[2018年最新整理]【生物统计】第六章方差分析.ppt

第六章方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第五节 完全随机试验结果的方差分析 第六节 随机区组试验的方差分析 2、列方差分析表进行F测验 4.28 6.51 F0.01 84.61 23 总变异 1.64 22.97 14 误差 2.76 2.97* 4.87 34.08 7 品种间 3.74 8.40** 13.78 27.56 2 区组间 F0.05 F MS SS DF 变异来源 第六节 随机区组试验的方差分析 3、进行必要的多重比较 3.57 3.54 3.48 3.43 3.37 3.27 3.12 LSR0.01 2.52 2.51 2.49 2.46 2.42 2.35 2.24 LSR0.05 4.83 4.78 4.70 4.63 4.55 4.42 4.21 SSR0.01 3.41 3.39 3.37 3.33 3.27 3.18 3.03 SSR0.05 8 7 6 5 4 3 2 P 新复极差测验的最小显著极差 第二节 多重比较 综上所述，方差分析的基本步骤是： （1）自由度和平方的分解； （2）求均方，进行F测验，列方差分析表； （3）若F测验显著，则对各平均数进行必要的多重比较。 第三节 方差分析的线性模型与期望均方 一、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基础上的。所谓线性可加模型是指总体每一个变量可以按其变异的原因分解成若干个线性组成部分的数学表达式，它是方差分析的理论依据。 第三节 方差分析的线性模型与期望均方 平均 T=∑yij Tk … Ti … T2 T1 总和 yk1 yk2 … ykj … ykn … … … … … … yi1 yi2 … yij … yin … … … … … … y21 y22 … y2j … y2n y11 y12 … y1j … y1n 1 2 … j … n k … i … 2 1 处理 重复 假定有k组观测数据，每组有n个观测值，则共有nk个观测值 第三节 方差分析的线性模型与期望均方 yij =μ + τi +εij 用线性模型(linear model)来描述每一观测值： μ －总体平均数 τi －处理效应 εij －试验误差 yij －是在第 i 次处理下的第 j 次观测值 第三节 方差分析的线性模型与期望均方 对于由样本估计的线性模型为： 第三节 方差分析的线性模型与期望均方 二、期望均方 根据的τi不同假定，可将数学模型分为以下三种：固定模型、随机模型、混合模型 。 (一)固定模型(fixed model) 　　指各个处理的效应值τi 是固定值，各个的平均效应 τi ＝ μi － μ是一个常量，且∑τi ＝0。就是说除去随机误差以后每个处理所产生的效应是固定的。实验因素的各水平是根据试验目的事先主观选定的而不是随机选定的。 [例] 以5个水稻品种作大区比较试验，每品种作3次取样，测定其产量所得资料为单向分组资料。本试验需明确各品种的效应，故为固定模型，其方差分析和期望均方的参数估计如下表： 固定模型的F测验： 若τi=0,则F的期望值等于1。所以固定模型假设测验H0： τi=0对HA: τi≠0. 第三节 方差分析的线性模型与期望均方 1、在固定模型中，除去随机误差之后的每个处理所产生的效应是固定的，试验重复时会得到相同的结果； 2、方差分析所得到的结论只适合于选定的那几个水平，并不能将其结论扩展到未加考虑的其它水平上。 特点 第三节 方差分析的线性模型与期望均方 第三节 方差分析的线性模型与期望均方 (二)随机模型 　　指各处理的效应值τi 不是固定的数值，而是从平均数为零、方差为στ2的正态总体中得到的一个随机变量。主要是研究并估计总体变异即方差。 　　这里τi 是一个随机变量，是从期望均值为 0，方差为σ2 的标准正态总体中得到的随机变量。得出的结论可以推广到多个随机因素的所有水平上。 第三节 方差分析的线性模型与期望均方 如果某些试验条件不能人为控制或通过样本对所属总体做出推断时属于随机模型，例如将从美国引进的玉米在不同纬度生态条件下的情况，来观察该品种对不同地理条件的适应情况