Pillai's Trace

Pillai's Trace (Pillai迹)

Pillai's Trace (Pillai迹) 是多元方差分析 (MANOVA) 中最常用的检验统计量之一。它由印度统计学家 K. C. Sreedharan Pillai 于1955年在发表于《Annals of Mathematical Statistics》的论文中提出，用于检验多组均值向量是否相等的假设检验。在MANOVA的四个经典检验统计量中——Wilks' Lambda、Hotelling's Trace、Roy's Largest Root 以及 Pillai's Trace——Pillai迹以其对假设违反的出色稳健性而受到应用统计学家的广泛推崇，尤其在样本量不等或协方差矩阵异质的情况下。

理论背景：MANOVA与多变量检验

在一元方差分析 (ANOVA) 中，检验多组均值是否相等仅需一个 $F$ 统计量。然而，当研究涉及多个相关的因变量时，逐一进行一元ANOVA会严重膨胀第一类错误率，且忽略了因变量之间的相关性结构。MANOVA 通过同时考虑所有因变量的线性组合来克服这一局限。

设共有 $k$ 个组，$p$ 个因变量，总样本量为 $N$。MANOVA 将总变异分解为组间变异 ($\mathbf{H}$) 和组内变异 ($\mathbf{E}$)：

• $\mathbf{H}$ (Hypothesis SSCP Matrix)：$p \times p$ 的假设平方和与交叉乘积矩阵，反映组均值之间的离散程度。
• $\mathbf{E}$ (Error SSCP Matrix)：$p \times p$ 的误差平方和与交叉乘积矩阵，反映组内个体观测的随机变异。

核心问题转化为：$\mathbf{H}$ 相对于 $\mathbf{E}$ 是否足够"大"？这等价于检验 $\mathbf{E}^{-1}\mathbf{H}$ 的非零特征值是否显著异于零。四个经典统计量从不同的数学角度量化了此"大小"。

定义与公式

令 $\mathbf{E}^{-1}\mathbf{H}$ 的非零特征值为 $\lambda_1 \geq \lambda_2 \geq \dots \geq \lambda_s > 0$，其中 $s = \min(k-1, p)$ 为可能的非零特征值个数。Pillai迹 $V$ 定义为：

从形式上看，$\lambda_i$ 是第 $i$ 个判别函数上组间变异与组内变异之比。比值 $\frac{\lambda_i}{1 + \lambda_i}$ 可被理解为第 $i$ 个判别维度所解释的方差占总方差的比例（类似于单变量中的 $\eta^2$），其取值范围天然限制在 $[0, 1)$ 之间。因此，Pillai迹的值域有界：$0 \leq V < s$。当各组均值完全相等时，$V$ 趋近于 0；组间差异越大，$V$ 越大。

与其他MANOVA统计量的比较

四个MANOVA统计量从不同角度聚合了特征值信息：

1. Wilks' Lambda：$\Lambda = \prod_{i=1}^{s} \frac{1}{1+\lambda_i} = \frac{|\mathbf{E}|}{|\mathbf{H} + \mathbf{E}|}$。由 Samuel S. Wilks 于1932年提出，是最早的多元检验统计量，等价于似然比检验 (Likelihood Ratio Test)。当 $\Lambda$ 越小，组间差异越大。Wilks' Lambda 是使用最广泛的准则，但当样本量不等且协方差矩阵异质时，其稳健性不如 Pillai迹。
2. Hotelling's Trace：$T = \operatorname{tr}(\mathbf{E}^{-1}\mathbf{H}) = \sum_{i=1}^{s} \lambda_i$。由Harold Hotelling于1931年提出，是Hotelling's T² 在两样本情形下向多样本的直接推广。Hotelling迹对所有特征值赋予等权重，其值无上界，在小样本中波动较大。
3. Roy's Largest Root：$\theta = \frac{\lambda_{\max}}{1 + \lambda_{\max}}$。由 S. N. Roy 于1953年提出，仅使用最大的特征值。Roy根在差异集中在一个判别维度时检验力最强，但如果差异分散在多个维度，其检验力会急剧下降。Roy根是最不稳健的统计量，易受离群值和协方差矩阵异质性的影响。
4. Pillai's Trace：$V = \sum_{i=1}^{s} \frac{\lambda_i}{1+\lambda_i}$。Pillai迹通过在比值中对每个特征值施加 $1/(1+\lambda_i)$ 的缩减权重，使得较大的 $\lambda_i$ 对统计量的贡献被部分压缩，而较小的 $\lambda_i$ 仍被保留。这种加权策略赋予了 Pillai迹在多个判别维度上均衡的检验力。

统计性质与稳健性优势

Pillai迹被公认为四个统计量中最为稳健，这源于以下几个紧密关联的统计性质：

对协方差矩阵异质性的稳健性

在真实数据中，各组协方差矩阵完全相等（即满足Box's M检验的 $H_0$）是罕见的。模拟研究（如 Olson, 1974, 1976）一致表明：当各组样本量不等且协方差矩阵不等时，Wilks' Lambda 和 Hotelling迹的假阳性率（实际第一类错误）可能严重偏离名义显著性水平。相比之下，Pillai迹的实证第一类错误率最接近名义水平，即使在小样本或中等违反程度下，偏差也远小于其他三个统计量。

有界取值与数值稳定性

因为 $0 \leq \frac{\lambda_i}{1+\lambda_i} < 1$，Pillai迹的值域为 $[0, s)$。这种有界性在出现多重共线性 (multicollinearity) 或某些特征值极大时尤为重要——Hotelling迹在极端情况下会发散，而 Pillai迹始终保持在可控区间内，便于跨研究的效应量比较和元分析 (Meta-analysis) 中的标准化汇报。

检验力特征

当组间差异均匀分布在多个判别维度上时，Pillai迹通常具有最优的检验力组合。Roy根仅在差异严格集中于第一个判别维度时占优（这在受控实验中偶有发生，但在观测研究中十分罕见）。Wilks' Lambda 和 Hotelling迹的检验力介于二者之间。因此，在缺乏关于差异维度结构的先验知识时，Pillai迹是最安全的选择。

统计推断与效应量

在大样本下，Pillai迹可借助近似 $F$ 分布进行显著性检验。令 $N$ 为总样本量，$k$ 为组数，$p$ 为因变量个数：

则构造的近似 $F$ 统计量为：

其中 $df_1 = s(2m + s + 1)$，$df_2 = s(2n + s + 1)$。若 $F$ 值超过给定显著性水平 $\alpha$ 下的临界值，则拒绝

的原假设。

在汇报MANOVA结果时，建议同时报告效应量指标。对于Pillai迹，偏 $\eta^2$ 的一个常用估计为 $V/s$，即每个维度的平均方差解释比例。此外，可以报告 Pillai迹的置信区间以辅助推断。

应用场景与报告建议

Pillai迹因其稳健性，在以下场景中被推荐为首选报告指标：

• 不等组设计：当各组样本量差异明显时（如临床实验中疾病组样本远小于对照组），Pillai迹对协方差矩阵异质性最为宽容。
• 重复测量设计：在重复测量ANOVA的多元方法中，多个时间点的测量值构成因变量向量。Pillai迹对违反球形假设 (sphericity) 的稳健性优于一元方法的 Greenhouse-Geisser 或 Huynh-Feldt 校正，是 SPSS 等软件中默认报告的多元指标之一。
• 探索性研究：当研究者对差异的维度结构缺乏明确先验假设时，Pillai迹提供了最全面和保守的总体检验。
• 协方差-均值关联：在协方差矩阵异质且与均值差异存在系统性关联（这在许多社会和行为科学数据中常见）时，Pillai迹的性能优势尤其突出。

然而，Pillai迹并非在所有情况下都是最优选择。其稳健性有时以牺牲一定检验力为代价——当协方差矩阵齐性确实成立且差异主要集中在少数维度时，Wilks' Lambda 可能略占优。因此，部分统计学家（如 Tabachnick \& Fidell, 2019）建议同时报告多个统计量：若四个统计量结论一致，结果的可靠性增强；若结论出现分歧（如 Pillai迹不显著而 Roy根显著），则提示差异可能高度集中于某一特定线性组合，需进一步通过判别分析或事后比较进行探查。

总之，Pillai迹凭借其对数据假设偏离的卓越容忍度和在多种实际条件下的稳定表现，已成为心理学、教育学、公共卫生和生物医学等领域的MANOVA分析中最为推荐的首选报告统计量。