方差分析与协方差分析.PPT

模型与假设 模型表达式（单因素） Y=μ+a+e 建立假设，确定检验水准 k组总体均数不全相等。 方差分析表 组间变异体现了因素A的效应，组内变异则被视作误差。 来源 平方和 自由度 均方 F 值 P 值 组间 组内 总和 确定P 值，做出统计推断 如果均值相等，F=MSA/MSE?1 a F 分布 F?(k-1,n-k) 0 拒绝H0 不能拒绝H0 F 事后比较(posteriori/post hoc comparison) F 检验显著说明各组均值并不相同(至少两组不同)，但不能回答到底哪几组不同。 通过对各组均值之间的配对比较来进一步检验到底哪些均值之间存在差异。 方法众多，不下20种。 LSD法：最灵敏，会犯假阳性错误； Sidak法：比LSD法保守； Bonferroni法：比Sidak法更为保守一些；常用 Scheffe法：多用于进行比较的两组间样本含量不等时； Dunnet法：常用于多个试验组与一个对照组的比较； S-N-K法：寻找同质亚组的方法； Turkey法：最迟钝，要求各组样本含量相同； Duncan法：与Sidak法类似。 均数两两比较方法 关联强度 (strength of association)与效应值 (effect size)的度量 实验处理引致的效应的大小或者数据的变异有多少部分是由实验处理造成的。 Eta平方 净(偏)Eta平方 Omega平方 Cohens f （具体内容见附录） 双因素（无交互作用）试验的方差分析表 方差来源 因素A 总和 平方和 自由度 均方和 F 值 F 值临介值 因素B 误差 注意 各因素离差平方和的自由度为水平数减一，总平方和的自由度为试验总次数减一。 双因素（有重复）试验方差分析表 方差来源 因素A 总和 平方和 自由度 均方和 F 值 F 值临介值 因素B 误差 这里 方差分析的应用范围： （一）单因素多个样本均数的比较: 1. 完全随机设计：只安排一种处理因素，不安排任何配伍因素。 2. 随机化区组设计：只安排一种处理因素，安排一种配伍因素。 3. 拉丁方设计：只安排一种处理因素，安排两种配伍因素。 （二）多因素样本均数间的比较： 1.析因设计：安排两种或两种以上处理因素， 分析处理因素间的交互作用 2.裂区设计：安排两种或两种以上处理因素， 分析处理因素间的交互作用 3.交叉设计：安排两种或两种以上处理因素， 分析处理因素间的交互作用 （三）多个样本均数向量间的比较 多元方差分析：结果变量有两个以上，需要综合评价。 （四）回归方程的假设检验 协方差分析 概念：将方差分析和回归分析结合起来的一种统计分析方法 * 当试验指标（Y）的变异既受一个或几个分类变量，也受一个或几个连续变量的影响，可采用协方差分析 方差分析：一个或几个因子（分类变量）对变量Y（连续变量）的影响 回归分析：一个或几个变量（连续变量）对变量Y （连续变量）的影响 目的 消除连续变量对Y的影响，使方差分析的检验功效更高，结果更可靠 连续变量可能会增大 Y 的组间差异，导致错误结论 连续变量可能会增大 Y 的组内变异，降低检验功效 消除分类变量的影响，使回归分析的结果更可靠 * 20名男性篮球运动员和20名大学生的肺活量（cm3）比较 篮球运动员 肺活量Y 大学生 肺活量Y 4700 3450 5200 4100 ┇ ┇ 4800 4000 协方差分析基本思想 协方差分析基本思想 篮球运动员 大学生 身高X 肺活量Y 身高X 肺活量Y 185 4700 168 3450 175 5200 170 4100 ┇ ┇ ┇ ┇ 174 4800 169 4000 20名男性篮球运动员和20名大学生的肺活量（cm3）比较 协 变 量 协方差分析基本思想 比较肺活量时，要消除身高的影响。 方法1：抽样时，选身高相近的。 方法2：从统计分析技巧上平衡数据。 校正了身高的影响后（回归分析），再比较两组肺活量的均数有无差异（方差分析）。 协方差分析基本思想 在方差分析中，用来校正因变量的数值型变量称为协变量（covariable）。 含有协变量的方差分析称为协方差分析。 协方差分析可提高方差分析的准确度。 观察指标（Y）的总变异： SS总＝SS协变量＋SS处理＋SS误差 协方差分析的基本思想 其实质就是从Y的总离均差平方和中扣除协变量X对Y的回归平方和，对剩余（残差）平方和作进一步分解后再进行方差分析，以更好的评价处理的效应。 * SS