第五章 方差分析教学课件.ppt

（1）固定模型（fixed model） 在单因素试验的方差分析中，把k个处理看作k个明晰的总体。如果研究的对象只限于这k个总体的结果，而不需推广到其它总体；研究目的在于推断这k个总体平均数是否相同，即在于检验k个总体平均数相等的假设H0：μ1=μ2=…=μk；H0被否定，下步工作在于作多重比较；重复试验时的处理仍为原k个处理。这样，则k个处理的效应(如αi=μi-μ)固定于所试验的处理的范围内，处理效应是固定的。这种模型称为固定模型。一般的比较性试验均属固定模型。 下一张 主 页 退 出 上一张 在单因素试验中 ，k个处理并非特别指定，而是从更大的处理总体中随机抽取的k个处理而已，即研究的对象不局限于这k个处理所对应总体的结果，而是着眼于这k个处理所在的更大的总体；研究的目的不在于推断当前k个处理所属总体平均数是否相同，而是从这k个处理所得结论推断所在大总体的变异情况，检验的假设一般为处理效应方差等于零，即H0: =0；如果H0被否定，进一步的工作是估计 ；重复试验时 ，可 在大处理总体中随机抽取新的处理。 下一张 主 页 退 出 上一张 （2）随机模型（random model） 这样，处理效应并不固定，而是随机的，这种模型称为随机模型。随机模型在遗传、育种和生态试验研究方面有广泛的应用。如，为研究中国苹果不同品种间果肉软硬度的变异情况，从大量地方品种中随机抽取部分品种为代表进行试验，其结果推断中国苹果不同品种间果肉软硬度的变异情况，这就属于随机模型。 在多因素试验中，若各因素水平的效应均属随机，则对应于随机模型。 下一张 主 页 退 出 上一张 （3）混合模型（mixed model） 在多因素试验中，若既包括固定效应的试验因素，又包括随机效应的试验因素，则该试验对应于混合模型。混合模型在试验研究中是经常采用的。 下一张 主 页 退 出 上一张 5 方差分析的基本假定和数据转换 下一张 主 页 退 出 上一张 （1）效应的可加性 方差分析模型均为线性可加模型。这个模型明确提出了处理效应与误差效应是“可加的”，正是由于这一“可加性”，才有了样本平方和的“可加性”，亦即有了试验观测值总平方和的“可剖分”性。如果试验资料不具备这一性质，那么变量的总变异依据变异原因的剖分将失去根据，方差分析不能正确进行。 下一张 主 页 退 出 上一张 5.1 方差分析的基本假定 （2）分布的正态性 是指所有试验误差是相互独立的，且都服从正态分布N(0，σ2)。只有在这样的条件下才能进行F检验。 （3）方差的同质性 即各个处理观测值总体误差方差σ2应是相等的。只有这样，才有理由以各个处理均方的合并均方作为检验各处理差异显著性的共同的误差均方。 下一张 主 页 退 出 上一张 上述三点是进行方差分析的基本前提或基本假定 如果在分差分析前发现有某些异常的观测值、处理或单位组，只要不属于研究对象本身的原因，在不影响分析正确性的条件下应加以删除。 有些资料就其性质来说就不符合方差分析的基本假定。其中最常见的一种情况是处理平均数和均方有一定关系(如二项分布资料，平均数 ，均方 ；泊松分布资料的平均数与方差相等 )。 下一张 主 页 退 出 上一张 5.2 数据转换 对不能直接进行方差分析的资料应考虑采用非参数方法分析或进行适当数据转换后再作方差分析。 常用的数据转换方法 ： ① 平方根转换（square root transformation） 此法适用于各组均方与其平均数之间有某种比例关系的资料，尤其适用于总体呈泊松分布的资料。转换的方法是求出原数据的平方根 。若原观测值中有为0的数或多数观测值小于10，则把原数据变换成 ，对于稳定均方，使方差符合同质性的作用更加明显。变换也有利于满足效应可加性和正态性的要求。 下一张 主 页 退 出 上一张 ② 对数转换（logarithmic transformation） 如果各组数据的标准差、全距与其平均数大体成比例或变异系数CV接近常数时，或者效应为相乘性或非相加性，则将原数据变换为对数(lgx或lnx)后，可以使方差变成比较一致而且使效应由相乘性变成相加性。 对数变换能使服从对数正态分布的变量正态化。如环境中