单因素方差分析教案.pptVIP

* * * * * * * * * * * * * * * * * * yij 的数据结构形式: yij =μ+ ai+εi j μ为总的平均水平 εij为在第i水平下第j次试验的随机误差 * 单因子方差分析数据结构模型 ，且相互独立 * 即要检验假设 H0: a1 = a2 =…= ar= 0 是否成立 讨论因子A的不同水平的效应是否可以忽略不计的问题 * 2、检验统计量的确定 yij取值不同主要原因有：一是可能A取不同水平所引起的；二是随机误差引起的。 偏差平方和的分解是构建适用于方差分析的 F 统计量的重要工具。 是区分系统性误差（条件误差)和随机误差(偶然性误差)的主要方法。 * 偏差平方和的分解 数据总的差异可用总偏差平方和ST来表示 引入Ai 水平的均值(组平均) * 总的偏差平方和分解 * 总偏差平方和 ST: 因子A偏差平方和 (组间偏差平方和) SA : 随机偏差平方和 (组内偏差平方和) Se : * 各偏差平方和的含义 组内偏差平方和 Se : 反映了同一水平下的试验值与其平均值的偏差平方和 反映各总体的样本均值之间的差异程度 是由随机因素引起的 组间偏差平方和 SA : 反映了由于因子水平变化所引起的组平均与总平均的偏差平方和 反映每个样本各观察值的离散状况 一般是由随机因素和系统误差引起的 * 如果原假设成立，则表明没有系统误差，组间平方和SSA 除以自由度后的均方与组内平方和SSE和除以自由度后的均方差异就不会太大；如果组间均方显著地大于组内均方，说明各水平(总体)之间的差异不仅有随机误差，还有系统误差 判断因素的水平是否对其观察值有影响，实际上就是比较组间均方与组内均方之间差异的大小 三个平方和的作用 * Ｆ统计量的构建 由于 ,且相互独立，则: 由于 ，所以在 H0为真时， * 在假设H0成立时 检验假设H0的拒绝域为 其中 为显著性水平， 是自由度为 的F分布 上侧分位数。 越小，拒绝H0的把握越大，因子A的显著性越高。 ~ * 方差分析表 来源 平方和S 自由度f 均方和V (方差) F比 显著性 A e r-1 n-r ** * (*) T n-1 * 判断说明 **: 高度显著 F F0.01 *: 显著 F0.05 F F0.01 (*): 一般显著 F0.1 F F0.05 否则，不显著 * x f (x) F 分布 F0.1 F0.05 F0.01 概率为0.01 概率为0.05 ** 概率为0.1 (*) * * 各总体观测值不等情形下的单因子方差分析 对于一般情形：各因子水平下的观测值的个数不完全一样，假设为mi，则单因子的方差分析完全类似。 相关符号如下： * 方差分析表 来源 平方和S 自由度f 均方和V F比 显著性 A e r-1 n-r ** * (*) T n-1 * 消费者对四个行业的投诉次数 行业 观测值 零售业 旅游业 航空公司 家电制造业 1 2 3 4 5 6 7 57 66 49 40 34 53 44 68 39 29 45 56 51 31 49 21 34 40 44 51 65 77 58 【例3.1】为了对几个行业的服务质量进行评价，消费者协会在四个行业分别抽取了不同的企业作为样本。最近一年中消费者对总共23家企业投诉的次数如下表： 消费者对四个行业的投诉问题 * data examp3_1; input lab $ tousu @@; cards; a1 57 a1 66 a1 49 a1 40 a1 34 a1 53 a1 44 a2 68 a2 39 a2 29 a2 45 a2 56 a2 51 a3 31 a3 49 a3 21 a3 34 a3 40 a4 44 a4 51 a4 65 a4 77 a4 58 ; run; * proc anova data=examp3_1; class lab; model tousu=lab; run; 结论 例题3.2 * data examp3_2; input recipe $ weight @@; cards; a1 164 a1 190 a1 203 a1 205 a1 206 a1 214 a1 228 a1 257 a2 185 a2 197 a2 201 a2 231 a3 187 a3 212 a3 215 a3 220 a3 248 a3 265 a3 281 ; run; * proc