第九章方差分析.doc

第九章 方差分析 一个事物的发展变化，常常受到多种因素的影响。例如产品质量的高低要受到原材料，工艺条件，工人的技术水平等影响，如何通过试验数据的分析确定在可能影响质量的诸多因素中哪些对产品质量指标有显著影响，哪些没有显著影响，这是方差分析要解决的主要问题。方差分析对于分清因素的影响重要与否,提供了有效方法。而回归分析是研究变量间的相关关系的,通过建立回归模型来描述变量间的关系,对模型进行加工得到回归方程,经检验有效后可用来作预报或控制，它是数理统计的一大应用方法。 §9.1 方差分析的简要介绍 方差分析是20世纪20年代发展起来的一种统计方法，它被广泛用于分析心理学、生物学、工程和医药实验数据的处理。其主要用来检验两个以上样本的平均值差异的显著程度，由此判断样本究竟是否抽自具有同一均值的总体。从本质上来讲，方差分析研究的是变量之间的关系。方差分析对于比较不同生产工艺或设备条件下产量、质量的差异，分析不同计划方案效果的好坏和比较不同地区、不同人员有关的数量指标差异是否显著时，是非常有用的。本章将介绍单因素方差分析和双因素方差分析。 9.1.1 方差分析及其有关术语 例9.1.1 某洗衣机生产商研发部门研制了一种新型的洗衣机。与市场上其它类型的洗衣机相比，该型号的洗衣机有三大优点 ：外形美观（时尚）、使用方便（全自动控制）、节电（平均省电20%）。针对以上优点市场营销经理想知道如何对该产品进行市场开发。为方便决策，经理决定做一个试验。他选择了三个差不多的城市进行广告投放，不同的城市强调不同的优点：A城市强调外形美观，B城市强调使用方便，C城市强调节电。考察不同的广告策略对销售量的影响。试验记录了不同城市10周的销售量数据，如表9.1。营销经理想知道不同的广告策略对销售量有没有影响。 表9.1 三个不同城市的周销售量数据 销售量观察值 城市 城市A 城市B 城市C 1 414 360 450 2 388 339 297 3 407 394 392 4 349 400 396 5 332 313 325 6 376 316 363 7 357 526 425 8 433 438 334 9 282 491 358 10 482 487 376 11 350 439 370 12 405 439 394 13 349 378 460 14 253 352 470 15 386 393 423 为了判断不同广告策略对销售量的影响，其实就是检验三个总体均值是否相等。如果均值相等，就表明不同城市对销售量没有影响，即不同的广告策略对销售的影响不显著；如果均值不全相等，则意味着“城市”对销售量有影响，即不同的广告策略对销售量的影响是显著的。 在方差分析中把所要检验的对象称为因素或因子（factor），像上例中的“城市”就是因素或因子。把因素的不同水平称为水平或处理(treatment)，比如上例因素“城市”的三个水平是城市A、城市B、城市C.而每个水平下得到的样本数据称为观测值，上例每个水平下的观察值的个数都是15个。上例中只考虑“城市”一个因素对销售量的影响，因此把试验称为单因素试验。试验的每个水平可以看成是一个总体，例如城市A、城市B、城市C可以看成3个总体，不同的销售量数据可以看成是从这3个总体中抽取出来的样本数据。上述检验不同总体下的均值的差异所用的方法就是方差分析方法。今后把只有一个因素的方差分析方法称为单因素方差分析。在上例中除了考虑不同广告策略对销售量的影响外，如果还想知道不同的媒体（电视，报纸）对销售量的影响。在有数据之后，同样可以用方差分析的方法来进行检验。由于此时方差分析中涉及到两个不同的因素“媒体”和“城市”，因此把这样的方差分析方法称为双因素方差分析。类似的也有多因素方差分析法。 9.1.2 方差分析的基本思想和原理 怎样判断“城市”这一因素是否销售量有显著影响呢？首先我们画出它们的散点图，如图9.1所示，图中折线是由不同总体下观察值的均值通过折线连接而成的。 从散点图可以看出，不同的城市的销售量是有差异的。而且，即使在同一个城市，不同的周之间的数据也是有不同的。图中表明城市B的平均销售量最高，而城市A的销售量最低。这表明不同的城市对销售量是有影响的，也即不同的广告策略所对应的销售量也不同。 图9.1 不同城市的销售量数据 但是，仅仅从散点图上观察还不能提供充分的证据证明不同城市销售量之间有显著的不同，也许这种差异性只是由于随机性引起的。因此需要更准确的方法来检验这种差异是否显著，也就是进行方差分析。这里考察的是不同总体的均值之间的差异是否显著，但方差分析方法正如其名是通过对数据误差来源的分析来实现的。下面就来分析一下造成数据误差的不同来源，结合表9.1