第六章方差解说.ppt

第六章 方差分析推断性比较技术（二） 本章内容 6.1 方差分析的概念与方差分析的过程 6.2 单因素方差分析 6.3 双因素方差分析 6.3.1 无重复实验的双因素方差分析 6.3.2 重复实验的双因素方差分析 6.4 协方差分析 方差分析（Analysis of Variance）又称为变异数分析，是英国统计学家R.A.Fisher提出的一种统计检验方法（F检验）。它既可作为多组均数之间的显著性检验，也可作为方差之间的显著性检验。 在科学实验中常常要探讨不同实验条件或处理方法对实验结果的影响。通常是比较不同实验条件下样本均值间的差异。 例如，在学校教学中，探讨多种版本教材的实施效果，或者是研究不同教学方法对教学效果的影响等。 类似的问题都可以通过方差分析来处理。 方差分析是用以测量定类变量和定距变量的关系强度的方法。 当一个变量为定类变量（分类在3类以上），另一变量为定距变量时，两变量间是否有关，通常以分组平均数比较的方法来考察。即按照定类变量的不同水平来分组，看每个分组的定距变量的平均数是否有差异。不同组间的平均数差异越小，两个变量间的关系越弱；相反，平均数差异越大，变量间关系越强。 组内SSw 、组间SSb除以各自的自由度(组内dfw =n-m，组间dfb=m-1，其中n为样本总数，m为组数)，得到其均方MSw和MSb， MSb/MSw比值构成F分布，用F值与其临界值比较，推断各样本是否来自相同的总体： 一种情况是处理没有作用，即各组样本均来自同一总体，F=MSb/MSw≈1。 另一种情况是处理确实有作用，那么，F=MSbMSw (远远大于)。 方差分析的假设检验 零假设H0：m组样本均值都相同，即μ1= μ2=....= μm 如果经过计算结果组间均方远远大于组内均方（ MSbMSw ），FF0.05(dfb,dfw), p0.05，拒绝零假设， 说明样本来自不同的正态总体，说明处理造成均值的差异有统计意义；否则, FF0.05((dfb,dfw), p0.05不能拒绝零假设，说明样本来自相同的正态总体，处理间无差异。 总之，方差分析的基本思想是把所有观察值之间的变异分解为几个部分，即把描写观察值之间的变异的离均差平方和分解为某些因素的离均差平方和和随机抽样误差，进而计算其均方，然后相互比较，做统计学处理，确定各因素（控制变量）对研究对象的影响力大小。通过方差分析，分析不同水平的控制变量是否对结果产生了显著影响。 6.2 单因素方差分析 也称为一维方差分析，对二组以上均值加以比较。 检验由单一因素影响的一个（或几个相互独立的）分析变量由因素各水平分组的均值之间的差异是否有统计意义。 并可以进行两两组间均值的比较，称作组间均值的多重比较，还可以对该因素的若干水平分组中哪些组均值不具有显著性差异进行分析。 6.2 单因素方差分析 解决的问题类型 设有k个教学方案，各个方案的效果如表6.1所示。问：怎样判断这k个方案的效果是否有显著区别（均值是否相同）？ 所谓的单因素是指只有“方案”这个变量（因素）。不同方案就是“方案”这个变量的不同取值。这些不同的“取值”又称为“方案”这个因素的不同“水平”。 表 单因素方差分析的已知条件 6.2 单因素方差分析实例 P120 研究3个组（分别接受了3种不同的教学方法）在英语成绩上是否有显著差异，如表6.3所示。 6.2 单因素方差分析实例 根据数据建立数据文件“三组教学方法英语成绩.SAV”。 统计分析过程 Analyze-Compare Means-One-Way ANOVA Dependent List：english Factor：group Options选项:Descriptive描述统计量，Homogeneity-of-variance方差齐次性检验，Means plot均值分布图 Post Hoc选项: 均值多重比较LSD和Tamhane’s T2 （各种方法的使用条件——方差齐或不齐） Contrasts选项: 多项式比较，Polynomial-”Linear”（线性分解） 6.3 双因素方差分析 双因素方差分析用来研究两个自变量（如教学方法、性别）与一个因变量之间的关系，即同时比较两个自变量（或因素）。这些自变量又称为主效应。 具有两个或更多自变量的设计称为析因方差分析。析因方差分析的一个优点是：既能揭示各个自变量对因变量的作用，又能揭示自变量之间的相互作用；后者是一系列单因素方差分析所不能明显揭示的。 无重复实验的双因素方差分析的已知条件 重复实验的双因素方差分析的已知条件 6.3 双因素方差分析 统计分析过程 Analyze-General L