统计学第九章双因素和多因素方差分析.pptVIP

第九章 双因素和多因素方差分析;学习目标;讲授内容;第一节 双因素方差分析概述;3、无交互作用的双因素方差分析或无重复双因素方差分析(Two-factor without replication)：两个因素对试验结果的影响是相互独立的，分别判断两个因素对试验数据的影响。 4、有交互作用的双因素方差分析或可重复双因素方差分析 (Two-factor with replication)：如果两个因素对试验数据的单独影响外，两个因素的搭配还会对结果产生一种新的影响。;二、双因素交叉分组试验设计的描述;（一）试验数据的描述;（二）观测值的描述;（三）平方和与自由度的分解;A因素误差平方和 B因素误差平方和 AB交互作用误差平方和 随机误差项平方和;2、平方和的分解 与平方和相应的自由度分别为： 总自由度：dfT=abn-1 A因素处理间自由度：dfA=a-1 B因素处理间自由度：dfB=b-1 交互作用自由度：dfAB=(a-1)(b-1) 处理内自由度：dfe=ab(n-1) dfT=dfA+dfB+dfAB+dfe;（四）平方和的简便计算方式;（五）各项均方的计算;第二节 不同实验类型的双因素方差分析;3、检验统计量的计算 ;4、均方期望 ;（二）无重复无交互作用实验的双因素方差分析 1、观测值的描述 2、提出假设 ;3、检验统计量的计算 在F检验时，A因素、B因素的检验统计量均以MSe做分母 FA=MSA/MSe FB=MSB/MSe 用F分布的上尾检验，拒绝域为FFα;（三）交互作用的判断;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 ;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。例如在上例中，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(记为x1～x9)： 49, 46, 45.25, 37.5, 34.5, 27, 18.25, 18, 15.5，求出各对差值，列成下表： ;求得： ，df=27 ;? ;分析：从这一差值表中可见，x1至x5，除x1至x5外相互间都没有显著差异。但x4，x5与其他3个值差异相对大一些。x6至x9差异均不显著。而x1，x2，x3与x6 ~ x9差异均达极显著。另外，x1，x2，x3以及x7，x8，x9之间的差异都很小。由于现在的数据是发酵产量，显然是越高越好，因此我们主要关心x1，x2，x3。从以上分析中可知，基本上可把x1，x2，x3视为无差异 ; 当交互作用存在时，对固定模型若不设置重复，则无法把SSAB与SSe分开，这样将无法进行任何统计检验。因此在固定模型中有交互作用时，不设置重复的试验是无意义的。 对固定模型来说，结论只能适用于参加实验的几个水平，不能任意推广到其他水平上去。 ;二、随机模型 1、观察值的线性统计模型 2、提出假设;3、检验统计量的计算 在F检验时，A因素、B因素主效应的检验统计量是以MSAB做分母；互作效应的检验统计量以MSe做分母 FA=MSA/MSAB FB=MSB/MAB FAB=MSAB/MSe 用F分布的上尾检验，拒绝域为FFα 注意：检验统计量的分母与统计量的第二自由度与固定效应不同;4、均方期望;三、混合模型（以A为固定因素、B为随机因素为例） 在混合模型中，A、B因素的效应为非可加性， 为固定效应， 为随机效应 对A做检验时，统计量的计算方法按照随机模型的统计量计算方法，对B及AB交互效应做检验时，统计量的计算方法按照固定模型的统计量计算方法。 P177;例2：随机选择4个小麦品种，施以三种肥料，小区产量列于下表，该