实验2方差分析过程.ppt

一、单因素方差分析 二、无重复的双因素分析 三、有重复的双因素分析 ;ONE —WAY ANOVA单因变量单因素。 广义线性模型：四个过程 1.Univariate过程：单因变量多因素。 2.Multivariate过程：多因变量多因素。 3.Repeated过程：重复测量数据时。 4.Variance Components过程：用于对层次数据拟合方差成分模型。; 设每个检验的显著水平为α，则检验c个独立的比较，则犯一类错误的概率为 1—（1—α）k 若组为三、五组，采用T检验（α=0.05）就需进行3次、10次的两两比较，则犯一类错误的概率为： 1—（1—0.05）3 =0.14 1—（1—0.05）10 =0.40;方差分析是比较多组的总体均值是否相等的一种数据分析方法。 方差分析的目的是：判断分组是否有效。（检验均数（组间或变量间）差别是否具有统计意义）有效的分组应该是组间差距大，组内差距小，这是方差分析的判别依据,方差分析主要是将样本方差进行合理分解，比较数据的组间差异和组内差异，从而进行判断。;因素（Factor）：因素是可能对应变量有影响的变量，一般，因素会有不止一个水平，而分析的目的就是考察或比较各个水平对应变量的影响是否相同。例如影响农作物产量的因素有气温、降雨量、日照时间等。在方差分析中，因素的取值范围不能无限，只能有若干水平，即应当为分类变量。 水平Level：因素的不同取值等级称作水平，例如性别有男、女两个水平。需要注意的是，有些时候水平是人为划分出来的，比如身高被分为高、中、低三个水平。 单元（Cell）：指各个因素之间的组合，我们所说的方差齐就是指的各个单元的方差齐。 互交作用（Interaction）：如果一个因素的效应大小在另一个因素不同水平下明显不同，则称为两因素间存在交互作用。;各样本的独立性 正态性 方差齐;Xij=μ+αi+εij(有些时候写成Xij=μi+εij) Xij=表示第i组变量的第j个观测值 其中：μ表示所有处理的总的平均数，为一常数 αi=μi—μ，为一参数，表示影响因素在第i个水平下对应变量的附加效果，并假设所有的αi之和为零 εij~为第i组实验第j个处理单位的个别效应，也称个别差异或随机效应 ，εij~N（0，σ2），表示随机误差项，且所有εij间相互独立???;H0:μ1=μ2=，…，=μr=μ，即αi=0，i=1，…，r H1: μ1、μ2 、…… 、μr 之间不完全相等 (或者αi不全等于零，或者至少有一个αi不等于零。);Xij=μ+αi+βj+εijk 其中： 1.μ表示所有处理的总的平均数，为一常数； 2.αi是A因素的第i个水平的效果，即A因素的主效应； 3.βj是B因素的第j个水平的效果，即B因素的主效应； 4.εijk为误差项。 εijk ~N（0，σ2），且所有εijk间相互独立。 —μ，为一参数，表示第i个处理的效果 εij为独立正态（0，σ2）的随机变量，表示随机误差项;Xij=μ+αi+βj+(αβ)ij+εijk 其中： 1.μ表示所有处理的总的平均数，为一常数； 2.αi是A因素的第i个水平的效果，即A因素的主效应； 3.βj是B因素的第j个水平的效果，即B因素的主效应； 4.( αβ)ij是A因素的第i个水平和B因素的第j个水平之间的互交作用（附加效应）； 5.εijk为误差项。 εijk ~N（0，σ2），且所有εijk间相互独立。 —μ，为一参数，表示第i个处理的效果 εij为独立正态（0，σ2）的随机变量，表示随机误差项;A因素的主效应（说明A无影响） H0A:μi*=μ,即αi=0，i=1,…,r(或者因素A的主效应是否显著异于零) H1A:αi不全等于零 (或者μ1*、μ2* 、…… 、μr* 之间不完全相等) B因素的主效应（说明B无影响） H0B:μ*j=μ,即βj=0，j=1,…,s(或者因素B的主效应是否显著异于零) H1B:βj不全等于零 (或者μ*1、μ*2 、…… 、μ*s 之间不完全相等) A、B因素的互交作用（说明A与B无互交效应） H0C:Cij=μij－μ－αi－βj=0(或者因素A和因素B的互交作用是否显著异于零) ;(一)目的 检验某一个控制因素的改变是否会给观察变量带来显著影响。 例如： 不同肥料→某农作物亩产量 不同学历→工资收入 推销策略→推销额;(二)基本思路 (1)入手点：检验控制变量的不同水平下，各总体的分布是否存在显著差异，进而判断控制变量是否对观测变量产生了显著影响。 (2)前提：不同水平下各总体服从方差相等的正态分布。 (3) H0：不同水平下,各总体均值无显著差异。即：不同水平下控制因素的影响不显著。 (4) 构造F统计量 因为：总变差=组间差异+组内