[生物统计课件杜荣骞]第八章多因素方差分析.pptVIP

第八章 两因素及多因素方差分析 如果因素A和因素B都是随机因素，则构成随机模型。对于随机模型的每一观测值，可以用下面的统计模型来描述： ， 二、随机效应模型 1. 线性统计模型 同种作物种于不同的地块并施以不同数量的肥料，考察地块和施肥量对产量的影响。地块是随机选出的，属于随机因素。肥料的肥力水平的很难人为控制，故也是随机因素。 但模型参数 ， ， 和 都是随机变量，应满足的条件变为： ， ， 和 。 因此观察值的方差变为： 其中 ， ， 和 称为方差分量。 零假设分别是： 2. 均方期望与统计量F的确定 总变差的分解仍同固定模型一样，自由度也不变： df 分别为：abn-1，a-1，b-1，(a-1)(b-1)和ab(n-1) 各均方数学期望分别为： 注意：MSA，MSB均方期望中，均含交互作用项 。 原因：在随机模型中，交互作用应满足的条件变为 。由于 是随机变量，不再保 证 。这样一来，MSA，MSB表达式中 ， 和 均不能把 消掉，故出现在均方期望中。 从均方的数学期望可以看出，对 ： 的检验统计量应当是： 与 做比较。 当 时， 和 都是 的无偏估计量，接受 ： 的假设。这时应将 和 合并，相应的自由度也做同样的合并。用合并的平方和与合并的自由度求出合并后的均方，用合并后的均方检验因素A和因素B的效应。 若 ， 不是 的无偏估计量，拒绝 ： 的假设。 由于MSA，MSB的均方期望含有交互作用项，检验主效应的统计量也就不能再用MSe做分母，而需要改用MSAB了。 因此，检验各假设的统计量分别变为： 对检验结果的解释不局限于参加实验的水平，可推广到一切水平上。 根据均方期望求各方差的估计值： 与固定模型相同，若FAB的值小于或约等于1，说明交互作用不存在，则可把SSe与SSAB合并。合并方法也与固定模型相同，即为： 然后用 作分母构造统计量FA与FB。查表时分母自由度也为 对随机效应模型，多重比较无意义，因为处理的效果无法严格重复。 随机效应模型的方差分析表（A、B因素随机型 ） 表1 不同地块使用不同数量的肥料对作物产量的影响分析表 例：设计一个两因素的试验来研究不同地块使用不同数量的肥料对作物产量的影响，结果列入下表： 解：随机模型的各项平方和的计算和固定模型一样。表中每个 均减去9.5，列成下表： 表2 作物产量方差分析计算表 表3 作物产量方差分析计算表 利用 列列成下表： 列成方差分析表： 结论：所抽出的不同地块对产量没有显著影响；但不同的施肥数量对产量的影响极显著。 表4 作物产量方差分析表 三、混合效应模型 1. 线性统计模型 假设A因素是固定型，B因素是随机型，则称为混合模型。混合模型中，每一观测值的线性统计模型仍为： ， 模型参数 是固定效应，所以 。 是随机效应， 交互作用 被认定是随机效应，