第五章方差！.docVIP

方差分析 方差分析(analysis of variance)又称变量分析。作为一种统计假设检验方法，方差分析与t检验相比，应用更加广泛，且对问题分析的深度加强，因而它是试验研究中分析试验数据的重要方法。 上一章介绍了单个样本均数与总体均数及两样本均数相比较的假设检验方法。但在生产实践中，经常会遇到检验多个样本均数差异是否显著的问题，此时 t检验方法不再适用。这是因为： ① 检验程序繁琐。倘若处理数为k时，则需进行k（k一1）/2检验。随着处理数增多，使得统计假设检验十分繁琐。如K=10，则有=45个比较。 ② 无统一的试验误差，且对试验误差估计的精确性降低。且把多个样本两两比较，破坏的试验的完整性。 ③ 夸大了样本间的差异，增大了犯Ⅰ型错误的概率。在多个处理均数比较时，若仍使用t检验的方法必然降低a水准，会对有些平均数之间差异性估计过高，把本来没有差异的两个处理误认为有显著差异，而且处理数越多，产生这种I型错误的概率就越大。这里的主要原因：一是对导致变异的各种因素所起作用的大小量的估计不精确；二是因为没有考虑相互比较的多个处理均数依其大小依次排列的秩次距问题。 为了解决上述问题，1923年英国的统计学家R. A. Fisher提出了方差分析。这种方法是将k个处理的观察值作为一个整体看待，把表示观察值总变异的平方和及其自由度分解为相应于不同变异原因的平方和及自由度，进而获得不同变异原因的总体方差估计值，通过计算这些估计值的适当比值就能检验各样本所属总体均值是否相等。概括来讲，方差分析的最大功用在于： ①它能将引起变异的多种因素的各自作用一一剖析出来，做出量的估计，进而辨明哪些因素是起主要作用的，哪些因素是起次要作用的。 ②它能充分利用资料提供的信息将试验中由于偶然因素造成的随机误差无偏地估计出来，从而大大提高了对试验结果分析的精确性，为统计假设检验的可靠性提供了科学的理论依据。 因此方差分析的实质是关于观察值变异的原因的数量分析，是科学研究的重要工具。 方差分析的基本原理 一 平方和与自由度的分解 方差分析之所以能将试验数据的总变异分解成各种因素所引起的相应变异，是根据总平方和与总自由度的可分解性而实现的。方差即标准差的平方，是平方和与相应自由度的比值。在方差分析中通常将各种样本方差称为均方(mean squares) 。 下面根据单因素试验资料的模式说明平方和与自由度的分解。设一个试验共有k个处理，每个处理n个重复，则该试验资料共有nk个观察值，其数据分组如表5-1所示。 表5-1 k个处理每个处理有n个观察值的数据模式 反映全部观察值总变异的总平方和是各观察值与总平均数的离均差平方和，记为SST。即 因为 其中 所以 （总平方和） （处理间平方和） （处理内平方和或误差平方和） SST SSt SSe 同理，自由度也可以分解为两部分： （注：平方和、自由度可积加，方差不能积加） （1） 在计算总平方和时，资料中各观察值要受到这一条件的约束，故总自由度等于资料中观察值的总个数减1，即nk-1。总自由度记为＝nk一1。4 （2）在计算处理间平方和时，各处理均数要受到这一条件的约束，故处理间的自由度为处理数减1,处理间的自由度记为=k一1。 （3） 在计算处理内平方和时要受k个条件的约束，即。故处理内自由度为资料中观察值总个数减k，即nk-k。处理内自由度记为dfe，即dfe=nk-k=k(n-1)，这实际上是各处理内的自由度之和。 因为 所以 在实际计算中，可用以下简便公式： 式中 各种平方和除以各自的自由度便得到总均方、处理间均方和处理内均方，分别记为MST, MSt, MSe。即 MSe实际是各处理内变异的合并均方。 [例5-1]以淀粉为原料生产葡萄糖的过程中，残留有许多糖蜜可作为生产 酱色的原料。在生产酱色之前应尽可能彻底除杂，以保证酱色质量。今选用五种 不同的除杂方法，每种方法做4次试验，各得4个观察值，结果见表5-2，试分析不同除杂方法的除杂效果有无差异？ 表5-2不同除杂方法的除杂量 g/kg 除杂方法（Ai） 除杂量（xij） 合计（xi.） 平均 均方 A1 25.6 24.4 25.0 25.9 100.9 25.2 0.443 A2 27.8 27.0