第五部分方差分析教学课件.pptVIP

西南科技大学生命科学与工程学院周海廷制作 上章介绍了一个或两个样本平均数的假设测验方法。本章将介绍k(k≥3)个样本平均数的假设测验方法，即方差分析(analysis of variance)。这种方法的基本特点是：将所有k个样本的观察值和平均数作为一个整体加以考虑，把观察值总变异的自由度和平方和分解为不同变异来源的自由度和平方和，进而获得不同变异来源的总体方差估计值。 其中，扣除了各种试验原因所引起的变异后的剩余变异提供了试验误差的无偏估计，作为假设测验的依据。 5.1.1 自由度和平方和的分解 方差是平方和除以自由度的商。要将一个试验资料的总变异分解为各个变异来源的相应变异，首先必须将总自由度和总平方和分解为各个变异来源的相应部分。因此，自由度和平方和的分解是方差分析的第一步。 下面我们首先用一个例子来说明这一问题。 1、总变异 把表中的全部观察值作为一个组看待[即把4个处理(4组、每组有4个观察值)合并成一组，共有24个观察值]，根据前面讲过的计算平方和的公式 ，可以计算出总变异的平方和和自由度 自由度DFT=nk-1=4×4-1=15。 表中的每一个观察值，即包括有处理的效应(不同药剂对苗高的影响)又受到误差的影响。 2、误差效应 表中处理内(组内)各观察值之间，若不存在误差，则各观察值应该相等，由于误差是客观存在的，因而处理内(组内)各观察值之间必然是有差异的，因此，可以用组内(处理内)的差异度量误差效应： 本例中 平方和： 602=504+98 自由度： 15=3+12 因此误差平方和可以采用简单的办法计算 SSe=SST-SSt=602-504=98。 进而可得均方： 平方和与自由度的分解归纳为下表 5.1.2 F分布与F测验 一、F 分布 在一个平均数为μ、方差为σ2的正态总体中随机抽取两个独立样本，分别求得 二、F 测验 在方差分析的体系中，F测验可用于检测某项变异因素的效应或方差是否存在。所以在计算F值时，总是将要测验的那一项变异因素的均方作分子，而以另一项变异(如误差项)作分母。 将例6.1和例6.3的分析结果归纳在一起，列出方差分析表如下： 5.2.1 最小显著差数法 最小显著差数法(least significant differrence，简称LSD法) 5.2.2 q 法 q 测验方法是将k个平均数由大到小排列后，根据所比较的两个处理平均数的差数是几个平均数间的极差分别确定最小显著极差LSRα值的。 LSRα值 5.2.3 新复极差法 新复极差法，又称最短显著极差法(shortest significant range)，与q法相似。计算LSRα值查的是SSRα值(附表8)而不是q表。 5.2.4 多重比较方法的选择 1、试验事先确定比较的标准，凡是与对照相比较，或与预定要比较的对象比较，一般可选用最小显著差数法； 2、根据否定一个正确的H0和接受一个不正确的H0的相对重要性来决定。 5.3.1 方差分析的线性数学模型 方差分析是建立在一定的线性可加模型的基础上的。所谓线性可加模型是指总体每一个变量可按其变异的原因分解成若干个线性组成部分，它是方差分析的基础。 在以样本符号表示时，样本的线性组成为： 5.3.2 期望均方 在线性可加模型中，由于对τi有不同解释产生了固定模型(I)和随机模型(II)。 一、固定模型(fixed model) 指试验的各处理都抽自特定的处理总体，其处理效应τi=(μi-μ )是一个固定的常量，我们的目的就在于研究τi，所测验的假设是H0：τi=0或H0：μi= μ。 一般的栽培和饲养试验，如肥料试验、药效试验、密度试验、饲料试验、品种试验等均属于固定模型。 5个水稻品种产量的方差分析与期望均方表 二、随机模型(random model) 指试验中的各处理皆是抽自N(0， )的一组随机样本，因而处理效应τi是随机的，它会因试验的不同而不同；故我们的目的不在于研究τi而在于研究τi的变异度。 随机模型在遗传、育种和生态的研究试验方面有较广泛的用处。 ［例6.9］研究籼粳杂交F5代系间单株干草重的遗传变异，随机抽取76个系进行试验，每系随机取2个样品测定干草重（g/株）。因这76个系是随机抽取的样本，要从这些样本来估计F5代系间单株干草重的遗传变异，故这是随机模型。其方差分析的结果如下： 随机模型的F 测验 5.4.1 组内观察值数目相等的单向分组资料的方差分析 每组具n个观察值的k组数据的符号表 5.4.2组内又分亚组的单向分组资料的方差分析 设一系统分组资料共有l组，每组内有m个