第3讲 回归分析-方差分析精品.ppt

* 注：SPSS中一元回归和多元回归以及多元逐步回归都是使用同一过程，所以该栏可以输入多个自变量。 * Sum of squares, 离差平方和 Intercept, 截距 Corrected 校正 * 本例子选择了“Duncan”和“Tamhanes T2”。 Option按钮 可以显示的内容 处理过程 假设 H0：三组石棉矿工的用力肺活量无差别 H1：三组石棉矿工的用力肺活量有差别 操作方法 分析结果 方差齐性检验 方差分析表 方差分析的多元比较 思考：调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表所示。 重复 水 稻 品 种 1 2 3 4 5 1 41 33 38 37 31 2 39 37 35 39 34 3 40 35 35 38 34 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否 存在显著性差异。 单因变量多因素方差分析 当分析某一事物的变化原因，影响因素的不只一个，可能是多个因素影响着事物的变化方向和程度时，单因素方差分析就无能为力了 例如 水稻的产量与光照强度和施肥量是否都有关系，如何检验？ 可采用多因素方差分析方法 问题陈述 研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表1。分析不同温度和湿度对粘虫发育历期的影响是否存在着显著性差异。（a=0.05） 表1 不同温度与不同湿度粘虫发育历期表 相对湿度（%） 温度℃ 重 复 1 2 3 4 100 25 91.2 95.0 93.8 93.0 27 87.6 84.7 81.2 82.4 29 79.2 67.0 75.7 70.6 31 65.2 63.3 63.6 63.3 80 25 93.2 89.3 95.1 95.5 27 85.8 81.6 81.0 84.4 29 79.0 70.8 67.7 78.8 31 70.7 86.5 66.9 64.9 40 25 100.2 103.3 98.3 103.8 27 90.6 91.7 94.5 92.2 29 77.2 85.8 81.7 79.7 31 73.6 73.2 76.4 72.5 单因变量多因素方差分析 总的离差平方和可表示为 SST=SSA+SSB+SS(AxB)+SSE SSA:A因素产生的离差平方和 SSB:B因素产生的离差平方和 SS(AxB) :A与B的交互作用产生的离差平方和 SSE:抽样产生的随机差异 单因变量多因素方差分析 零假设: H0A:不同温度对粘虫发育历期无影响 H0B:不同湿度对粘虫发育历期无影响 H0(AxB):不同温度和湿度的交互作用对粘虫发育历期无影响 单因变量多因素方差分析 F检验：构造F统计量如下： 实例分析 研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表1。分析不同温度和湿度对粘虫发育历期的影响是否存在着显著性差异。（a=0.05） 准备分析数据 在数据编辑窗口中输入数据。建立因变量历期“历期”变量，因素变量温度“A”，湿度为“B”变量，重复变量“重复”。然后输入对应的数值，如图。 功能菜单 点击主菜单“Analyze”项，在下拉菜单中点击“General Linear Model”项，在右拉式菜单中点击“Univariate”项，系统打开单因变量多因素方差分析设置窗口如图。 Model选择 在“Build Term(s)”栏右面的有一向下箭头按钮（下拉按钮），单击该按钮可以展开一小菜单，在下拉菜单中有如下几项选择： Interaction 选中此项可以指定任意的交互效应； Main effects 选中此项可以指定主效应； All 2-way 指定所有2维交互效应； All 3-way 指定所有3维交互效应； All 4-way 指定所有4维交互效应 All 5-way 指定所有5维交互效应。 结果分析 主效应方差分析表 A的主效应检验结果 B的主效应检验结果 AB的交互效应检验结果 温度因素不同水平的多重比较 协方差分析 在某些实际问题中，有些因素在目前还不能控制或难以控制。 如在动物饲养试验中，各组动物所增加的平均体重不仅仅与各种饲料营养价值高低有关，还与各动物的进食量有关，甚至与各动物的初始重量等因素及其交互作用都有关系。如果直接进行方差分析，会因为混杂因素的影响而无法得出正确结论。 协方差分析 协方差分析(Analysis of Covariance)是将回归分析与方差分析结合起来使用的一种分析方法。 基本思想:先将定量的影响因素看作自变量，或称为协变量(Covariate)，建立因变量随自变量变化的回归方程,这样就可以利用回归方程把因变量的变化中受不易控制的定量因素的影响扣除掉,从而能够较合理地比较定性的影响因素处在不同水平下，经过回归分析