多组均数比较中方差分析应用条件探讨.docVIP

多组均数比较中方差分析应用条件探讨 　　摘要：方差分析是多组均数比较中广泛采用的一种分析方法。本文就方差分析的应用条件做一番探讨。 　　关键词：多组均数比较；方差分析；应用条件 　　 　　多组均数比较在实际数据处理中是大量存在的一类问题，过去由于受计算工具的限制，很多人采用两两t检验比较的方法来代替多个均数比较，这在统计学上是不能接受的，因为这样做的结果致使统计结论的可信度下降，远达不到常规的95%。现在，人们在作多个均数比较时广泛采用方差分析方法。本文对方差分析的应用条件做一番探讨。 　　一、方差分析的基本思想与实例 　　如果一群观察值可以按一个标准或几个标准进行分类，那么方差分析的基本思想就是把全体数据关于总均数的离差平方和（总变异）分解成两个或几个部分，每一个部分表示离差平方和（变异）的一种来源，对各部分的方差进行比较（ 检验），从而确认或否认某些方差（变异）来源的重要性。 　　方差分析如何进行多组均数比较，如何理解它的基本思想？笔者从一个实例作分析。 　　例：考察催化剂对某药的得率的影响。现用4种不同的催化剂独立地在相同条件下进行试验，每种催化剂各做5次试验，得到该药的得率如下表。试问不同的催化剂是否对该药的得率有显著影响？（α=0.05） 　　某药在4种不同催化剂下的得率（%）为： 　　这个例子是典型的单因素多水平的试验数据，本例中的4种不同的催化剂各有5个观察值构成了4组数据，它们的平均得率分别是88.2、83、94、80，其中最小的是80，最大的是94，表明这4种催化剂的得率之间可能存在差异，但各组内的5个数据也各不相同，这是样品不均匀性与随机误差等造成的，既然同一催化剂下的得率可以不同，那么4个均数间的差别是否也可能是样品不均匀性与随机误差等造成的呢？也就是说如何比较4个均数间的差别是否有统计学意义呢？ 　　解决这个问题的思路通常是算一算样品的不均匀性与随机误差等会产生多大的“差别”，我们将这种“差别”简称为“组内差别”，按常规的统计学处理数值型数据的办法，总是假定各组试验数据服从正态分布，另外为了方便估算“组内差别”我们还得假设各组具有同一方差σ2，这样才可以对“组内差别”做出联合估计；再算一算这4个组样本均数间又有多大的“差别”， 然后将这两种“差别”进行比较，如果组间“差别”明显大于组内“差别”，那么就可以认为组间确实存在明显的“差别”。而反映这种“差别”的统计指标最合理的就是“离均差平方和”或“方差”。按这样的想法，很容易算得“组内离均差平方和”与“组内方差”： 　　 组内离均差平方和S=[(85-88.2)+(88-88.2)+…+(90-88.2)]+[(79-83)+…+(88-83)]+…+[(75-80)+…+(84-80)]=148.8 　　组内自由度Vw=(5-1)+(5-1)+…+(5-1)=(5-1)×4=16 　　组内方差S===9.3 　　计算组间的离差平方和可以用各组的均值做本组数据的代表计算与总均值的离差平方和，考虑到各组数据个数有可能不同，可将各组数据个数作为权重系数，于是： 　　组内离均差平方和S=5×(88.2-86.3)+5×(83-86.3)+…+5×(80-86.3)=567.4 　　组间自由度VB=4-1=3 　　组间方差S===189.13 　　计算两者之比F===20.34 　　若给定检验水准α=0.01，查F界值表，得FF1-α=5.29，P0.01,说明各组均数间的差异有统计学意义。 　　从这个例子可以看到要比较“差别”就得先计算出“组内差别”与“组间差别”，而要计算“组内差别”就得先假设各组数据为正态分布且总体方差相同。上面的例子虽然利用F检验得到了统计结果，但并末涉及到为什么可以用F检验来解决均数比较以及总变异是否恰能分解成组间变异与组内变异的问题，下面来谈谈多个均数比较采用 检验的理论依据。 　　二、方差分析的理论基础 　　方差分析所用的是F统计量，也就是F检验，这就有必要先了解一下F分布： 　　两个彼此独立的服从x2分布的随机变量ξ1、ξ2，其自由度分别为V1和V2，则ξ1/V1和ξ2/V2之比 也是一个随机变量，它的分布称作自由度为V1和V2的F分布。而x2分布是一个与正态分布有密切关系的分布函数，简单的说就是若干个标准正态分布的平方和是一个x2分布，在统计学中有一个重要的事实是：对从一个服从正态分布的N(μ，σ)的总体中随机抽取样本容量为n，其样本均数为x，标准差为s，则有(n-1)s2/σ2是一个服从x2分布的随机变量，其自由度为(n-1)。另外x2分布有一个极为重要的性质就是若ξ1、ξ2是两个彼此独立的服从x2分布的随机变量，其自由度分别为V1和V2，则ξ1±ξ2也服从x2分布，自由度为V1