两因子方差分析.pptVIP

第2讲方差分析ANOVA(analysis of variance) 竞争者数量对销售额影响的分析 前 言 方差分析是采用数理统计方法对所得结果进行分析，以鉴别各种因素对研究对象的某些特性值影响大小的一种有效方法。 方差分析是通过对试验结果的分析去判断因子是否显著的一种统计方法。 方差分析方法是解决具有相同方差的ｋ(k2)个正态总体的均值是否有显著差异问题的有效方法。 方差分析方法的核心是样本偏差平方和的分解。 术 语 试验指标(指标): y 因子(因素): A,B,C… 因子的水平: A1,A2,…,Ar B1,B2,…,Bs 水平数: r ;s 单因子方差分析(one-way ANOVA) 两因子方差分析(MANOVA) 单因子方差分析(one-way ANOVA) 解决一个因子的不同水平的试验结果之间的差异显著性问题。 解决一个因子的不同水平对试验结果的影响程度问题。 1、模型与假设的提出 考虑因子A取r个水平，分析这r个水平对指标y的影响 在每个Ai下,重复做m次试验，i=1,2,…,r 一般情况，假定在Ai水平下的指标 其中要求yij 的方差σ2是相同的 单因子方差分析数据(表)模型 假设的提出 在单因子方差分析中就是要通过对数据yij的分析去判断μ1 ,μ2 ,… μr是否全部相同 yij 的数据结构形式: yij =μi+εi j 其中: μi 为在Ai水平下 yij的平均水平， εij为在第i水平下第j次试验 的随机误差 即要检验假设 H0: μ1 =μ2 =…=μr 是否成立 讨论因子A的不同水平对试验结果之间差异的影响是否显著的问题 假设的另一种提法 ai为因子A的第i水平的效应: ai = μi- μ 其中: μ为总的平均水平， yij 的数据结构形式: yij =μ+ ai+εi j 其中: μ 为总的平均水平， εij为在第i水平下第j次试 验的随机误差 单因子方差分析数据结构模型 即要检验假设 H0: a1 = a2 =…= ar= 0 是否成立 讨论因子A的不同水平的效应是否可以忽略不计的问题 2、检验统计量的确定 Yij取值不同主要原因有：一是可能A取不同水平所引起的；二是随机误差引起的。 偏差平方和的分解是构建适用于方差分析的 F 统计量的重要工具。 是区分条件误差(系统性误差)和随机误差(偶然性误差)的主要方法。 偏差平方和的分解 数据总的差异可用总偏差平方和ST来表示 引入Ai 水平的均值(组平均) 总的偏差平方和分解 总偏差平方和 ST: 因子A偏差平方和 (组间偏差平方和) SA : 随机偏差平方和 (组内偏差平方和) Se : 组内偏差平方和 Se : 反映了同一水平下的试验值与其平均值的 偏差平方和,一般是由偶然因素引起的。 组间偏差平方和 SA : 反映了由于因子水平变化所引起的组平均 与总平均的偏差平方和,一般是由条件因素 引起的。 Ｆ统计量的构建 由于 ,且相互独立， 则: 由于 ，所以在 H0为真时， 在假设H0成立时 检验假设H0的拒绝域为 其中 为显著性水平， 是自由度为 的F分布 上侧分位数。 越小，拒绝H0的把握越大，因子A的显著性越高。 方差分析表 判断说明 **: 高度显著 F F0.01 *: 显著 F0.05 F F0.01 (*): 一般显著 F0.1 F F0.05 否则，不显著 竞争者数量对销售额影响的分析 两因子方差分析(无交互作用) 分析两个因子单独对指标的影响问题 一个因子水平下的好坏及其程度不受另一个因子不同水平影响的情况，称为两因子间无交互作用 品牌和销售地区对电脑销售量影响的分析 1、模型与假设的提出 考虑因子A取r个水平，因子B取s个水平，分析这r×s个水平组合(A i ,B j)对指标yij的影响 在每个(A i ,B j)下,只做 1 次试验， 一般情况，假定在(A i ,B j)水平组合下的指标 y i j ～ N(μi j,σ2), i=1,2,…,r; j=1,2,…,s 其中要求y i j 的方差σ2是相同的 两因子方差分析数据(表)模型 假设的提出 y i j 的数据结构形式: y i j =μi j+εi j 其中: μi j 为y