试验设计Experimentaldesign.PDFVIP

基于CANOCO 的生态学数据的多元统计分析  Jan Leps, Petr Smilauer 著  赖江山 编译  2  实验设计（Experimental design ）  多元分析方法不再仅仅局限于对数据的探索和新的假设的生成。特别对控制实验的 数据分析，约束排序(constrained ordination)是一个很强大的工具。在这一节，我们将重 温一下实验设计的基本类型，特别是野外控制实验的设计。通常，我们希望实验的目的 是比较研究对象（比如生物群落）在不同的处理（treatments ）下变化，当然其中有一 种处理通常是“对照处理(control treatment) ”  如果响应变量是一元变量（比如群落内物种的种数、总生物量等），最常用分析手 段是方差分析（ANOVA ）、一般线形模型（其实包括方差分析，线形回归及它们的组合）， 或是广义线形模型（GLM ），GLM 是一般线形模型的延伸，在响应变量不符合正态分布 的条件下，广义线形模型是比较适合的分析方法。  2.1 完全随机化设计  （Completely randomized design ）  最简单的实验设计是完全随机化设计（图2‐1），我们先在一个样区里面选择若干实 验地（plots），将不同的处理水平随机挑选实验地。这种设计是合理的，但有时并不是 最好的，因为并没有考虑到环境异质性的影响。环境异质性作为一种不可预知的变量总 是在影响试验结果。如果环境异质性的变化很大，这种随机设计可能会降低实验的可靠 性和效果。简单讲，并不能保证样区内的环境是同质的。    2.2 随机完全区组设计（Randomized complete blocks）  有几种方法可以控制环境异质性对于实验的影响。在生态学实验设计中最常用的是 随机完全区组设计。首先，我们先选择多个区组（blocks），每个区组内是尽量环境同质 （比如图2‐2 中长方形区组环境同质，而不同的区组有环境梯度存在）。区组的数量等于 重复的数量。每个区组仅仅包含每种处理水平的一个重复，在同一区组内的各个水平的 位置是随机的。          如果区组之间的环境条件不同，这种随机完全区组设计显然要比完全随机化的实验 设计检验效果更好。不过，如果区组之间的环境差异不大，这种设计方案要比完全随机         1      基于CANOCO 的生态学数据的多元统计分析  Jan Leps, Petr Smilauer 著  赖江山 编译  设计的检验效果要差，因为随机完全区组设计显然限制了重复的分布，减少了实验设计 的自由度。如果处理水平和重复的量比较少的话，随机完全区组设计可能更危险。    2.3 拉丁方设计（Latin square design ）     拉丁方设计（图2‐3 ）假设一个正方形实验地的横向和纵向都有梯度差异。在正方形 实验地内，实验设计每个行和每个列只含有一个处理水平的一个重复。所以，拉丁方设 计要求重复的数量也等于处理水平的数量。这可能是个不太合理的限制条件。然而拉丁 方设计可能在农业研究方面比生态学研究用得更普遍。跟随机完全区组设计一样，拉丁 方内的环境异质性得到了很好的控制。当然，如果环境异质性变化很小，对于实验影响 不大的情况下，拉丁方的设计比起完全随机设计的效果差得更远，因为拉丁方的自由度