第六章方差要点.ppt

第六章 方差分析 方差分析(Analysis of variance，ANOVA) 又叫变量分析，是英国著名统计学家R . A . Fisher于20世纪提出的。它是用以检验两个或多个均数间差异的假设检验方法。它是一类特定情况下的统计假设检验，或者说是平均数差异显著性检验的一种引伸。 方差分析的基本功能 试验因素（ experimental factor）： 试验中所研究的影响试验指标的因素叫试验因素。 因素水平（level of factor）: 试验因素所处的某种特定状态或数量等级称为因素水平，简称水平。 试验处理（treatment）: 事先设计好的实施在实验单位上的具体项目就叫试验处理。 试验单位（ experimental unit ）: 在实验中能接受不同试验处理的独立的试验载体叫试验单位。 重复（repetition）: 在实验中，将一个处理实施在两个或两个以上的试验单位上，称为处理有重复；一处理实施的试验单位数称为处理的重复数。 第一节 方差分析的基本原理 二、数学模型 一、方差分析的基本思想、目的和用途 三、平方和与df的分解 四、统计假设的显著性检验 五、多重比较 观 测 值 不 同 的 原 因 处理效应(treatment effect)： 处理不同引起 试验误差：试验过程中偶然性 因素的干扰和测量误差所致。 方差：又叫均方，是标准差的平方，是表示变异的量。 在一个多处理试验中，可以得出一系列不同的观测值。 方差分析的基本思想 总 变 异 处 理 效 应 试 验 误 差 方差分析的目的 确定各种原因在总变异中所占的重要程度。 方差分析的用途 1. 用于多个样本平均数的比较 2. 分析多个因素间的交互作用 3. 回归方程的假设检验 4. 方差的同质性检验 1. 用于多个样本平均数的比较 2. 分析多个因素间的交互作用 二、数学模型 假定有k组观测数据，每组有n个观测值，则共有nk个观测值 … 用线性模型(linear model)来描述每一观测值： xij =μ + τi +εij (i=1,2,3…,k j=1,2,3…,n) μ －总体平均数 τi －处理效应 εij －试验误差 xij －是在第 i 次处理下的第 j 次观测值 二、数学模型 对于由样本估计的线性模型为： xij =x + ti +eij 处理间平均数的差异是由处理效应引起的： 处理内的变异是由随机误差引起： 1 n 1 n 每一个处理n 个观测值离均差平方和累加： 0 ( xi – x )2 n n 1 1 +∑ 1 n 总平方和 SST 处理内或组内平方和 SSe 处理间或组间平方和 SSt 把k 个处理的离均差平方在累加，得 总平方和＝处理间平方和 + 处理内平方和 SST ＝ SSt + SSe SST ＝ ∑∑ (x - x )2 1 n 1 k SST ＝ ∑x2 -C 令矫正数C＝ ，则： 总平方和：SST ＝ ∑x2 -C 处理内平方和：SSe = SST - SSt 总自由度也可分解为处理间自由度和处理内自由度： dfT = dft + dfe 总 df 处理间df 处理内df 自由度 dfT = nk-1 dft = k-1 dfe = dfT - dft = nk-1-(k-1) =nk-k = k(n-1) 根据各变异部分的平方和和自由度，可求得处理间方差（ st2 ）和处理内方差（ se2 ）： 平方和 自由度 方差 处理间 处理内 总变异 四、统计假设的显著性检验 ——F 检验 　　确定各种原因（处理效应、试验误差）在总变异中所占的重要程度。 处理间的方差（st2 ）可以作为处理效应方差的估计量 处理内的方差（se2 ）可以作为试验误差差异的估计量 方差分析的目的: F检验 从第三章我们已经知道，从一正态总体（μ ,σ2 ）中随机抽取两个样本，其样本方差s12 与s22 的比值为F ： F＝ 　　其F 分布曲线随着df1 和df2 的变化而变化。由于F 值表是一尾的（ F值的区间〔0，+∞) ），一般将大方差作分子，小方差作分母，使F 值大于1，因此，表上df1 的代表大方差自由度， df2 代表小方差自由度。 　　用处理效应的方差（st2 ）和实验误差的方差（se2 ）比较时，我们所做的无效假设是假设处理效应的变量和实验误差的变量是来自同一正态总体的两个样本，因此处理效应的方差（st2 ）和实验误差的方差（se2 ）的比值就是F 值，即 = 方差分析