Słownik metodologiczny · Testy statystyczne

Założenie sferyczności – co oznacza, jak je sprawdzić i którą poprawkę wybrać?

Sferyczność to założenie ANOVA z powtarzanymi pomiarami: wariancje różnic między wszystkimi parami pomiarów są równe. Pokazujemy, jak ją ocenić na przykładzie z czterema pomiarami, dlaczego test Mauchly’ego nie wystarcza i kiedy wybrać poprawkę Greenhouse’a–Geissera, a kiedy Huynha–Feldta.

Strona główna / Słownik / Założenie sferyczności
W skrócie: Założenie sferyczności oznacza, że w ANOVA z powtarzanymi pomiarami wariancje różnic między wszystkimi parami pomiarów są w populacji równe; przy dwóch pomiarach jest spełnione automatycznie. Jego naruszenie sprawia, że zwykły test F zbyt często daje wynik istotny. Nie opieraj decyzji na samym teście Mauchly’ego – sprawdź epsilon i stosuj poprawkę Greenhouse’a–Geissera (domyślnie) lub Huynha–Feldta (przy umiarkowanym naruszeniu), podając ułamkowe stopnie swobody.

Co to jest założenie sferyczności?

Założenie sferyczności (ang. sphericity, czasem circularity) to warunek poprawności klasycznego testu F w ANOVA z powtarzanymi pomiarami: wariancje różnic między wszystkimi parami pomiarów są w populacji równe. Dotyczy czynnika wewnątrzobiektowego z co najmniej trzema poziomami. Przy dwóch pomiarach istnieje tylko jedna różnica, więc założenie jest spełnione automatycznie i nie ma czego testować.

Przebieg całej analizy – podział zmienności, wielkość efektu i porównania parami – omawiamy w haśle o ANOVA z powtarzanymi pomiarami. Tu skupiamy się na samym założeniu: co znaczy, jak je ocenić, dlaczego test Mauchly’ego nie wystarcza i którą poprawkę ε wybrać. Nie myl go z testem sferyczności Bartletta z analizy czynnikowej – ten sprawdza, czy macierz korelacji pozycji różni się od macierzy jednostkowej, czyli zupełnie co innego.

Sferyczność to równe wariancje różnic

Dla każdej osoby można policzyć różnicę wyników między dwoma pomiarami, np. T3 − T1. Wariancja takiej różnicy zależy od wariancji obu pomiarów i ich kowariancji:

var(Xi − Xj) = σi² + σj² − 2σij

Sferyczność oznacza, że ta wielkość jest taka sama dla wszystkich par. Warunkiem wystarczającym jest tzw. symetria złożona (równe wariancje pomiarów i równe kowariancje), ale nie jest on konieczny. Odwrotnie też nie działa: równe odchylenia standardowe w kolejnych pomiarach nie gwarantują sferyczności, bo decyduje również to, jak silnie pomiary są ze sobą skorelowane.

W badaniach podłużnych (zob. schemat podłużny) założenie jest często naruszone w przewidywalny sposób: pomiary bliskie w czasie korelują silniej niż odległe, więc różnica między pierwszym a ostatnim pomiarem jest u różnych osób znacznie bardziej zróżnicowana niż różnica między sąsiednimi pomiarami. Konsekwencją jest zbyt liberalny test F: w symulacji Blanki i in. (2023) nieskorygowany test stawał się tym bardziej liberalny, im silniej naruszona była sferyczność, czyli częściej dawał fałszywe alarmy (błąd I rodzaju).

Test Mauchly’ego i jego ograniczenia

Klasycznym sposobem sprawdzania założenia jest test zaproponowany przez Mauchly’ego (1940). Jego hipoteza zerowa mówi, że sferyczność jest spełniona; statystyka W przyjmuje wartości od 0 do 1 (1 = pełna sferyczność) i jest przeliczana na χ² z k(k − 1)/2 − 1 stopniami swobody. Wiele podręczników zaleca: test istotny – zastosuj poprawkę, nieistotny – raportuj wynik bez poprawki. Ta reguła ma słabe punkty:

  • mała moc w małych próbach – test często nie wykrywa realnego naruszenia (pokazuje to przykład niżej);
  • nadwrażliwość w dużych próbach – wykrywa odstępstwa bez praktycznego znaczenia;
  • wrażliwość na brak normalności – Blanca i in. (2023) przypominają wyniki wcześniejszych symulacji, według których test Mauchly’ego nie kontroluje błędu I rodzaju przy nienormalnych danych i jest mało czuły na niewielkie odstępstwa od sferyczności.

Dlatego ważniejsza od wyniku testu jest miara odstępstwa – epsilon (ε).

Epsilon: Greenhouse–Geisser, Huynh–Feldt i dolna granica

Epsilon mówi, jak bardzo dane odbiegają od sferyczności: ε = 1 oznacza pełną sferyczność, a najmniejsza możliwa wartość to 1/(k − 1), czyli .33 przy czterech pomiarach. Poprawka polega na pomnożeniu obu liczb stopni swobody przez oszacowanie ε; sama wartość F się nie zmienia, zmienia się rozkład, z którym ją porównujemy.

dfefekt = ε × (k − 1),   dfbłąd = ε × (k − 1)(n − 1)
Porównanie poprawek stopni swobody przy naruszeniu sferyczności
PoprawkaJak działaKiedy
Greenhouse–Geisser (εGG)klasyczne oszacowanie ε, test zachowawczy (Greenhouse i Geisser, 1959)wybór domyślny, zwłaszcza przy εGG < .60
Huynh–Feldt (εHF)mniej obciążone oszacowanie ε, gdy naruszenie nie jest duże (Huynh i Feldt, 1976); wartości powyżej 1 obcina się do 1umiarkowane naruszenie, εGG od .60 do .90
Dolna granicaε = 1/(k − 1), czyli df = 1 i n − 1najbardziej zachowawcza, rzadko potrzebna

Najnowsze rekomendacje opierają się na symulacjach. Blanca i in. (2023) pokazali, że obie poprawki kontrolują błąd I rodzaju, a Greenhouse–Geisser jest bardziej zachowawcza. Zalecają ją jako wybór domyślny, a gdy poprawki prowadzą do różnych wniosków – Greenhouse’a–Geissera przy ε̂ < .60 i Huynha–Feldta przy ε̂ od .60 do .90; według autorów taka reguła może zastąpić wstępny test Mauchly’ego. Haverkamp i Beauducel (2017) również wskazują poprawkę Huynha–Feldta jako dobry wybór, zwłaszcza w małych próbach z wieloma pomiarami. Spotykaną w podręcznikach regułę z progiem .75 traktuj jako przybliżenie.

Przykład: lęk w czterech pomiarach

Dwadzieścia cztery osoby (dane symulowane) uczestniczyły w programie redukcji lęku. Nasilenie lęku mierzono kwestionariuszem GAD-7 (0–21) przed programem (T1), po 4 tygodniach (T2), po 8 tygodniach (T3) i 3 miesiące po zakończeniu (T4). Średnie wyniosły 11.96, 9.79, 7.83 i 8.25, a odchylenia standardowe – od 3.61 do 4.31, czyli były do siebie podobne. Sferyczność dotyczy jednak różnic:

Wariancje różnic dla sześciu par pomiarów
Para pomiarówOdstępWariancja różnicyKorelacja pomiarów
T2 − T1sąsiednie7.97.72
T3 − T2sąsiednie8.65.75
T4 − T3sąsiednie7.91.78
T3 − T1co drugi pomiar12.03.63
T4 − T2co drugi pomiar14.52.56
T4 − T1pierwszy i ostatni19.09.37

Wariancja różnicy T4 − T1 (19.09 = 17.24 + 13.00 − 2 × 5.58) jest 2.2–2.4 raza większa niż wariancje różnic sąsiednich pomiarów (7.91–8.65), bo T1 i T4 korelują tylko na poziomie .37. Przy sferyczności wszystkie słupki na rysunku 1 miałyby podobną wysokość.

Panel A: wariancje różnic dla sześciu par pomiarów – od 7.91 i 7.97 dla sąsiednich pomiarów do 19.09 dla T4 − T1, średnia 11.69; panel B: macierz korelacji – pomiary sąsiednie korelują na poziomie .72–.78, a T1 i T4 tylko .37
Rysunek 1. A: wariancje różnic dla wszystkich sześciu par pomiarów (czerwona linia – ich średnia). B: korelacje między pomiarami – im dalej od przekątnej, tym słabsze. Ten wzór typowy dla badań podłużnych narusza sferyczność. Obliczenia: R (dane symulowane).

Krok 1. Test Mauchly’ego i ε. Test nie był istotny: W = .62, χ²(5) = 10.42, p = .064. Mimo to εGG = .74, a εHF = .82 – odstępstwo jest wyraźne, a 24 osoby to za mało, by test Mauchly’ego je wykrył. Mechaniczna reguła „nieistotny test – brak poprawki” prowadziłaby tu do raportowania zbyt liberalnego testu.

Krok 2. Test główny z poprawkami. Wartość F = 14.32 jest we wszystkich wersjach taka sama; zmieniają się stopnie swobody:

Wynik ANOVA z powtarzanymi pomiarami bez poprawki i z poprawkami
Wersjaεdfp
Bez poprawki13, 69< .001
Greenhouse–Geisser.742.23, 51.18< .001
Huynh–Feldt.822.47, 56.91< .001
Dolna granica.331, 23< .001

Efekt czasu jest istotny niezależnie od poprawki (η²G = .14; o tej mierze piszemy w haśle eta kwadrat), więc wybór poprawki nie zmienia wniosku. Zgodnie z regułą Blanki i in. (2023) przy εGG = .74 można raportować wynik z poprawką Greenhouse’a–Geissera albo – gdyby wnioski się różniły – Huynha–Feldta. Podejście wielowymiarowe (MANOVA na różnicach), które w ogóle nie wymaga sferyczności, daje ten sam wniosek: ślad Pillaia V = .60, F(3, 21) = 10.49, p < .001.

Co daje poprawka? Symulacja błędu I rodzaju

Żeby zobaczyć skutki naruszenia, wylosowaliśmy po 20 000 badań z 24 osobami i czterema pomiarami, w których hipoteza zerowa była prawdziwa (średnie we wszystkich pomiarach równe), dla trzech populacji: ze sferycznością, z umiarkowanym naruszeniem (ε = .71 – populacja, z której pochodzi nasz przykład) i z silnym naruszeniem (ε = .48).

Odsetek fałszywych alarmów przy prawdziwej H0: przy sferyczności 4.7% bez poprawki, 4.0% z poprawką Greenhouse’a–Geissera i 4.5% z poprawką Huynha–Feldta; przy ε = .71 odpowiednio 7.0%, 4.7% i 5.2%; przy ε = .48 – 9.2%, 5.0% i 5.4%
Rysunek 2. Odsetek wyników istotnych (α = .05) w 20 000 badań na wariant, gdy w populacji nie ma żadnej różnicy między pomiarami. Linia przerywana – nominalne 5%. Obliczenia: R (dane symulowane).

Bez poprawki odsetek fałszywych alarmów rośnie z 4.7% przy sferyczności do 7.0% przy ε = .71 i 9.2% przy ε = .48. Obie poprawki utrzymują go blisko 5%; Greenhouse–Geisser jest nieco zachowawczy (4.0% przy spełnionej sferyczności). Ta sama symulacja pokazuje słabość testu Mauchly’ego: przy ε = .71 wykrył naruszenie w 83.2% badań, czyli w co szóstym badaniu przeoczyłby je – jak w naszym przykładzie.

Jak opisać wynik w pracy (APA)

Podaj wynik testu Mauchly’ego (jeśli go wykonano), wartość ε i nazwę poprawki, ułamkowe stopnie swobody z dwoma miejscami po przecinku oraz wielkość efektu:

Ponieważ oszacowanie epsilon Greenhouse’a–Geissera wskazywało na odstępstwo od sferyczności (ε = .74), mimo nieistotnego wyniku testu Mauchly’ego, W = .62, χ²(5) = 10.42, p = .064, zastosowano poprawkę Greenhouse’a–Geissera. Nasilenie lęku istotnie różniło się między czterema pomiarami, F(2.23, 51.18) = 14.32, p < .001, η²G = .14.

Jeśli zgodnie z planem analizy stosujesz poprawkę Huynha–Feldta, wpisz F(2.47, 56.91) = 14.32, p < .001 i podaj εHF = .82. Pełny opis analizy z porównaniami parami znajdziesz w poradniku ANOVA krok po kroku, a gotowe zdania – w tekście jak opisać wyniki w stylu APA.

Przykład reprodukowalny

Sferyczność w R i SPSS

Kod generuje dane z przykładu (populacja o umiarkowanym naruszeniu sferyczności), liczy wariancje różnic dla sześciu par pomiarów i wykonuje ANOVA z powtarzanymi pomiarami w pakiecie afex z testem Mauchly’ego i poprawkami ε. Liczby w tekście pochodzą z tego kodu; statystykę χ² testu Mauchly’ego, podejście wielowymiarowe, rysunki i symulację zawiera pełny skrypt strony.

Test Mauchly’ego i poprawki Greenhouse’a–Geissera oraz Huynha–Feldta

Dane wejściowe: nasilenie lęku (GAD-7) u 24 osób w czterech pomiarach (dane symulowane, set.seed(132)).

Co odczytać: wariancje różnic, Mauchly Tests for Sphericity (statystyka W i p), GG eps i HF eps, poprawione df oraz ges (η²G; .145 to zaokrąglenie wartości 0.14498, czyli .14).

R
library(MASS); library(afex)
sdv <- c(3.4, 4.0, 4.6, 5.2)                         # dane symulowane: lęk (GAD-7, 0–21)
Sigma <- diag(sdv) %*% (0.75^abs(outer(1:4, 1:4, "-"))) %*% diag(sdv)
set.seed(132)
x <- pmin(pmax(round(mvrnorm(24, mu = c(12, 9.6, 8.2, 8.6), Sigma = Sigma)), 0), 21)
colnames(x) <- c("T1", "T2", "T3", "T4")             # wiersz = osoba, kolumna = pomiar

pary <- combn(4, 2)                                  # wariancje różnic dla 6 par pomiarów
round(sapply(1:6, function(j) var(x[, pary[2, j]] - x[, pary[1, j]])), 2)

dane <- data.frame(id = factor(rep(1:24, 4)), czas = factor(rep(colnames(x), each = 24)),
                   lek = c(x))                       # format długi
fit <- aov_ez(id = "id", dv = "lek", data = dane, within = "czas")
summary(fit)                                         # test Mauchly'ego, epsilon GG i HF
nice(fit, es = "ges", correction = "GG")             # wynik z poprawką Greenhouse'a–Geissera
nice(fit, es = "ges", correction = "HF")             # wynik z poprawką Huynha–Feldta
Wynik w R
[1]  7.97 12.03 19.09  8.65 14.52  7.91

Univariate Type III Repeated-Measures ANOVA Assuming Sphericity

            Sum Sq num Df Error SS den Df F value    Pr(>F)    
(Intercept) 8588.2      1  1077.33     23 183.349 1.913e-12 ***
czas         251.1      3   403.42     69  14.315 2.383e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1


Mauchly Tests for Sphericity

     Test statistic  p-value
czas        0.61904 0.064479


Greenhouse-Geisser and Huynh-Feldt Corrections
 for Departure from Sphericity

     GG eps Pr(>F[GG])    
czas 0.7417  5.778e-06 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

        HF eps   Pr(>F[HF])
czas 0.8247553 2.066957e-06
Anova Table (Type 3 tests)

Response: lek
  Effect          df  MSE         F  ges p.value
1   czas 2.23, 51.18 7.88 14.32 *** .145   <.001
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘+’ 0.1 ‘ ’ 1

Sphericity correction method: GG 
Anova Table (Type 3 tests)

Response: lek
  Effect          df  MSE         F  ges p.value
1   czas 2.47, 56.91 7.09 14.32 *** .145   <.001
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘+’ 0.1 ‘ ’ 1

Sphericity correction method: HF

SPSS

Ścieżka: Analiza → Ogólny model liniowy → Powtarzane pomiary (ang. Analyze → General Linear Model → Repeated Measures); nazwij czynnik (np. czas), podaj 4 poziomy i przypisz kolumny T1–T4.

Co odczytać: tabela „Test sferyczności Mauchly’ego” podaje W, przybliżone χ², df, istotność i trzy oszacowania epsilon (Greenhouse–Geisser, Huynh–Feldt, dolna granica). W tabeli „Testy efektów wewnątrzobiektowych” wybierz wiersz odpowiadający poprawce – F jest w każdym wierszu takie samo, różnią się df i istotność.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. afex (wersja 1.5.1): Singmann, H., Bolker, B., Westfall, J., Aust, F., & Ben-Shachar, M. S. (2025). afex: Analysis of factorial experiments [R package]. https://doi.org/10.32614/CRAN.package.afex
  3. MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Decyzja wyłącznie na podstawie testu Mauchly’ego – w małej próbie przeoczy naruszenie, w dużej zgłosi nieistotne. Patrz na ε.
  • Sprawdzanie równości wariancji pomiarów zamiast wariancji różnic – podobne odchylenia standardowe T1–T4 nie przesądzają o sferyczności; to nie jest założenie homogeniczności wariancji z ANOVA dla grup niezależnych.
  • Raportowanie F(3, 69) po zastosowaniu poprawki – podaj ułamkowe stopnie swobody, np. F(2.23, 51.18), oraz nazwę poprawki i ε.
  • Testowanie sferyczności przy dwóch pomiarach – jest wtedy spełniona z definicji; programy pokazują ε = 1.
  • Poprawianie porównań parami poprawką ε – testy t dla par pomiarów korzystają z własnej wariancji różnic i nie wymagają sferyczności; potrzebują za to korekty na porównania wielokrotne.
  • Przejście na test Friedmana tylko z powodu naruszonej sferyczności – wystarczy poprawka ε, MANOVA albo model wielopoziomowy z odpowiednią strukturą kowariancji.

Najczęstsze pytania

Co oznacza założenie sferyczności?

Że w populacji wariancje różnic między wszystkimi parami pomiarów są równe – np. różnica T2 − T1 jest u różnych osób tak samo zróżnicowana jak T4 − T1. Dotyczy ANOVA z powtarzanymi pomiarami z co najmniej trzema poziomami czynnika wewnątrzobiektowego; przy dwóch pomiarach jest spełnione automatycznie.

Jak raportować ANOVA z powtarzanymi pomiarami, gdy sferyczność jest naruszona?

Nie rezygnuj z analizy. Zastosuj poprawkę stopni swobody – domyślnie Greenhouse’a–Geissera – i podaj ε oraz ułamkowe df, np. F(2.23, 51.18). Alternatywą jest podejście wielowymiarowe (MANOVA) albo model wielopoziomowy z odpowiednią strukturą kowariancji.

Czy przy nieistotnym teście Mauchly’ego można pominąć poprawkę?

Nie zawsze. W małych próbach test Mauchly’ego często nie wykrywa realnego naruszenia – w przykładzie na tej stronie p = .064, choć εGG = .74. Blanca i in. (2023) proponują opierać wybór na wartości ε, a nie na wyniku testu.

Kiedy wybrać poprawkę Huynha–Feldta zamiast Greenhouse’a–Geissera?

Greenhouse–Geisser jest bardziej zachowawcza i jest bezpiecznym wyborem domyślnym. Gdy obie poprawki prowadzą do różnych wniosków, Blanca i in. (2023) zalecają Greenhouse’a–Geissera przy ε̂ < .60, a Huynha–Feldta przy ε̂ od .60 do .90. Zawsze napisz w pracy, którą poprawkę zastosowano.

Czym różni się sferyczność od homogeniczności wariancji?

Homogeniczność wariancji dotyczy grup niezależnych i sprawdza się ją np. testem Levene’a. Sferyczność dotyczy pomiarów powtarzanych i wariancji różnic między nimi, więc zależy też od korelacji pomiarów. Podobne odchylenia standardowe w kolejnych pomiarach nie gwarantują sferyczności.

Gdzie znaleźć test sferyczności w SPSS?

W oknie Analiza → Ogólny model liniowy → Powtarzane pomiary. SPSS automatycznie pokazuje tabelę „Test sferyczności Mauchly’ego” z wartościami epsilon, a w tabeli testów efektów wewnątrzobiektowych – wyniki bez poprawki i z poprawkami Greenhouse’a–Geissera, Huynha–Feldta oraz dolnej granicy.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Blanca, M. J., Arnau, J., García-Castro, F. J., Alarcón, R., & Bono, R. (2023). Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best? Frontiers in Psychology, 14, Article 1192453. https://doi.org/10.3389/fpsyg.2023.1192453 ● Otwarty dostęp
  2. Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
  3. Haverkamp, N., & Beauducel, A. (2017). Violation of the sphericity assumption and its effect on Type-I error rates in repeated measures ANOVA and multi-level linear models (MLM). Frontiers in Psychology, 8, Article 1841. https://doi.org/10.3389/fpsyg.2017.01841 ● Otwarty dostęp
  4. Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
  5. Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731915 ● Otwarty dostęp

Cytowania BibTeX

@article{blanca2023repeated, author={Blanca, María J. and Arnau, Jaume and García-Castro, F. Javier and Alarcón, Rafael and Bono, Roser}, title={{Repeated measures ANOVA and adjusted F-tests when sphericity is violated: Which procedure is best?}}, journal={Frontiers in Psychology}, year={2023}, volume={14}, eid={1192453}, doi={10.3389/fpsyg.2023.1192453}}
@article{greenhouse1959methods, author={Greenhouse, Samuel W. and Geisser, Seymour}, title={{On methods in the analysis of profile data}}, journal={Psychometrika}, year={1959}, volume={24}, number={2}, pages={95--112}, doi={10.1007/bf02289823}}
@article{haverkamp2017violation, author={Haverkamp, Nicolas and Beauducel, André}, title={{Violation of the sphericity assumption and its effect on Type-I error rates in repeated measures ANOVA and multi-level linear models (MLM)}}, journal={Frontiers in Psychology}, year={2017}, volume={8}, eid={1841}, doi={10.3389/fpsyg.2017.01841}}
@article{huynh1976estimation, author={Huynh, Huynh and Feldt, Leonard S.}, title={{Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs}}, journal={Journal of Educational Statistics}, year={1976}, volume={1}, number={1}, pages={69--82}, doi={10.3102/10769986001001069}}
@article{mauchly1940significance, author={Mauchly, John W.}, title={{Significance test for sphericity of a normal n-variate distribution}}, journal={The Annals of Mathematical Statistics}, year={1940}, volume={11}, number={2}, pages={204--209}, doi={10.1214/aoms/1177731915}}
R