统计学-思想方法与应用(袁卫等)第七章方差分析.ppt

7.3.1 无交互效应的双因素方差分析 如果上例中我们只考虑路线引起的效应而将其余的都归为随机效应，那么我们没有必要让五名司机分别行驶四条路线。 如果我们考虑不同司机的影响，我们就能减少残差平方和，从而得到更大的F值。我们把本例中的司机因素称为区组因素（blocking variable），即在方差分析中能减少残差平方和的第二个处理因素。 在本例中将司机作为区组因素，从残差平方和中提取出司机的影响能够影响处理的F比值。 这里介绍无交互作用的双因素方差分析。 7.3.1 无交互效应的双因素方差分析 因为我们考虑不同司机行使时间的差异，所以要对区组做假设检验。两组假设分别为： 1． 不同路线均值都相等（ ）， 各路线均值不全相等 2． 区组均值都相等（ ）， 各区组均值不全相等 两因素方差分析表的格式与单因素方差分析的格式一致，唯一的区别是加了一行区组变差。 7.3.1 无交互效应的双因素方差分析 因变量:行驶时间 源 III 型平方和 df 均方 F Sig. 模型 29295.400a 8 3661.925 1536.472 .000 路线 32.400 3 10.800 4.531 .024 司机 78.200 4 19.550 8.203 .002 误差 28.600 12 2.383 总计 29324.000 20 a. R 方 = .999（调整 R 方 = .998） 从该表可以看出，关于对司机的零假设的p-值是0.002，对路线的零假设的p-值是0.024。可以得知在0.05的显著性水平下，路线和区组的零假设都被拒绝。 因此，路线和司机这两个因素都对行驶时间有显著作用，也就是说这两个因素的不同水平的确造成了行驶时间的不同。 这表明司机这个因素的引进，使得路线对行驶时间从没有影响变成有显著影响。 7.3.2 有交互效应的双因素方差分析 值得注意的是，对于上面的例子，我们仅仅分析了路线和司机这两个因素分别对行驶时间的影响。也就是说因为司机变化所带来的行驶时间的变化是同行驶的路线是无关的。这显然是值得斟酌的。 对于一个实际问题，仅考虑因素各自的作用是不是合理？能不能回答我们关心的问题？那就得视具体问题而论了。 因此，我们接下来简单介绍带交互作用的双因素方差分析。要说明的是，如果每一种因素水平的组合只有一个观测值，那么由于数据量不够会导致无法判断是否有交互作用。这时即使有交互作用，也混在误差项中而无法分离出来。 7.3.2 有交互效应的双因素方差分析 例7.3 该地区的交管局还想研究司机变化所带来的行驶时间的变化与行驶的路线是否有关？因此，我们假设对这个地区的交管局进行了2次测试。获得数据如下表所示。 司机 1号线 2号线 3号线 4号线 小张 33 35 35 37 35 37 37 39 小李 36 38 37 39 39 41 39 41 小王 35 37 38 40 40 42 38 40 小刘 40 42 36 38 43 45 40 42 小杨 41 43 39 41 43 45 40 42 7.3.2 有交互效应的双因素方差分析 从数据表可以看出，司机因素有5个水平，路线因素有4个水平，每个水平组合重复数n=2，共有=5×4×2=40个观测值。 我们仍然可以像前面那样讨论行驶时间和作为因素（自变量）的路线类型和司机之间的关系， 还由于路线类型和司机的每种组合都有2个观测值，因此还可以考虑路线类型和司机之间的交互效应行驶时间的影响。 7.3.2 有交互效应的双因素方差分析 因变量:行驶时间 源 III 型平方和 df 均方 F Sig. 模型 61906.000a 20 3095.300 1629.105 .000 司机 * 路线 61.000 12 5.083 2.675 .025 司机 155.000 4 38.750 20.395 .000 路线 67.500 3 22.500 11.842 .000 误差 38.000 20 1.900 总计 61944.000 40 a. R 方 = .999（调整 R 方 = .999） 从中可以看到，与无交互的双因素方差分析结果一样，路线和司机因素的p-值都小于0.05，检验是高度显著的。 交互项“司机*路线”反映的是司机因素和路线因素联合产生的对行驶时间的附加效应。由于p-值0.025小于0.05，因此，检验高度显著， 这表明司机因素和路线因素联合产生的交互作用对行驶时间有显著影响。换句话说，也就是不同路线的行驶时间差异会因为所使用的司机的不同而不同， 或者说不同司机的行驶时间差异会因为所经过的路线不同而不同。 7.3.2 有交互效应的双因素方差