方差分析–田间试验统计.pptVIP

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。 上一章学习一个或两个样本平均数的假设测验方法本章将学习k≥3个样本平均数的假设测验方法。在k≥3个样本能否用统计推断的方法进行两两测验呢？回答是不可取的。主要原因是会提高犯第一类错误的概率。例如，用一对一比较的方法检验5个平均数之间的相等性，共检验10对。假设每一对检验接受无效假设的概率都是1-α=0.95，而且这些检验都是独立的，那末，10对都接受的概率是0.9510=0.60, α′=1-0.6=0.40,犯第一类错误的概率明显增加。解决这一问题的一种统计方法，叫做方差分析法。此法将所有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值。计算这些估值的适当的F值，就测验假设H0: μ1=μ2=μ3=……μk(各总体平均数相等），方差分析是科学的实验设计和分析中的一个十分重要工具。 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16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 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。 1. 标记字母法 2. 列梯形表法 3. 划线法 29cm(D) 23cm(B) 18cm(A) 14cm(C) 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LSDa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。 参考以下几点： 根据试验的侧重点选择。三种方法的显著尺度不相同，LSD法最低，SSR次之，q法最高。故对于试验结论事关重大或有严格要求时，用q测验，一般试验可采用SSR法。 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(f