第二章 方分析.pptVIP

第一节 单因素方差分析 (one-factor analysis of variance) 一、一般概念及两种不同的处理效应 　　 方差分析是一类特定情况下的统计假设检验，或者说是平均数差异显著性检验的一种引伸。t 检验可以判断两组数据平均数的差异的显著性， 而方差分析则可以同时判断多组数据平均数之间的差异的显著性。当然，在多组数据的平均数之间做比较时，可以在平均数的所有对之间做 t 检验。但这样做会提高犯Ⅰ型错误的概率，因而是不可取的。 例如，我们打算用一对一对地比较的方法检验5个平均数之间的相等性，共需检验C25＝10对。假设每一对检验接受零假设的概率都是1－α＝0.95，而且这些检验都是独立的，那么10 对都接受的概率是(0.95)10＝0.60。α′＝1－0.60＝0.40，犯Ⅰ型错误的概率明显增加。 用方差分析的方法做检验可以防止上述问题的出现。方差分析的内容很广泛，上面讲到的那种情况是方差分析中最简单的情况，称为单因素方差分析或者称为一种方式分组的方差分析(one-way classification analysis of variance)。 例 2.1　调查了5个不同小麦品系的株高，结果列于表2－1。 　　 在这个例子中，只出现“品系”这样一个因素(factor)，故称单因素。共有5 个不同的品系，我们称品系这一因素共有5个水平(level)。5个品系可以认为是5个总体，表 2－4的数据是从5个总体中抽出的5个样本，通过比较这5个样本，判断这5个总体是否存在差异。 例 2.2 为了探讨不同窝的动物的出生重是否存在差异，随机选取4窝动物，每窝中均有4只幼仔，结果如下： 以上两个例子的共同点是：每个实验都只有一个因素，该因素有a个水平或称为有a个处理(treatment)，这样的实验称为单因素实验。 从单因素实验的每一处理所得到的结果都是一随机变量X i。对于a个处理，各重复n次（或者说做n次观察）的单因素方差分析的一般化表示方法见表2－3 。 表中的数据xij，表示第 i 次处理下的第j次观察值。其中的n个符号做如下说明： 常用如下的所谓线性统计模型(linear statistical model)描述每一个观察值： 上述模型中，包括两类不同的处理效应。第一类处理效应称为固定效应(fixed effect)，它是由固定因素(fixed factor)所引起的效应。若因素的a个水平是经过特意选择的，则该因素称为固定因素。例如，几个不同的实验温度，几个不同的化学药物或一种药物的几种不同浓度，几个作物品种以及几个不同的治疗方案和治疗效果等。 在这些情况中，因素的水平是特意选择的，所检验的是关于ai 的假设，得到的结论只适合与方差分析中所考虑的那几个水平，并不能将其结论扩展到未加考虑的其它类似水平上。所以上述的那些因素：温度、药物、品种等，称为固定因素。处理这样的因素所用的模型称为固定效应模型（fixed effect model）。例2.1中的5个小麦品系是特意选择的，目的是从这5 个品系中，选出最优者，因而“品系”这个因素属于固定因素，所用的模型是固定效应模型。 第二类处理效应称为随机效应（ran-dom effect），它是由随机因素（random factor）所引起的效应。若因素的a 个水平，是从该因素全部水平的总体中随机抽出的样本，则该因素称为随机因素。从随机因素的a 个水平所得到的结论，可以推广到这个因素的所有水平上。处理随机因素所用的模型称为随机效应模型（random effect mo-del）。例2.2 的动物窝别，是从动物所有可能的窝别中随机选出来的，实验的目的是考查在窝别之间，出生重是否存在差异，因而“窝别”是随机因素。 有时固定因素和随机因素很难区分，除上述所讲的原则外，还可以从另一角度鉴别。固定因素是指因素水平，可以严格地人为控制。在水平固定之后，它的效应值也是固定的。例如，研究三种温度对胰蛋白酶水解产物的影响。因为温度水平是可以严格控制的，即每一温度水平，在各个重复之间都可以准确地控制在一个固定值上，所以在重复该实验时，水解产物的产量也是固定的。简单地说，在水平（不同温度）固定以后，其效应值（产量）也是固定的。因此，温度是固定因素。 随机因素的水平是不能严格地人为控制的，在水平确定之后，它的效应值并不固定。例如，在研究不同农家肥施用量对作