第三章 单变量描述统计分析.pptVIP

* * * * * 因此，广播和体验的方式下，两者销售额的平均值不等于报纸的销售额。 * 趋势检验 趋势检验：当控制变量为定序变量时，该检验能够分析随着控制变量水平的变化，观测变量值得总体趋势是怎样的，是呈现线性变化趋势，还是呈二次、三次等多项式变化。其零假设:观测变量与控制变量间不是线性（或二次、三次，四次，五次）相关。 * * 注：如果假定不同地区的差异主要表现在人口密度上，地区编号越小的人口密度越大，那么可以进一步利用该检验分析销售额总体上是否会随着地区人口密度的减少而呈现某种趋势性的变化规律呢？ * * 没有勾选趋势检验 勾选了趋势检验 注：趋势检验时将观测变量的组间变差做进一步的细分，分解为可被地区线性解释的变差（其值为543.938），以及不可被地区线性趋势解释的变差（其值为8721.367）。其中，可被地区线性解释的变差实质是，观测变量（销售额）以控制变量（地区）为解释变量的一元线性回归分析中的回归平方和部分，体现解释变量对被解释变量的线性贡献程度。本例中，显著性水平小于0.05，故认为地区和销售额之间具备线性相关，但从折线图中看出，线性关系比较微弱。 * * 6.2 多因素方差分析 概念：用来研究两个及两个以上控制变量是否对观测变量产生显著影响。不仅能够分析多个因素对观测变量的独立影响，更能够分析多个控制因素的交互作用能否对观测变量的分布产生的影响，进而最终找到有利于观测变量的最优组合。 例如：不同广告形式对产品销售额有显著影响，不同地区的产品销售额也存在显著差异，进一步可以通过多因素方差分析研究不同广告形式和不同地区的搭配是否会对销售额产生影响，以及哪种搭配方式可获得最理想的销售业绩等。 方差分解： 多因素方差分析认为观测变量取值的变动会受到三方面影响 控制变量独立作用：指单个控制变量独立作用对观测变量的影响。 控制变量交互作用：指多个控制变量不同水平相互搭配后对观测变量产生的影响。 随机因素：抽样误差带来的影响。 * 以两个控制变量为例，基于上述思想，多因素方差分析将观测变量的总方差分解为： SST(总变差)=SSA(A因素变差)+SSB(B因素变差) +SSAB(A,B交互作用变差)+SSE(随机因素变差) 其中：SSA+SSB+SSAB为主效应 SSAB为交互效应 SSE为剩余 * 这里：设控制变量A有k个水平，变量B有r个水平。 * A、B交互作用解释的变差为 SSAB=SST—SSA—SSB—SSE 显见：与单因素方差分析思想类似，通过分别比较观测变量总离差平方和中各部分所占比例，推断控制变量及控制变量的交互作用是否给观测变量带来显著影响。 * 多因素方差分析的数学模型 假设：控制变量A有k个水平，B有r个水平，每个交叉水平下均有l个样本。在控制变量A的水平 和控制变量B的水平 下的第k个样本值记为 。 数学模型： 其中 为观测变量的均值， 是控制变量A在水平i下对观测变量产生的效应， 是控制变量B在水平j下对观测变量产生的效应， * 为控制变量A在水平i和控制变量B在水平j下对观测变量产生的交互效应， 为抽样误差，是服从 正态分布的独立随机变量。 * 注：这是一个多因素方差分析的饱和模型，是一个线性模型。其中 的无偏估计是 ， 的无偏估计是 ， 的无偏估计是 ， 的无偏估计是 。 如果控制变量A(或B)对观测变量没有影响，则各水平的效应 (或 )应全部为0，否则应不全为0。同理，如果控制变量A和B对观测变量没有交互影响，则各水平的效应 应全部为0，否则应不全为0。多因素方差分析正是要分别对控制变量A、B及交互作用的所有效应是否同时为0进行推断。 * 模型的零假设： 即各控制变量不同水平下观测变量各总体的均值无显著差异，换言之，控制变量的各效应和交互效应同时为0。 * 固定效应、随机效应、协变量 在多因素方差分析中，因素变量根据其可控性可以进一步划分为固定效应和随机效应。 固定效应：指控制变量的各个水平是可以严格控制的，它们给观测变量带来的影响是固定的，如温度、品种、广告类型等。 随机效应：指控制变量的各个水平无法做严格的控制，它们给观测变量带来的影响是随机的，如城市规模、受教育水平、气候条件等。 * 注：一个因素变量无论是固定效应还是随机效应，