高等生物统计学课件1.pptVIP

复习到此处，休息！！！ * 例 以A,B,C,D4种药剂处理水稻种子，其中A为对照，每处理各得4个苗高观察值(cm)，试由此试验数据判定药剂处理对水稻苗高声有无影响。 药剂 苗高观察值 总和Ti 平均数 A 18 21 20 13 72 18 B 20 24 26 22 92 23 C 10 15 17 14 56 14 D 28 27 29 32 116 29 T=336 =21 因此误差平方和可以采用简单的办法计算 SSe=SST-SSB=602-504=98 进而可得均方： 查附表在f1=3，f2=12时， F0.05=3.49，F0.01=5.95 实得 F＞ F0.01或 P＜0.01，说明药剂处理有统计意义。 四、单因素方差分析模型参数的估计 当方差分析结果为否定原假设时，就需要估计模型的有关参数 ，下面就讨论方差分析模型参数的估计。 四、秩和单因素方差分析 (Kruskal–Wallis one-way analysis of variance ) 在生物学研究中，经常会遇到多种处理试验数据差异分 析，而这种试验数据有严重偏离正态分布，这时传统的 方差分析已无法解决这类问题。为解决这种问题，一般 是把差异比较转化为分布齐一性检验，利用秩和检验法 解决。 单因素方差分析的试验数据应具有下列结构模式。 因素-水平 试验数据 因素-水平 试验数据 秩和 秩平均 首先，将个水平数据放在一起确定每个数据的秩，从而 数据转化为秩数据，并对秩数据整理如下表 可以证明，在各处理水平数据同分布，且 ni5，n15 情况下，统计量R成立以下结论： 于是当ni5，n15时，可以用该结论检验分布同质性，也 可以在分布形状和尺度相同下，检验不同总体中位数差异 显著性，即方差分析。秩和单因素方差以下列步骤实施： 例 以A,B,C,D表示4种海拔水平，为掌握某植物生长受海拔影响，研究人员分别在每个海拔水平实测该植物生长量，数据如下所示(单位g )，试由此试验数据判定该植物生长是否受海拔影响。 A B C D 解 五、多重比较法 拒绝H0，接受H1, 表示总体均数不全相等 哪两两均数之间相等？ 哪两两均数之间不等？ ————需要进一步作多重比较。 方差分析结果 不拒绝H0，表示拒绝总体均数相等的证据不足， ————分析终止。 ?常用多重比较法 ?最小显著差数法(Least significant difference，简称LSD法) ?q法(又称SNK (student-Newman-Keuls)检验法) q测验方法是将r个平均数由大到小排列后，根据所比较的两个处理平均数的差数是几个平均数间的极差分别确定最小显著极差LSRα值的。 ?Tukey法(又称honestly significant difference，简称HSD ) ?Bonferroni法 Bonferroni法是根据所比较的两个处理平均数的个数k，将检验水平 缩小k倍祖为真实比较水平 ，确定是几个平均数间的极差分别确定最小显著差数LSDα值的。 ?多重比较法选择 1.试验事先确定比较的标准，凡是与对照相比较，或与预定要比较的对象比较，一般可选用最小显著差数法LSDa法； 2.根据否定一个正确的H0和接受一个不正确的H0的相对重要性来决定。 参考以下观点： 根据试验的侧重点选择。三种方法的显著尺度不相同，LSD法最低，HSD法次之，SNK法最高。故对于试验结论事关重大或有严格要求时，用SNK法，一般试验可采用HSD法。当比较次数不多时，Bonferroni法的效果较好；但当比较次数较多(例如在10次以上)时，则由于其检验水准选择得过低，结论偏于保守。 ?双因素方差分析背景 ?双因素方差分析的类型 若把品种看成影响产量的因素A，肥料则是影响产量的因素B。对因素A、因素B和二者互作同时进行分析，就属于双因素方差分析。 在实际问题的研究中，有时需要考虑两个因素对实验结果的影响。如研究小麦产量问题，除了关心品种对产量的作用之外，我们还想了解化肥的使用对产量的作用，有时甚至要考虑品种与肥料的相互促进作用。如果不同品种、不同施肥量对产量作用存在显著的差异，就需要分析原因。选择合适的品种，决定恰当的施肥量，以达到增产的目的。 双因素方差分析 双因素方差分析的类型 无交互作用的双 因素方差分析 有交互作用的双 因素方差分析 因素A和因素B的效应之间是相互独立的，不存在相互关系 因素A和因素B的结合会产生出一种新的效应(交互效应) ?交互作用的概念 有人在