles são mutuamente in<strong>de</strong>pen<strong>de</strong>ntes e i<strong>de</strong>nticamente<br />
distribuídos.<br />
Seja Xi(t) o nível <strong>de</strong> colesterol do i-ésimo paciente no momento t e<br />
seja<br />
Yi,j Xi(Tj) , i=1, 2, ..., r ; j= 1, 2, ..., c.
Nós po<strong>de</strong>mos escrever<br />
Assim,<br />
Yi,j = E{XI(TJ)I = I(i), J = J(j)}.<br />
EIYI,j = EIXI(Tj) (3.1)<br />
on<strong>de</strong> EIXI(Tj) é o nível <strong>de</strong> colesterol esperado para um paciente escolhido<br />
aleatoriamente no momento t e<br />
<br />
E Y X (t) dF (t) ,<br />
J<br />
I, j<br />
0<br />
on<strong>de</strong> FT(t) é a função <strong>de</strong> distribuição acumulada para Tj. A média geral é ,<br />
on<strong>de</strong><br />
e<br />
Então,<br />
Seja<br />
para todo i, j.<br />
Seja<br />
2<br />
s<br />
i<br />
T<br />
EI,JYI,J = EI,J{XI(TJ)} (3.2)<br />
si EJYi,J – EI,JYI,J , tj = EIYI,j – EI,JYI,J , (3.3)<br />
ei,j Yi,j – EJYi,J – EIYI,j + EI,JYI,J.<br />
EIsI = EJtJ = EIeI,j = EJei,J = EI,JeI,J = 0 (3.4)<br />
σ var(s ) E s ,<br />
I<br />
I<br />
2<br />
I<br />
σ E t ,<br />
2<br />
t<br />
J<br />
2<br />
J<br />
σ <br />
E<br />
2<br />
e<br />
I, J<br />
e<br />
2<br />
I, J
Nós assumimos aqui, que I, J, I´ e J´ são mutuamente in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Segue, então, que todas as funções <strong>de</strong>les são mutuamente in<strong>de</strong>pen<strong>de</strong>ntes.<br />
Assim,<br />
Note que:<br />
E<br />
Similarmente,<br />
Assim, temos que<br />
e<br />
I, J<br />
s<br />
I<br />
e<br />
I, J<br />
E s s<br />
E<br />
I, I<br />
I<br />
E<br />
I<br />
0 EJ,<br />
Jt<br />
Jt<br />
J<br />
J<br />
t<br />
J<br />
e<br />
I, J<br />
σ<br />
on<strong>de</strong> (t) é alguma função conhecida <strong>de</strong> t.<br />
Nós po<strong>de</strong>mos escrever<br />
E Y E Y Y E Y E Y E Y <br />
EI,<br />
J J I, J I, J I, J I, J J I, J I I, J I, J I, J<br />
<br />
σ<br />
2<br />
s<br />
σ<br />
2<br />
t<br />
0<br />
σ<br />
Y <br />
2<br />
t<br />
E I, IeI,<br />
jeIj<br />
EJ,<br />
Jei,<br />
Jei,<br />
J<br />
<br />
0<br />
EIs I(Tj)<br />
(Tj)EIs<br />
I 0 EIe<br />
I, j(Tj)<br />
(Tj)EIe<br />
I, j 0<br />
I, J<br />
s<br />
0<br />
I<br />
t<br />
J<br />
(3.5)<br />
i, j μ si<br />
t j ei,<br />
j<br />
(3.6)<br />
on<strong>de</strong> é constante (não aleatória), e os <strong>de</strong>mais termos têm médias e<br />
covariâncias 0 e variâncias in<strong>de</strong>pen<strong>de</strong>ntes dos índices i e j; veja Scheffé<br />
(1959, pp. 240-242).<br />
2<br />
s
Todos os requisitos necessários para a valida<strong>de</strong> dos testes F estão<br />
assim satisfeitos. Uma possível hipótese nula é que não há efeito <strong>de</strong><br />
pacientes, ou seja, o nível médio <strong>de</strong> colesterol é o mesmo para todos os<br />
pacientes:<br />
2<br />
H : σ 0<br />
s<br />
Mais interessante é a hipótese que não há efeito dos tempos, isto é, a<br />
média do paciente é a mesma para todos os tempos:<br />
H<br />
t<br />
: σ<br />
s<br />
2<br />
t<br />
0<br />
Até aqui nós discutimos quantida<strong>de</strong>s populacionais. Agora nós<br />
consi<strong>de</strong>ramos as quantida<strong>de</strong>s amostrais correspon<strong>de</strong>ntes. Nós <strong>de</strong>compomos<br />
a soma <strong>de</strong> quadrados total do modo habitual, on<strong>de</strong> :<br />
SQtotal = SQs + SQt + SQe<br />
(veja Scheffé, 1959, pp. 102-103). Os graus <strong>de</strong> liberda<strong>de</strong> po<strong>de</strong>m ser<br />
<strong>de</strong>compostos da mesma forma:<br />
on<strong>de</strong><br />
gltotal = gls + glt + gle<br />
gltotal = rc - 1, gls = r - 1, glt = c - 1, gle = (r - l)(c - 1).<br />
As estatísticas para testar as hipóteses nulas, Hs e Ht, são,<br />
respectivamente, Fs e Ft , on<strong>de</strong>:<br />
QM<br />
F e<br />
s<br />
s<br />
QMe<br />
QM<br />
F <br />
t<br />
t<br />
QMe
O cálculo dos p-values requerem a suposição <strong>de</strong> que a aproximação<br />
normal (assintóticamente) é válida. Para uma discussão da robustez à não<br />
normalida<strong>de</strong>, veja Miller (1986, pp. 158-1 59). Ele observa que testes com<br />
a presença <strong>de</strong> um componente <strong>de</strong> variância são especialmente robustos à<br />
não normalida<strong>de</strong>. Nós temos normalida<strong>de</strong> assintótica com o nosso<br />
experimento. Herbach (1959) mostrou que os testes <strong>de</strong>ste tipo, assumindo<br />
normalida<strong>de</strong>, são uniformemente mais po<strong>de</strong>rosos <strong>de</strong>ntre todos os testes<br />
similares.<br />
4. Experimentos com grupos<br />
Suponha agora que nós temos r pacientes em m grupos. Estes grupos<br />
po<strong>de</strong>riam ser grupos <strong>de</strong> ida<strong>de</strong> diferentes, grupos étnicos, ou até mesmo <strong>de</strong><br />
homens e mulheres. Nós estamos assumindo agora, que não há nenhum<br />
efeito <strong>de</strong> interação entre os grupos e os tempos.<br />
Seja<br />
Yk,i,j Xk,i(Tj)<br />
on<strong>de</strong> Xk,i(t) é o nível <strong>de</strong> colesterol medido para o i-ésimo paciente no késimo<br />
grupo no tempo t. Nós po<strong>de</strong>mos escrever:<br />
on<strong>de</strong><br />
1<br />
<br />
μ g k E IX<br />
k, I (t) dFT<br />
(t) ; s k, i X k, i (t) - E IX<br />
k, I (t) dFT<br />
(t) ;<br />
0<br />
1<br />
<br />
t E X (T ) E X (t) dF (t) ;<br />
j<br />
1<br />
<br />
I<br />
k, I<br />
j<br />
0<br />
e X (T ) X (t) dF (t) - E X (T ) E X (t) dF (t) .<br />
k, i, j<br />
k, i<br />
j<br />
Y <br />
μ g s t e<br />
k, i, j<br />
0<br />
k, i<br />
T<br />
k<br />
k, i<br />
I<br />
I<br />
k, I<br />
k, I<br />
1<br />
0<br />
j<br />
J<br />
k, i, j<br />
T<br />
1<br />
<br />
0<br />
I<br />
k, I<br />
T
Nós assumimos, sem perda <strong>de</strong> generalida<strong>de</strong> que<br />
m<br />
k 1<br />
g<br />
Nós precisamos <strong>de</strong> algumas suposições adicionais que não foram<br />
necessárias no caso <strong>de</strong> um único grupo. Primeiro, nós assumimos que<br />
EIXk,I(t) só <strong>de</strong>pen<strong>de</strong> <strong>de</strong> k por uma constante (gk), a qual não <strong>de</strong>pen<strong>de</strong> <strong>de</strong> t.<br />
Esta é nossa suposição <strong>de</strong> nenhuma interação mencionada acima. Segundo,<br />
nós <strong>de</strong>vemos assumir sempre que<br />
on<strong>de</strong>:<br />
σ E s e<br />
k<br />
2<br />
s<br />
I<br />
2<br />
k, I<br />
k <br />
σ e<br />
2<br />
s k<br />
0<br />
.<br />
σ são o mesmo para todo o k,<br />
2<br />
e k<br />
σ E k<br />
Nós <strong>de</strong>compomos a soma <strong>de</strong> quadrados total em:<br />
2<br />
e<br />
I, J<br />
e<br />
2<br />
k, I, J<br />
SQtotal = SQgrupos + SQs + SQt + SQe , on<strong>de</strong><br />
on<strong>de</strong> médias são representadas substituindo os índices correspon<strong>de</strong>ntes por<br />
pontos. Assim:<br />
SQ<br />
grupos<br />
rc<br />
m<br />
k 1<br />
m, r, c<br />
(Y<br />
k, ,<br />
Y<br />
)<br />
2<br />
,<br />
,<br />
<br />
<br />
m, r<br />
c<br />
2<br />
2<br />
SQ (Yk,<br />
i, Yk,<br />
, ) ; SQ t kr (Y<br />
, ,<br />
j Y,<br />
,<br />
)<br />
; <br />
1<br />
j 1<br />
; <br />
s c<br />
k, i<br />
SQ<br />
2<br />
SQe (Yk,<br />
i, j Yk,<br />
i, Y<br />
, ,<br />
j Y<br />
, ,<br />
)<br />
total<br />
<br />
<br />
k, i, j 1<br />
k, i, j 1<br />
Os graus <strong>de</strong> liberda<strong>de</strong> (gl) são, respectivamente,<br />
glgrupos = m – 1; gls = m(r – 1) ; glt = c – 1 ;<br />
gle = (mr – 1)(c – 1) ; gltotal = mrc - 1<br />
<br />
m, r, c<br />
(Y<br />
k, i, j<br />
Y<br />
,<br />
,<br />
<br />
)<br />
2
Para testar a hipótese Ht <strong>de</strong> que não há efeito do tempo, nós<br />
proce<strong>de</strong>mos exatamente como no caso <strong>de</strong> um único grupo. Ou seja, o teste<br />
estatístico F é Ft, on<strong>de</strong><br />
QM<br />
t Ft .<br />
QMe<br />
Suponha que nós estamos testando a hipótese Hg, ou seja, que não há<br />
efeito <strong>de</strong> grupo (aquele gk = 0 para todo k = 1, 2, ..., m). A estatística para<br />
testar Hg é Fg, on<strong>de</strong>:<br />
QM<br />
grupos<br />
Fg .<br />
QMs<br />
Suponha que não po<strong>de</strong>mos assumir que não há nenhuma interação<br />
entre grupos e tempos. Nós po<strong>de</strong>mos testar isso usando Fgt, on<strong>de</strong>:<br />
com<br />
SQ<br />
gt<br />
r<br />
m, c<br />
k, j 1<br />
m, r, c<br />
(Y<br />
k, ,<br />
j<br />
F<br />
QM<br />
,<br />
gt<br />
gt<br />
QMe<br />
Y<br />
k, ,<br />
<br />
Y<br />
,<br />
,<br />
j<br />
Y<br />
,<br />
,<br />
<br />
2<br />
SQe r (Yk,<br />
i, j Yk,<br />
i, Yk<br />
, ,<br />
j Yk<br />
, ,<br />
)<br />
k, i, j 1<br />
glgt = (m – 1)(c – 1) ; gle´ = m(r – 1)(c – 1).<br />
)<br />
2
No caso clássico, os tempos são fixos. Então a hipótese nula Hgt é que<br />
os perfis são paralelos nos tempos selecionados. Com o nosso<br />
experimento, a hipótese nula é que os perfis são paralelos para todos os<br />
tempos. Até mesmo se nós não assumíssemos que não havia interação, é<br />
matematicamente possível testar a hipótese Ht <strong>de</strong> nenhum efeito <strong>de</strong> tempo,<br />
e neste caso o <strong>de</strong>nominador seria QMe´ no lugar <strong>de</strong> QMe . Por outro lado,<br />
não seria possível testar o efeito para grupo, a menos que nós pudéssemos<br />
assumir nenhuma interação.<br />
5. Bibliografia<br />
Bock, R. D. (1963). Multivariate Analysis of Variance of Repeated Measures.<br />
Problems in Measuring Change. Madison, Wisconsin: University of Wisconsin<br />
Press.<br />
Box, G. E. (1954). Some theorems on quadratic forms applied in the study of<br />
variance problems. Annals of Mathematical Statistics 25, 290-302, 484-498.<br />
Geisser, S. (1963). Multivariate analysis of variance for a special covariance case.<br />
Journal of the American Statistical Association 58, 660-669.<br />
Geisser, S. and Greenhouse, S. W. (1958). An extension of Box's results on the use<br />
of the F distribution in multivariate analysis. Annals of Mathematical Statistics<br />
29, 885-891.<br />
Greenhouse, S. W. and Geisser, S. (1959). On methods in the analysis of profile data.<br />
Psychometrika 24, 95-112.<br />
Hearne, F. M., Clarke, G. M., and Hatch. J. P. (1983). A test for serial correlation in<br />
univariate repeated-measures analysis. Biometrics 39, 237-243.<br />
Herbach, L. H. (1959). Properties of Mo<strong>de</strong>l-Il type analysis of variance tests, A:<br />
Optimum nature of the F-test for Mo<strong>de</strong>l II in the balanced case. Annals of<br />
Mathematical Statistics 30, 939-959.<br />
Huynh, H. (1978). Some appropriate tests for repeated measurements <strong>de</strong>signs.<br />
Psychometrika 43, 161-175.<br />
Huynh, H. and Feldt, L. S. (1970). Conditions un<strong>de</strong>r which mean square ratios in<br />
repeated measurements <strong>de</strong>signs have exact F-distributions. Journal of the<br />
American Statistical Association 65, 1582-1589.<br />
Jennrich, R. I. and Schluchter, M. D. (1988). Unbalanced repeated measures mo<strong>de</strong>ls<br />
with structural covariance matrices. Biometrics 42, 805-821.
Kepner, J. L. and Robinson, D. H. (1988). Nonparametric methods for <strong>de</strong>tecting<br />
treatment effects in repeated-measures <strong>de</strong>signs. Journal of the American<br />
Statistical Association 83, 456-461.<br />
Laird, N. M. and Ware, J. H. (1982). Random-effects mo<strong>de</strong>ls for longitudinal data.<br />
Biometrics 38, 963-974.<br />
Mallows, C. L. (1973). Some comments on Cp. Technometrics 15, 661-675.<br />
Miller, R. G. (1981). Simultaneous Statistical Inference. New York: Springer-Verlag.<br />
Miller, R. G. (1986). Beyond ANOVA, Basics of Applied Statistics. New York:<br />
Wiley. 83<br />
Morrison, D. F. (1976). Multivariate Statistical Methods. New York: McGraw-Hill.<br />
Olkin, I. and Vaeth, M. (1981). Maximum likelihood estimation in a two-way<br />
analysis of variance with correlated errors in one classification. Biometrika 68,<br />
653-660.<br />
Potthoff, R. F. and Roy, S. N. (1964). A generalized multivariate analysis of variance<br />
mo<strong>de</strong>l useful especially for growth curve problems. Biometrics 31, 313-326.<br />
Reinsel, G. (1982). Multivariate repeated-measurement or growth curve mo<strong>de</strong>ls with<br />
multivariate random-effects covariance structure. Journal of the American<br />
Statistical Association 77, 190-195.<br />
Reinsel, G. (1984). Estimation and prediction in a multivariate random effects<br />
generalized linear mo<strong>de</strong>l. Journal of the American Statistical Association 79,<br />
406-414.<br />
Scheffé, H. (1959). The Analysis of Variance. New York: Wiley.<br />
Wallenstein, S. and Fleiss, J. L. (1979). Repeated measurements analysis of variance<br />
when the correlations have a certain pattern. Psychometrika 44, 229-233.<br />
Walters, D. E. and Rowell, J. G. (1982). Comments on a paper by I. Olkin and M.<br />
Vaeth on two-way analysis of variance with correlated errors. Biometrika 69,<br />
664-666.