实验设计数据的方差分析.ppt

第一页，共三十五页，2022年，8月28日 试验设计 在几乎所有领域都有各种试验。比如 如何对不同的土壤、气候等各种条件找出最合适的作物，使得收益最大 如何使得工业产品优质、价廉 什么环境下，儿童才能在心理上健康成长 企业采取的什么主动措施能够增加收益 第二页，共三十五页，2022年，8月28日 一个例子 一个养蟹户要遇到许多影响生产的因素或因子（factor），比如水温，饲料，水质，疾病等各种问题。 要想稳定高产，就要进行各种因素的不同水平(level)的搭配（组合）试验。这里的“水平”就是一个因素可能取的值。比如对于饲料这个因素，每个水平就是一种饲料；如果有三种可供选择的饲料，该因素就有三个水平。而如果水温有四种水平，则水温和饲料就有12种可能的搭配(组合) 这里，因素就是变量，水平就是该变量的取值；这些名词是属性变量所特有的。 第三页，共三十五页，2022年，8月28日 试验设计模型就是回归模型 在上面例子中，因变量是产量，自变量是水温，饲料等。 描述试验设计的模型就是回归模型的一种 但试验设计问题本身有很大一部分是如何设计试验，使得人们有可能用最少的资源得到最好的结果。 当然，我们不打算详细讨论如何设计试验，而把主要精力放在试验设计数据的方差分析上。 第四页，共三十五页，2022年，8月28日 方差分析 方差分析（analysis of variance，ANOVA）是分析各个自变量对因变量影响的一种方法。 这里的自变量就是定性变量的因子及可能出现的称为协变量（covariate）的定量变量。 分析结果是由一个方差分析表给出的。 第五页，共三十五页，2022年，8月28日 方差分析分解因素贡献的机理 原理为：因变量的值随着自变量的不同取值而变化。我们把总变化(差的平方和)按照自变量(因素)进行分解，显示每一个自变量的贡献；最后剩下无法用已知的因素解释的则看成随机误差的贡献。 然后用各自变量的贡献和随机误差的贡献进行比较（F检验），以判断该自变量的不同水平是否对因变量的变化有显著贡献。输出就是F-值和检验的一些p-值。 下面看一个例子。 第六页，共三十五页，2022年，8月28日 单因素方差分析回顾饲料比较数据, n=19头猪, 用p=4种饲料喂养一段时间后的重量增加(data12.01)问题: 四种饲料是否不同? 饲料 A B C D 133.8 151.2 193.4 225.8 125.3 149.0 185.3 224.6 143.1 162.7 182.8 220.4 128.9 143.8 188.5 212.3 135.7 153.5 198.6 ? 第七页，共三十五页，2022年，8月28日 饲料例子(继续):饲料(fodder)为自变量(单因子),重量增加(weight) 为因变量(一个数量变量) (SPSS计算机数据形式有所不同) 饲料 A B C D 133.8 151.2 193.4 225.8 125.3 149.0 185.3 224.6 143.1 162.7 182.8 220.4 128.9 143.8 188.5 212.3 135.7 153.5 198.6 ? 均值A= 133.36 均值B= 152.04 均值C=189.72 均值D= 220.78 第八页，共三十五页，2022年，8月28日 各种SPSS输出: (ANOVA-CONTRASTS/POST HOC-LSD,T2/OPTION-DES.,HOMO./MEAN PLOT) Descriptives WEIGHT ? N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean ? Minimum Maximum ? ? ? ? ? Lower Bound Upper Bound ? ? A 5 133.36 6.80794 3.04460 124.9068 141.8132 125.3 143.1 B 5 152.04 6.95723 3.11137 143.4015 160.6785 143.8 162.7 C 5 189.72 6.35035 2.83996 181.8350 197.6050 182.8 198.6 D 4 220.78 6.10594 3.05297 211.0591 230.4909 212.3 225.8 Total 19 171.52 3