统计学(北大吴喜之)lecture6.pptVIP

试验设计 一个养蟹户要遇到许多影响生产的因素或因子（factor），比如水温，饲料，水质等各种问题。 要想稳定高产，就要进行各种因素的不同水平(level)的搭配（组合）试验。这里的“水平”就是一个因素可能取的值。比如对于饲料这个因素，每个水平就是一种饲料；如果有三种可供选择的饲料，该因素就有三个水平。而如果水温有四种水平，则水温和饲料就有12种可能的搭配（组合）。 试验设计模型可以说就是回归模型的一种，自变量有定性变量的情况的处理和试验设计数据处理是一样的。但试验设计问题本身有很大一部分是如何设计试验，使得人们有可能用最少的资源得到最好的结果。当然，我们不打算详细讨论如何设计试验，而把主要精力放在试验设计数据的方差分析上。 方差分析 方差分析（analysis of variance，ANOVA）是分析各个自变量对因变量影响的一种方法。 这里的自变量就是定性变量的因子及可能出现的称为协变量（covariate）的定量变量。 分析结果是由一个方差分析表表示的。 原理为：因变量的值随着自变量的不同取值而变化。我们把这些变化按照自变量进行分解，使得每一个自变量都有一份贡献，最后剩下无法用已知的因素解释的则看成随机误差的贡献。 然后用各自变量的贡献和随机误差的贡献进行比较（F检验），以判断该自变量的不同水平是否对因变量的变化有显著贡献。输出就是F-值和检验的一些p-值。下面看一个例子。 销售数据(sales.sav) 研究这个数目的主要目的是看销售额（因变量）是否受到促销方式、售后服务和奖金这三个自变量的影响（头两个是定性变量，亦称为因子，分别有3个和2个水平；而定量变量奖金是协变量）以及怎样的影响。 方差分析(只考虑主效应,不考虑交互效应及协变量) 首先假定自变量受到的仅仅有不同因素的主效应（main effect）而没有交互效应（interaction）和协变量的影响。 主效应就是每个自变量对因变量的单独影响，而交互效应是当两个或更多的自变量的某些水平同时出现时除了主效应之外的附加影响。拿我们例子来说，当单独考虑时，假定主动促销比被动促销可以多产生8万元效益，而有售后服务比没有售后服务多产生9万元效益。那么在没有交互作用时，同时采取主动促销和售后服务会产生8＋9＝17万元的效益（称为可加的）。 但如果存在交互效应，那么同时采取主动促销和售后服务会产生一个附加的效应即交互效应（一般来说也可能是正面的，也可能是负面的），这时的总效应就不是17万元了。 方差分析(只考虑主效应,不考虑交互效应及协变量) 如要分析的只是因变量销售额和自变量促销和售后服务的主效应。用y表示销售额，ai表示促销（下标表示不同水平），bj表示售后服务；则相应的只有主效应的线性模型为： SPSS实现(只有因子主效应的方差分析) 拿sales.sav为例，在SPSS中选Analyze－General Linear Model－Univariate进入主对话框； 然后把sales选入Dependent Variable，把promot和service选入Fixed Factors； 然后点击Model，选择Custom，在Build Terms: Main effects中选择Main effects,再把promot(F)和service(F)选入Model； 选择或不选择Include intercept in model则确定是否在模型中包含常数项；回到主对话框（Continue），这时点OK即可； 如果要输出参数估计可以在Options选诸如Parameter Estimates等。 方差分析 现在再加上作为协变量的定量变量奖金，看它对销售有没有影响，这时的线性模型就又多了一个如同回归一样的代表自变量奖金x的一项（加上系数g）gx： 还要说明的是，如果每一种因子水平的组合只有一个观测值（这里例中每个组合有四个观测值），那么，无法对是否有交互作用进行判断；这是由于数据量不够，交互作用即使有也混在误差项中，无法剥离出来进行分析。 SPSS实现(有交互效应,但没有协变量的方差分析 ) sales.sav为例，在SPSS中选Analyze－General Linear Model－Univariate进入主对话框； 然后把sales选入Dependent Variable，把promot和service选入Fixed Factors； 然后点击Model，选择Custom，在Build Terms中选择Interaction，先把promot(F)和service(F)选入Model，再把promot(F)和service(F)同时选入Model（出现“promot*service”）； 选择或不选择Include intercept in mode