单变异数分析(ANOVA).ppt

第13章變異數分析與多變數分析 　　1. 變異數分析的應用時機 　　2. 變異數分析的假設前提 　　3. SSS , SST , SSB之算法及關係 　　4. 隨機集區設計之方法及應用 　　5. 多變異數分析的應用時機 　　6. 多重T檢定之方法 　　7. SPSS軟體之操作說明 13.1 變異數分析的概念 1.當我們在檢定一個母體平均數或比較二個樣本平均數時，通常是使用Ｚ檢定或ｔ檢定 13.1 變異數分析的概念 2. 如果實驗變數超過二個的時候，利用多變量變異數分析 ( ANOVA )。變異數分析的作用在於分析各種變異的來 源，並進而加以比較，以瞭解不同的實驗變數所造成的結 果是否有顯著的差異，它的虛無和對立假設如下： 13.2 變異數分析的假設 進行 ANOVA 及 MANOVA 分析時，均必須符合以下之假定： 1.各母體呈常態分配。 2.變異數同質：各母體的變異數σ2都相等。 3.自變數不應有高度的共線性。 4.對極端值應有足夠的敏感性。 5.可加性：所有樣本都是隨機抽樣，而且彼此獨立，可以進行 累積與加減。 6.球面性：不同樣本在不同水準間重複測試 13.4 完全隨機設計 在此類變異數分析中，我們所要計算來作為檢定用途的，首先是樣本的離均差平方和，其內容有組內變異(誤差)的離均差平方和(sum of squares)： 而組間變異(實驗變數)的離均差平方和為： 13.4 完全隨機設計 最後總變異的離均差平方和，是等於組內變異的離均差平方和加上組間變異的離均差平方和，即： 13.4 完全隨機設計 在求出上列各項離差平方和後，我們再加以求算它們的不偏變異數。 組內不偏變異數(mean square) ： 組間變異的不偏變異數為： 13.4 完全隨機設計 上述兩個步驟完成後，便可求算其Ｆ值，再用Ｆ分配表檢定組間變異是否顯著，Ｆ值的算法如下： 如果F＞Fα， 即組間變異顯著，拒絕Ｈｏ 如果F＜F α ，即組間變異不顯著(在α水準下)，無 法拒絕Ｈo 13.4 完全隨機設計 範例： 假設某電器用品廠商要測定其三家經銷商之平均銷售量是否相同，於是該廠商從甲店上個月各天的銷售量中隨機抽選五天的銷售量，從乙店抽選六天的銷售量，從丙店抽選四天的銷售量，所得資料如表13 – 1 所列。 13.4 完全隨機設計 針對此一問題我們所發展的假設如下： Ｈ0：μ1＝μ2＝ μ3 ( 三家經銷商的平均銷售量相同 ) Ｈ1：至少一家經銷商的平均銷售量與其他不同 13.5 隨機集區設計 隨機集區設計係先依據某一外在因素將實驗單位分成若干「集區」( block )，然後再衡量「實驗變數」的效果，其總離均差平方和( SST )可分割成集區離均差平方和( SSBB )、實驗變數離均差平方和( SSB )和誤差平方和( SSE )等三部份： 13.5 隨機集區設計 台南縣農會想研究不同品種稻米的收穫量，故選擇 12 等分農田分成四個區，試種後產量下表所示，請用 5％的 顯著水準檢定不同品種稻米的平均產出是否相同。 對於上述問研究我們所發展的假設如下：　 Ｈ0：μ1＝ μ2 ＝ μ3 　　 Ｈ1：至少有一個不相等。 13.6 多變數的檢定 　當研究資料中，依變數不再只有一個，而是有多個依變數，此時便需要使用多變數分析。單變異數分析 ( ANOVA ) 程序雖然可以個別計算每個依變數之變異數，但這樣做就會忽略了多個依變數之間的相關。將單變異數分析擴展成多個依變數，稱為多變數分析 ( MANOVA )。 13.6 多變數的檢定 　 MANOVA 可同時分析兩個或兩個以上的準則變數，為什麼不分別對每一個準則變數進行 ANOVA或 t 檢定即可呢？ 這是因為個別的檢定會忽略依變數間的互動關係，未充分利用所有可用的資訊來評估各群體的整體差異，必然會影響檢定的效力。如果依變數間有複共線性 ( multicollinearity ) 存在，則利用 MANOVA 才能檢測出各準則變數間線性結合的影響 。 13.6 多變數的檢定 以本範例而言，我們探討公司社會資本的不同，對於「公司之知識創造過程」 ( 包括社會化、外部化、連結、及內部化 ) 上是否會有所不同。多變數分析之結果如表13 – 5 所示。 Phillai’s Trace＝0.195 (F＝5.305) Wilk’sλ＝0.806 (F＝5.535) 由上表可得知，不同社會資本分群在「社會化」、「外部化」、「連結」、「內部化」的公司知識創造過程上皆有差異。 並且就四個變數之線性關係而言，Phillai’s Trace值及 Wilk’s λ值均達顯著之水準，可見知識創