第2章--2k和3k因子设计.pptVIP

第2章 2k和3k因子设计 2.1 因子设计的一般概念 2.2 因子设计 2.1 因子设计的一般概念 析因设计也叫做全因子实验设计,就是实验中所涉及到的全部实验因素的各水平全面组合形成不同的实验条件,每个实验条件下进行两次或两次以上的独立重复实验.析因设计的最大优点是所获得的信息量很多,可以准确地估计各实验因素的主效应的大小,还可估计因素之间各级交互作用效应的大小。 主要效果 一因子(如A)的效果定义为此因子改变其水准(A1, A2, A3 )所产生反应的改变，此通称为『主效果』(Main Effect)---针对实验中欲研究之首要因子。 例2.1.1 设某一试验有两个因子A和B，因子A有两个水平A1，A2，因子B有两个水平B1，B2，试验所得结果数据表2.1.1所示。 表2.1.1 两因子实验数据表之一 表2.1.2 两因子试验数据表之二 即，增加因子A从低水准到高水平造成『平均反应增加』(Average Response Increase) 21个单位 类似地，因子B的主要效果是 因子B的主要效果是 交互作用 某实验中，可能发现某因子水准间反应的差异在其它因子的各水准下是不同的，此称之为因子间有交互作用(Interaction) 一般而言，当交互作用大时，所对应之主效果就无太多的实质的意义，同时，对AB交互作用的了解(Knowledge)比主效果更有用，且一个显著的交互作用将会遮掩(Mask)主效果的显著性。当显著的交互作用出现时，须将其它因子的水准固定后，再检视欲研究的因子。 2.2 2k 因子设计 主要讲 22 设计 22 设计的应用 假设每一种水平组合下作n次重复观察，即取n个观察值。 为了分析问题的方便引进下列记号： A 表示因子A的效果 B 表示因子B的效果 AB 表示交互作用A×B 的效果 a 表示因子A在高水平、因子B 在低水平情况下观察值之和； b 表示因子A在低水平、因子B 在高水平情况下观察值之和； ab 表示因子A、B 都在高水平下观察值之和 l 表示因子A、B 都在低水平下的观察值之和 方差分析 定义2.2.1 若有线性组合 满足约束条件 ，则称这样的线性组合为对照（contrast）,并记为 2k设计方差分析的步骤 1. 将2k设计的处理按A配B,B配C,…,J配K的系统排成2k个处理列。 2. 依次写出个因素的水平效应列a,b,c,…,k,它们依次按2分列，22分裂，23分列，…，2k分列写出-1和1. 3. 再依次写出交互效应列(ab),(ac),…,(ab…k).(ab)列为a,b,…,k各列相乘所得。 4. 按处理的顺序列处理和列T…。 5. 设某一列为“z”平均效应列，这一列由2k-1个“-1”和2k-1个“1”组成了该列的列向量zc,又出出力和的列向量为T，则 为对照，平均效应 ，且 . 6. 最后计算出总平方和SST，并据重复的方法写出SSe和有关变因平方和，就完成了2k设计方差分析的有关计算。 因子实验的优势 假设2因子A与B，各有2水准，A+, A-与B+, B-，有关2因子的信息可藉由1次变动1因子来得到。 1次1因子实验 ◎变动因子A的效果为， A＋B－- A－B＋； ◎变动因子B的效果为， A－B＋- A－B－。 因为有实验误差，期能取得2个观测值，即是『每种处理组合』与『估计因子效果用的平均反应』，如此，共须6个观测值。 兹如执行一个因子实验，则须得另一处理组合A＋B＋，以此4个观测值，可以得到2个A效果估计值：A＋B－- A－B－与A＋B＋-A－B＋，(同理得到2个B效果估计值)，此2个估计值可以平均而得到平均主效果，且其精确度与1(单)因子(Single-Factor)实验一样，如此仅须4个观测值，所以，因子设计对1次1因子实验的相对效率是(6/4) = 1.5，一般而言，此相对效率会随着因子个数增加而增加。 总言之，因子设计有几项优势， (1) 比1次1因子实验更有效率， (2) 当交互作用时，因子设计是必须的， (3) 因子设计允许一个因子效果的估计是 在其它因子的数个水准下，使得在实验条件的范围里，其结论都成立。 * 2k析因设