4第四章+方差分析要点.ppt

生 物 统 计 与 实 验 设 计 方差分析的基本假定和数据转换 第六节 方差分析的基本假定 正态性 可加性 方差同质性 正态性 　　试验误差应当是服从正态分布的独立的随机变量。因为方差分析只能估计随机误差，顺序排列或顺序取样资料不能作方差分析。应用方差分析的资料应服从正态分布，即每一观测值Xij应围绕相应的平均数呈正态分布。 　　非正态分布的资料进行适当数据转后，也能进行方差分析。 可加性 　　处理效应与误差效应应该是可加的，并服从方差分析的数学模型，即 　　这样才能将试验的总变异分解为各种原因所引起的变异，以确定各变异在总变异中所占的比例，对试验结果作出客观评价。可加性是否显著有专门的统计方法。 xij =μ +αi +βj +εij 方差同质性 　　所有试验的误差方差应具备同质性，也叫方差的齐性，即 σ12＝σ22＝…＝σn2 　　因为方差分析是将各个处理的试验误差合并以得到一个共同误差方差的，所以必须假定资料中这样一个共同方差存在。误差异质将使假设检验中某些处理效应得出不正确的结果。 　　方差的同质性检验前面已介绍过。如果发现有方差异质的现象，可将变异特别明显的数据剔除，当然剔除数据是应十分小心，以免失掉某些信息。或者将试验分成几个部分分析，使每部分具有同质的方差。 　　在生物学中，有时会遇到一些样本，其所来自的总体和方差分析的基本假定相抵触，这些数据在作方差分析之前必须经过适当处理及数据转换来更变测量标尺。 　　样本的非正态性、不可加性和方差的异质性通常连带出现，主要的是考虑处理效应与误差效应的可加性，其次才考虑方差同质性。 数据转换 数据转换常用的转化方法 平方根转换 对数转换 反正弦转化 平方根转换 　　有些生物学观测数据为泊松分布而非正态分布，比如一定面积上某种杂草株数或昆虫头数等，样本平均数与其方差有比例关系，采用平方根转换可获得同质的方差。一般将原观测值转化成　　，数据较小时采用 对数转换 　　如果已知资料中的效应成比例而不是可加的，或者标准差（或极差）与平均数大体成比例时，可以使用对数变换。 反正弦转化 　　如果数据是比例或以百分率表示的，其分布趋向于二项分布，方差分析时应作反正弦转换，用下式把它们转化成一个相应的角度： 百分数资料 相应的 角度值 单因素 方差分析 方　差　分　析 基本假定 数据转换 二因素 方差分析 多因素 方差分析 缺失数据 的估计 试验数据的方差分析 组内观测次数相等 组内观测次数不等 无重复观测值 有重复观测值 小结 方差分析的基本步骤： 确定数学模型 进行多重比较 列方差分析表，进行F检验 平方和自由度的分解 E N D （1）平方和的分解为： （2）自由度的分解为 结果列入方差分析表 34.12 10.19 0.154 5.510 5.510 1 烘烤方式A 5.29 3.24 55.482** 76.288 228.865 3 水分B 363.99 23 总变异 5.29 3.24 26.089** 35.872 1.375 107.615 22.000 3 16 A×B 误差 F0.01 F0.05 F s2 SS df 变异来源 糖化时间方差分析表 表中F的计算为： 　　F 检验结果表明，水分和的A×B的F 值大于F0.01，大麦中的水分及水分与烘烤方式之间的互作对糖化时间的影响达到了极显著水平，而烘烤方式对糖化时间的作用不显著。在生产上应注意大麦的含水量及根据含水量来选择合适的烘烤方式。 34.12 10.19 0.154 5.510 5.510 1 烘烤方式A 5.29 3.24 55.482** 76.288 228.865 3 水分B 363.99 23 总变异 5.29 3.24 26.089** 35.872 1.375 107.615 22.000 3 16 A×B 误差 F0.01 F0.05 F s2 SS df 变异来源 第四节　 　　多因素方差分析 　　实际工作中，往往需要考察三个或多个因素的效应。这相当于把二因素方差分析扩展到一般情况。如在一个试验中，A因素有a水平， B因素有b水平， C因素有c水平等，假设每一处理都有n次重复，那么总观测次数为abcn次。本节仅对三因素的情况进行分析。 　　设有一个三因素方差分析模型，各取了a、b、c个水平，每一处理有n次重复。对观测值，其线性数学模型为： xijkl = μ +αi +β j+γk+(αβ)ij + (α γ)ik + (β γ)jk + (αβ γ)ijk + εijkl 总体平均数 随机误差 A因素第i水平，B因素第j水平, C因素第k水平第l次重复的观测值 A因素、 B因素、 C因素的效应 A×B 、 A×C 、 B×C的交互效应 三因素的交互效应（A×B×C） xijkl αi 、β