方差分析0.ppt

第五章 方差分析 t检验法适用于样本平均数与总体平均数以及两个样本平均数间的差异显著性检验，但在生产和科学研究中经常会遇到比较多个处理优劣的问题，即需进行多个平均数间的差异显著性检验。 例如，一试验包含5个处理，如采用t检验法进行检验，需作 =10次两两平均数的差异显著性检验；若有k个处理，则要作 k(k-1)/2次类似的检验。 例如，试验有5个处理 ，每个处理 重复 6次，共有30个观测值。进行t检验时，每次只能利用两个处理共12个观测值估计试验误差 ，误差自由度为 2(6-1)=10 ；若利用整个试验的30个观测值估计试验误差 ，显然估计的精确性高，且误差自由度为5(6-1)=25。可见，在用t检法进行检验时 ，由 于估计误差的精确性低，误差自由度小，使检验的灵敏性降低，容易掩盖差异的显著性。 方差分析是将k个处理的观测值作为一个整体看待，把观测值总变异的偏差平方和及自由度分解为相应于不同变异来源的偏差平方和及自由度，进而获得不同变异来源的总体方差估计值；由总体方差估计值构造F统计量，计算F值，检验各样本所属总体平均数是否相等。 1 方差分析的基本原理与步骤 1.1 线性模型与基本假定 假设某单因素试验有k个处理，每个处理有n次重复，共有nk个观测值。试验资料的数据模式如表3-1所示。 为了比较各处理的影响大小，将 再进行分解，令 （3-2） （3-3） 则 （3-4） 其中μ表示所有试验观测值（nk个）总体的平均数； ai 是 第 i 个 处理的效应 （treatment effects）表示处理i对试验结果产生的影响。显然有 （3-5） εij是试验误差，相互独立，且服从 正态分布N（0，σ2）。 叫做单因素试验的线性模型（linear model）亦称数学模型。 观察值xij表示为总平均数μ、处理效应αi、试验误差εij之和。 由εij 相互独立且服从正态分布N（0，σ2），可知各处理Ai（i=1，2，…，k）所属总体亦应具正态性，即服从正态分布N(μi，σ2)。尽管各总体的均数 可以不等或相等，σ2则必须是相等的（外界试验条件尽可能保持一致，处理效应才可比）。 所以，单因素试验的数学模型可归纳为： 效应的可加性（additivity）、分布的正态性（normality）、方差的同质性（homogeneity）。这是方差分析的前提条件或基本假定。 若将表3-1中的观测值 xij（i=1,2,…,k；j=1,2,…,n）的数据结构（模型）用样本符号来表示，则 （3-6） 与（3-4）式比较可知， 分 别是μ、（μi-μ）= 、 （xij- ） = 的估计值。 1.2 方差分析的基本步骤 1.2.1 偏差平方和与自由度的分解 在方差分析中是用样本方差即均方（mean squares）来度量数据资料的变异程度。 将总变异分解为处理间变异和处理内变异，就是要将总均方分解为处理间均方和处理内均方。 （1）总偏差平方和的分解 在表3-1中，反映全部观测值总变异的总偏差平方和是各观测值xij与总平均数 的离均差平方和，记为SST。即 其中 所以 （3-7） 为各处理平均数与总平均数的离均差平方和与重复数n的乘积 ，反映了重复n次的处理间变异 ，称为处理间偏差平方和，记为SSt，即 为各处理内离均差偏差平方和之和，反映了各处