第4章 方差分析.ppt

数据转换常用的转化方法 平方根转换 对数转换 反正弦转化 平方根转换 　　有些生物学观测数据为泊松分布而非正态分布，比如一定面积上某种杂草株数或昆虫头数等，样本平均数与其方差有比例关系，采用平方根转换可获得同质的方差。一般将原观测值转化成　　，数据较小时采用 对数转换 　　如果已知资料中的效应成比例而不是可加的，或者标准差（或极差）与平均数大体成比例时，可以使用对数变换。 反正弦转化 　　如果数据是比例或以百分率表示的，其分布趋向于二项分布，方差分析时应作反正弦转换，用下式把它们转化成一个相应的角度： 百分数资料 相应的 角度值 单因素 方差分析 方　差　分　析 基本假定 数据转换 二因素 方差分析 多因素 方差分析 缺失数据 的估计 试验数据的方差分析 组内观测次数相等 组内观测次数不等 无重复观测值 有重复观测值 小结 方差分析的基本步骤： 确定数学模型 进行多重比较 列方差分析表，进行F检验 平方和自由度的分解 处理数多于2个 本章小结 方差分析的思想和原理 方差分析中的基本假设 单因子方差分析 多因子方差分析 课后练习 见 word 文档 * * * SPSS　计算 chapter 5 大豆干重 。。。。。。 　　无重复观测值的二因素方差分析，所估计的误差实际上是这两个因素的相互作用，这是在两个因素不存在互作，或互作很小的情况下进行估计的。 　　但是，如果存在两个因素的互作，方差分析中就不能用互作来估计误差，必须在有重复观测值的情况下对试验误差进行估计。 二因素方差分析 无重复观测值的二因素方差分析 具有重复观测值的二因素方差分析 具有重复观测值的二因素方差分析 具有重复观测值的二因素方差分析 　　具有重复观测值的二因素试验的典型设计是：假定A因素有a水平，B因素有b水平，则每一次重复都包括ab次实验，设试验重复n次，资料模式在P104。 　　二因素具有重复观测值的方差分析用下面线性模型来描述： xijk = μ +αi +β j+(αβ)ij +εijk A因素第i 水平，B因素第j水平和第k次重复的观测值 总平均值 A因素第i水平的效应 B因素第j水平的效应 αi 和β j的交互作用 随机误差 模型中εijk彼此独立且服从标准正态分布（ 0 ,σ2） 　　因试验共有n次重复，试验的总次数为abn次。方差分析步骤和前面介绍的相类似，唯一不同的是F检验的方法。 （1）平方和的分解为： A处理的 样本容量 B处理的 样本容量 A处理、B处理和A×B互作的平方和 试验重复数 （3）各项的方差分别为 （2）自由度的分解为 （4）F检验： （ｂ）随机模型：对于随机模型， αi、βj、(αβ)ij 和εijk是相互独立的随机变量，都遵从正态分布。在F检验时，先检验A×B是否显著： （a）固定模型：在固定模型中， αi ，βj及(αβ)ij 均为固定效应。在F检验时，A因素、B因素和A×B互作项均以Se2作为分母。 检验A、B时，有： （ｃ）混合模型（以A为固定因素，Ｂ为随机因素为例）：在混合模型中， A和B的效应为非可加性，αi 为固定效应，βj及(αβ)ij 为随机效应。对A作检验时同随机模型，对B和A×B作检验时同固定模型，即： 　　在实际应用中，固定模型应用最多，随机模型和混合模型相对较少。 　　为了研究某种昆虫滞育期长短与环境的关系，在给定的温度和光照条件下在实验室培养，每一处理记录4只昆虫的滞育天数，结果列于表中，是对该材料进行方差分析。 光照（A） 温度（B） 250C 300C 350C 5h·d-1 143 138 120 107 101 100 80 83 89 93 101 76 10h·d-1 96 103 78 91 79 61 83 59 80 76 61 67 15h·d-1 79 83 96 98 60 71 78 64 67 58 71 83 不同温度及光照条件下某种昆虫滞育天数 SPSS练习：光照、温度、滞育天数 多重比较……. 　　在啤酒生产中，为了研究烘烤方式（A）与大麦水分（B）对糖化时间的影响，选了两种烘烤方式，4种水分共8种处理，每一处理重复三次，结果如下表。 烘烤方式(A) 水分(B) B1 B2 B3 B4 A1 12.0 9.5 16.0 18.0 13.0 10.0 15.5 19.0 14.5 12.5 14.0 17.0 A2 5.0 13.0 17.5 15.0 6.5 14.0 18.5 16.0 5.5 15.0 16.0 17.5 　　大麦水分是不均匀的，又不易控制，所以因素B是随机的，它的效应也是随机的，因此本题是一个混合模型的方差分析。 将上表中各观测值都减去10，计算后得 课堂练习：SPSS 　 1、正确输入数据 2、方差分析 3、解读分析结果 第四