多因素方差分析课件.pptVIP

多因素方差分析; 进行多因素方差分析从理论上说并无任何困难，但随着因素数的增加，普通方差分析的复杂性迅速增加，这种复杂性不仅表现在分析计算的繁复，更表现在所需实验次数呈现出几何级数的增加上因此三或三因素以上方差分析较少用到； 当确实需要考虑这样多因素时，我们常常转而采用一些特殊的方差分析方法，例如正交实验设计方法。 ; 单因素方差分析相比，交互作用是多因素方差分析中新的概念之一。当一个因素的效应明显地依赖于其他因素的水平时，我们称这些因素间有交互效应。例如，由于人的体质不同，药物的疗效也可能会有不同；不同的地施用同样的肥料，增产效果也有不同，等等。 ;A1; 多因素方差分析可分为固定模型，随机模型及混合模型三类。这几类模型的计算公式基本相同，但其数学模型，假设，统计量，结果的解释等方面均有相当大的差异。 ; 多因素方差分析可分为交叉分组和系统分组两大类。这两类计算公式也有些差别，下面我们以两因素方差分析为例，介绍它们试验设计方面的不同点。 交叉分组：实验中，A因素的每个水平都会和B因素的每个水平相遇，因此A，B的地位是完全对称的。这是最常见的实验设计方法。 ;先按A因素的a个水平分为a组，在每一组内再按B的水平细分。一般A因素不同水平的组内B因素的水平可取不同值。例如研究PH值对酶活性的影响，不同的酶可能有不同的最适PH值，因此应对每种酶设置PH值偏高、合适、偏低三个水平，而不同的酶(因素A的不同水平) PH值(因素B)的水平可能是不相同的。 ;??????? 1.??? 固定效应模型。首先考虑有重复的情况。线性统计模型为： xijk=?+?i+?j+(??)ij+?ijk, i=1, 2, ……a, j=1, 2, ……b; k=1, 2, ……n 其中：?：总平均值；?i：A因素i水平主效应；?j：B因素j水平主效应； (??)ij：A因素i水平与B因素j水平的交互效应；?ijk：随机误差。 ;H01: ?i =0, i=1, 2, ……a H02:βj=0, j=1, 2, ……b H03:(??)ij=0, i=1, 2, ……a, j=1, 2, ……b 备择假设为: HA: 上述各参数中至少有一个不为0。(这实际上是三个备择假设。) ;方差分析的基本思想仍是总变差分解： 即： SST = SSA + SSB + SSAB + SSe 自由度：abn-1 a-1 b-1 (a-1) (b-1) ab(n-1) ;均方数学期望 ; 检验两个主效应及一个交互效应的下述三个统计量中，分母全部采用MSe即可。 检验H01，H02，H03的统计量分别为： ;各效应的估计值 ;计算公式; 计算排列如下表： 表中最下一行是各列的平均，最右一列是各行的平均 ;变差来源 ; 把计算所得结果填入上表后，再根据各F统计量的自由度查出其F0.95及F0.99分位数，并将F计算值与相应分位数相比，大于F0.95则在统计量F右上角标一个“*”号；大于F0.99则再加一个“*”号。最后用一句话对上述方差分析的结果加以总结，即哪些主效应或交互效应达到显著或极显著水平，哪些不显著 ; 如果MSAB小于或约等于MSe，即FAB小于或约等于1，说明此时交互作用不存在，在这种情况下也可把MSAB和MSe合并在一起(即把平方和和自由度都合并)作为σ2的估计量，这样可以提高检验的精确度。具体计算公式如下 ;原料 种类 (A) ; 本题中显然温度是一个因素，原料种类是另一个因素。这两个因素各有三个水平。由于它们的影响都是可控制、可重复的，因此都是固定因素。在同样温度、原料下所做的几次实验应视为重复，它们之间的差异是由随机误差所造成的 ; j i ;发酵实验方差分析表 ;查F分布表，得：F0.95(2,27)≈F0.95(2,30)=3.316, F0.99(2,27)≈F0.99(2,30)=5.390, F0.95(4,27)≈F0.95(4,30)=2.690, F0.99(4,27)≈F0.99(4,30)=4.018, ∴FA,FB均达极显著，标上“* *”，FAB只达显著，标上“*”。因此酒精产量不仅与原料和温度的关系极显著，与它们的交互作用也有显著关系。即对不同原料应选用不同的发酵温度。 ; 在固定效应模型中，若各F统计量有达到显著或极显著水平时，常常还需要在各处理间进行多重比较，以选出所需要的条件组合。例如在例4.3中，我们已经发现原料，温度以及它们的交互作用都对酒精的产量有影响，显然我们应进一步找出最优的条件组合以用于生产。这就需要进行多重比较了 。;把各处理平均数从大到小排列(