One-Way_ANOVA单因素方差分析幻灯片.ppt

试用字母标记法表示如下多重比较的结果： 结论：处理1、4，3、4，2、3之间差异极显著 A B C 处理 均值 差异显著性（α=0.01) 1 18.00 BC 2 23.00 AB 3 14.00 C 4 29.00 A 当比较的平均值的数目K≥3时，不能直接应用t测验或u测验的两两之间的假设测验方法 1、当有k个处理平均数时，将有 个差数，要对这诸多差数逐一进行检验，程序繁琐。 2、试验误差估计的精确度降低。 3、两两测验的方法会随着K的增加而大大增加犯I型错误的概率。 第八章 单因素方差分析 Chapter 8: One-factor Analysis of Variance (One-Way ANOVA) 第八章 单因素方差分析 方差分析：从总体上判断多组数据平均数（K≥3） 之间的差异是否显著 方差分析将全部数据看成是一个整体，分析构成变量的变异原因，进而计算不同变异来源的总体方差的估值。然后进行F测验，判断各样本的总体平均数是否有显著差异。若差异显著，再对平均数进行两两之间的比较。 (by RA Fisher) Chapter 8: One-factor Analysis of Variance 品 系 I II III IV V 1 64.6 64.5 67.8 71.8 69.2 2 65.3 65.3 66.3 72.1 68.2 3 64.8 64.6 67.1 70.0 69.8 4 66.0 63.7 66.8 69.1 68.3 5 65.8 63.9 68.5 71.0 67.5 和 326.5 322.0 336.5 354.0 343.0 平均数 65.3 64.4 67.3 70.8 68.6 例 调查5个不同小麦品系株高是否差异显著 因变量(响应变量):连续型的数值变量?株高 因素(Factor)：影响因变量变化的客观条件 一个因素：“品系”? 单因素方差分析 水平(Level)：因素的不同等级? 不同“处理” 五个水平：品系I-V 重复(Repeat)：在特定因素水平下的独立试验 五次重复 单因素方差分析的数据形式 X因素的a个不同水平（处理） 每个处理下n个重复 方差分析原理 线性统计模型： 模型中的xij是在第i次处理下的第j次观测值。μ是总平均数。αi是对应于第i次处理的一个参数，称为第i次处理效应(treatment effect)。εij是随机误差，是服从N(0，σ2)的独立随机变量。 方差分析原理 固定因素： ①因素的a个水平是人为特意选择的。 ②方差分析所得结论只适用于所选定的a个水平。 固定效应模型：处理固定因素所使用的模型。 随机因素： ①因素的a个水平是从水平总体中随机抽取的。 ②从随机因素的a个水平所得到的结论，可推广到该因素的所有水平上。 随机效应模型：处理随机因素所使用的模型。 固定效应模型 其中αi是处理平均数与总平均数的离差，因这些离差的正负值相抵，因此 如果不存在处理效应，各αi都应当等于0，否则至少有一个αi≠0。因此，零假设为： H0：α1＝α2＝ … ＝αa＝0 备择假设为： HA：αi ≠ 0（至少有一个i） 固定效应模型 平方和与自由度的分解 固定效应模型 = + 平方和的分割 总平方和 处理平方和 误差平方和 = + 自由度的分割 总自由度 处理自由度 误差自由度 处理均方 误差均方 固定效应模型 单因素固定效应模型的方差分析表 处理效应对均方的贡献 固定效应模型 方差分析统计量： 若零假设成立，不存在处理效应，则组内变异和组间变异都只反映随机误差( )的大小，此时处理均方 ( )和误差均方( )大小相当，F 值则接近1，各组均数间的差异没有统计学意义；反之，如果存在处理效应，则处理变异不仅包含随机误差，还有处理效应引起的变异 ( )，此时F值显著大于1，各组均数间的差异有统计学意义。故依据 F 值的大小可判断各组之间平均数有无显著差别。 固定效应模型 平方和的简易计算 C称为校正项。误差平方和 SSe ＝ SST－SSA 减少计算误差利于编程 品 系 I II III IV V 1 64.6 64.5 67.8 71.8 69.2 2 65.3 65.3 66.3 72.1 68.2 3 64.8 64.6 67.1 70.0 69.8 4 66.0 63.7 66.8 69.1 68.