方差分析
方差分析的基本思想和应用条件
基本思想
方差分析是一种以分析数据变异为基础，以F 值为统计量的计量资料的假设检验的方法。 各组样本均数个不相等，这种差异可能由两种原因引起：
1. 随机误差。包括抽样误差、测量误差等，即各样本来自于总体，但由于随机误差使得样本均数不相等。
2. 处理因素。即不同的处理引起的不同的作用或者效果，导致各处理组的均数不同。 总变异：所有观察值ij χ与总均数χ的离均差平方和表示，记为SS 总。 SS 总=∑∑j -ij i ）（χχ
2，1;-N 总=ν 组间变异：各组均数与i χ有总均数χ的离均差平方和表示，记为SS 组间 SS 组间=）
-（n i i i
χχ∑2，1;-K 组间=ν 组内变异：各组内每个测量值ij χ与该组的均数的离均差平方和，记为SS 组内 SS 组内=∑∑j i -ij i ）（χχ2，k;-N 组内=ν
SS 总= SS 组间+ SS 组内
各自的均方（mean square ，MS ，即方差）反应平均变异的大小
MS 组间= 组间组间
SS ν，MS 组内= 组内内组SS ν
组间均方除以组内均方即得方差分析的统计量F 。F= 组内
组间MS MS 原假设H0为各组的总体均数相等。理论上MS 组间= MS 组内，F=1.
应用条件
1.各观察值相互独立，且每一水平下的观察值均服从正态分布。
2.个总体方差相等，即具有方差齐性。完全随机设计的方差分析
SPSS单因素方差分析步骤
spss教程：单因素方差分析 用来测试某一个控制变量的不同水平是否给观察变量造成显著差异和变动。 方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和 SST，控制变量引起的离差SSA（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。方法/步骤 1.计算检验统计量的观察值和概率P_值：Spss自动计算F统计 值，如果相伴概率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。
2.方差齐性检验：控制变量不同水平下各观察变量总体方差是否 相等进行分析。采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。图中相伴概率 0.515大于显著性水平0.05，故认为总体方差相等。 趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察
变量总体作用的程度。图中线性相伴概率为0小于显著性水平0.05，故不符合线性关系。
3.多重比较检验：单因素方差分析只能够判断控制变量是否对观 察变量产生了显著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。 常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。
第八章方差分析 Ⅰ.学习目的 本章介绍方差分析的理论、方法与运用。通过学习，要求：1.了解方差分析的基本概念和思想；2.理解方差分解原理；3.掌握单因素、双因素（有、无交互作用）方差分析的原理和流程；4学会针对资料提出原假设，并能利用Excel进行方差分析。 Ⅱ.课程内容要点 第一节方差分析方法引导 一、方差分析问题的提出 方差分析，简称ANOVA（analysis of variance），就是利用试验观测值总偏差的可分解性，将不同条件所引起的偏差与试验误差分解开来，按照一定的规则进行比较，以确定条件偏差的影响程度以及相对大小。当已经确认某几种因素对试验结果有显著影响时，可使用方差分析检验确定哪种因素对试验结果的影响最为显著及估计影响程度。 二、方差分析的有关术语和概念 1．试验结果：在一项试验中用来衡量试验效果的特征量，也称试验指100
101 标或指标，类似函数的因变量或者目标函数。 2．试验因素：试验中，凡是对试验指标可能产生影响的原因都称为因素，或称为因子，类似函数的自变量。试验中需要考察的因素称为试验因素，简称为因素。一般用大写字母A 、B 、C 、……表示。方差分析的目的就是分析实验因素对实验或抽样的结果有无显著影响。如果在实验中变化的因素只有一个，这时的方差分析称为单因素方差分析；如果在实验中变化的因素不止一个，这时的方差分析就称为多因素方差分析。 3．因素水平：因素在试验中所处的各种状态或者所取的不同值，称为该因素的水平，简称水平。一般用下标区分。同样因素水平有时可以取得具体的数量值，有时只能取到定性值（如好，中，差等）。 4．交互作用：当方差分析过程中的影响因素不唯一时，这种多个因素的不同水平的组合对指标的影响称为因素间的交互作用。 三、方差分析的基本原理 （一）方差分解原理 一般地，试验结果的差异性可由离差平方和表示，离差平方和又可分解为组间方差与组内方差。其中，组间方差为因素对试验结果的影响的加总；组内方差则是各组内的随机影响的加总。如果组间方差明显高于组内方差，说明样本数据波动的主要来源是组间方差，因素是引起波动的主要原因，则认为因素对试验的结果存在显著的影响；否则认为波动主要来自组内方差，即因素对试验结果的影响不显著。 （二）检验统计量 检验因素影响是否显著的统计量是F 统计量： 组内方差的自由度 组内方差组间方差的自由度 组间方差// F
双因素方差分析 一、双因素方差分析的含义和类型 （一）双因素方差分析的含义和内容 在实际问题的研究中，有时需要考虑两个因素对实验结果的影响。例如上一节中饮料销售量的例子，除了关心饮料颜色之外，我们还想了解销售地区是否影响销售量，如果在不同的地区，销售量存在显著的差异，就需要分析原因，采用不同的推销策略，使该饮料品牌在市场占有率高的地区继续深入人心，保持领先地位，在市场占有率低的地区，进一步扩大宣传，让更多的消费者了解，接受该产品。 在方差分析中，若把饮料的颜色看作影响销售量的因素A，饮料的销售地区看作影响因素B。同时对因素A和因素B进行分析，就称为双因素方差分析。 双因素方差分析的内容包括：对影响因素进行检验，究竟一个因素在起作用，还是两个因素都起作用，或是两个因素的影响都不显著。 双因素方差分析的前提假定：采样地随机性，样本的独立性，分布的正态性，残差方差的一致性。 （二）双因素方差分析的类型 双因素方差分析有两种类型：一个是无交互作用的双因素方差分析，它假定因素A 和因素B的效应之间是相互独立的，不存在相互关系；另一个是有交互作用的双因素方差分析，它假定因素A和因素B的结合会产生出一种新的效应。例如，若假定不同地区的消费者对某种品牌有与其他地区消费者不同的特殊偏爱，这就是两个因素结合后产生的新效应，属于有交互作用的背景；否则，就是无交互作用的背景。有交互作用的双因素方差分析已超出本书的范围，这里介绍无交互作用的双因素方差分析。 1.无交互作用的双因素方差分析。 无交互作用的双因素方差分析是假定因素A和因素B的效应之间是相互独立的，不存在相互关系； 2.有交互作用的双因素方差分析。 有交互作用的双因素方差分析是假定因素A和因素B的结合会产生出一种新的效应。例如，若假定不同地区的消费者对某种颜色有与其他地区消费者不同的特殊偏爱，
单因素方差分析实例 [例6-8]在1990 年秋对“亚运会期间收看电视的时间”调查结果如下表所示。 问：收看电视的时间比平日减少了（第一组）、与平日无增减（第二组）、比平日增加了（第三组）的三组居民在“对亚运会的总态度得分”上有没有显著的差异？即要检验从“态度”上看，这三组居民的样本是取自同一总体还是取自不同的总体 在SPSS 中进行方差分析的步骤如下： （1）定义“居民对亚运会的总态度得分”变量为X（数值型），定义组类变量为G（数 值型），G=1、2、3 表示第一组、第二组、第三组。然后录入相应数据，如图6-66所示 图6-66 方差分析数据格式 （2）选择[Analyze]=>[Compare Means]=>[One-Way ANOVA...]，打开[One-Way ANOVA]主对 话框（如图6-67所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G，单击按钮使之进入[Factor]框。单击[OK]按钮完成。
图6-67 方差分析对话框 （3）分析结果如下： 因此，收看电视时间不同的三个组其对亚运会的态度是属于三个不同的总体。 多因素方差分析 [例6-11]从由五名操作者操作的三台机器每小时产量中分别各抽取1 个不同时段的产 量，观测到的产量如表6-31所示。试进行产量是否依赖于机器类型和操作者的方差分析。
SPSS 的操作步骤为： （1）定义“操作者的产量”变量为X（数值型），定义机器因素变量为G1（数值型）、操作 者因素变量为G2（数值型），G1=1、2、3 分别表示第一、二、三台机器，G2=1、2、3、4、5 分别表示第1、2、3、4、5 位操作者。录入相应数据，如图6-68所示。 图6-68 双因素方差分析数据格式 （2）选择[Analyze]=>[General Linear Model]=>[Univariate...]，打开[Univariate]主对话框（如图6-69所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G1 和G2，单击按钮使之进入[Fixed Factor(s)]框。单击[OK]按钮
第一节方差分析原理 一、方差分析基本思想 方差分析（ analysis of variance ，或缩写 ANOVA ）又称变异数分析，是一种应用非常广 泛的统计方法。其主要功能是检验两个或多个样本平均数的差异是否有统计学意义，用以推断它们的总体均值是否相同。它是真正用来进行上述“多组比较”问题的正确方法，从这个意 义上说，它可看成是t 检验等“两组比较法”的推广。理解方差分析的原理，主要在于其基本思想，而不在于数学推导。 以单因素完全随机化实验设计为例（这是最简单的多组实验设计）介绍方差分析的原理。注意下面列出的该种设计的数学模式，假设有 k 个处理，每个处理下有n 个被试，一共有nk 个被试。 K 个处理下的数据构成比较中的k 个组或 k 个样本。 理T 1 T 2 ?T j ?T k X 11 X 12 ?X 1j ?X 1k X 21 X 22 ?X 2j ?X 2k 各?????? 数据X i1 X i2 ?X ij ?X ik ?????? X n1 X n2 ?X nj ?X nk 不失一般地，其对应的图示如下：
根据测量学中的真分数理论，观测值等于真值和误差之和；据此，对照上面的数据可得到下面的数学模型： 其中： X ij 指第 j 个处理下的第 i 个被试的实验数据； μ 指总体均值；在图中样本数据中，即红色线表示的总平均； μ 指第 j 个处理的均值； j τ 称为第 j 个处理的效应；通常，τj=μj–μ，也即各组均值偏离总平均的离差； j ε ij 为随机误差（ idd 表示误差独立同分布）；在该模型中，误差就是各组中数据偏离 其组均值的离差。因为根据单因素完全随机化设计的特点，同组中的被试，其各方面条件都相同，接受的处理也相同，其观测值间的差异只能归结为随机误差。 首先对检验的零假设进行变换： 下面我们就需要构造一个统计量使得它在Ho"下无未知量且有精确的分布，以进行假设2 检验。由于τj是每个处理的平均数与总平均之差，所以我们考虑从数据的离均差的平方 入手来构造统计量： 对每个观测数据： 即：任意一个数据与总平均数的离差= 该数与所在组平均数的离差+ 所在组的平均数与总平均数的离差。 我们针对第j 组中每个数据的上述分解式的平方求和得：
第10章 单因素方差分析 单因素方差分析(0ne-Way ANOV A)，又称一维方差分析，它能够对单因素多个独立样本 的均数进行比较，可以用10种检验方法对变量间的均数进行两两比较(即多重比较检验)并给出方差分析表，还可以作出5种类型图形(Type of plots)和2种均数图形(Means plot options) 10.1 单因素方差分析的计量资料 [例10—1] 某社区随机抽取了30名糖尿病患者、IGT 异常人和正常人进行载脂蛋白 (mg ／dL)测定，结果示于表10—1。试问3组人群的载脂蛋白测定结果含量是否相同？(倪宗瓒．卫生统计学．第4版，北京：人民卫生出版社，2001.50) 组别（B ） 载脂蛋白测定 糖尿病(1) 85.7 105.2 109.5 96.0 115.2 95.3 110.0 100.0 125.6 111.0 106.5 96.0 124.5 105.1 76.4 95.3 110.0 95.2 99.0 120.0 144.0 117.0 110.0 109.0 103.0 123.0 127.0 121.0 159.0 115.0 IGT 异常(2) 正常人(3) 本例是一个完全随机设计的单因素方差分析。已建立SAS 数据集文件并保存Sasuser.onewav4。 (1)进入SAS ／Win(v8)系统，单击Solutions －Analysis －Analyst ，得到分析家窗口。 (2)单击File-open By SAS Name —Sasuser-0neway4—0K ，调入数据文件。 (3)在“分析家”窗口单击Statistics-ANOV A-One way ANOV A ，得到图10—1所示对话框。本例因变量(Dependent)为A(载脂蛋白)，单击A —Dependent 。自变量(1ndependent)： B(3种人的组别)，单击B —Independent 。 图10.1 0ne —way ANOV A ：0neway4(单因素方差分析)对话框 (4)单击Tests 按钮，得到图10—2所示对话框。在此对话框的ANOV A(F —检验)选项 中可进行如下设置。 Analysis of variance ，方差分析。 Welch ’s variance-weighted ANOV A ，威尔奇方差—权重方差分析。 Tests for equal variance ，相等方差检验，即方差齐性检验。 Barlett ’s test ，巴特尼特检验。 Brown-Forsythe test ，布朗—福塞斯检验。 Levene ’s test ，列文检验。本例以上都选。
方差分析的原理 （1）方差分析的概念 方差分析的目的是推断多组资料的总体均数是否相同，也即检验多组数据之间的均数差异是否有统计意义。当我们用多个t 检验来完成这一过程时，相当于从t 分布中随机抽取多个t 值，这样落在临界范围之外的可能大大增加，从而增加了Ⅰ型错误的概率。我们可以把方差分析看作t 检验的增强版。 （2）方差的可分解性 方差分析依据的基本原理就是方差的可加性原则。作为一种统计方法，方差分析把实验数据的总变异分解为若干个不同来源的分量。数据的变异由两部分组成： 组内变异：由于实验中一些希望加以控制的非实验因素和一些未被有效控制的未知因素造成的变异，如个体差异、随机误差 组内变异是具体某一个处理水平之内的，因此在对总体变异进行估计的时候不涉及研究的处理效应。 组间差异：不仅包括组内变异的误差因素，还包括了是不同组所接受的实验处理不同造成的影响 如果研究数据的总变异是由处理效应造成的，那么组间变异在总变异中应该占较大比例。 B M S 表示组间方差，B B B SS M S df =，1B df k =-，k 表示实验条件的个数 W M S 表示组内方差，W W W SS M S df =，()1W df k n =-，n 表示每种实验条件中的被试个数
（3）方差分析的基本假定 ①样本必须来自正态分布的总体 ②每次观察得到的几组数据必须彼此独立 ③各实验处理内的方差应彼此无显著差异 为了满足这一假定，我们可采用最大F 比率法2m ax m ax 2m in s F s ，求出各样本中方差最 大值与最小值的比，通过查表判断。 文章来源：博仁教育
第一节方差分析的基本思想 1、方差分析的意义 前述的t检验和u检验适用于两个样本均数的比较，对于k个样本均数的比较，如果仍用t检验或u检验， 需比较次，如四个样本均数需比较次。假设每次比较所确定的 检验水准=0.05，则每次检验拒绝H0不犯第一类错误的概率为1-0.05=0.95；那么6次检验都不犯第一类错误的概率为(1-0.05)6=0.7351，而犯第一类错误的概率为0.2649，因而t检验和u检验不适用于多个样本均数的比较。用方差分析比较多个样本均数,可有效地控制第一类错误。方差分析(analysis of variance,ANOVA)由英国统计学家R.A.Fisher首先提出，以F命名其统计量，故方差分析又称F检验。 2、方差分析的基本思想 下面通过表5.1资料介绍方差分析的基本思想。 例如，有4组进食高脂饮食的家兔，接受不同处理后，测定其血清肾素血管紧张素转化酶（ACE）浓度（表5.1），试比较四组家兔的血清ACE浓度。 表5.1对照组及各实验组家兔血清ACE浓度（u/ml） (
由表5.1可见，26只家兔的血清ACE浓度各不相同，称为总变异；四组家兔的血清ACE浓度均数也各不相同，称为组间变异；即使同一组内部的家兔血清ACE 浓度相互间也不相同，称为组内变异。该例的总变异包括组间变异和组内变异两部分，或者说可把总变异分解为组间变异和组内变异。组内变异是由于家兔间的个体差异所致。组间变异可能由两种原因所致，一是抽样误差；二是由于各组家兔所接受的处理不同。正如第四章所述，在抽样研究中抽样误差是不可避免的，故导致组间变异的第一种原因肯定存在；第二种原因是否存在，需通过假设检验作出推断。假设检验的方法很多，由于该例为多个样本均数的比较，应选用方差分析。 方差分析的检验假设H0为各样本来自均数相等的总体，H1为各总体均数不等或不全相等。若不拒绝H0时，可认为各样本均数间的差异是由于抽样误差所致，而不是由于处理因素的作用所致。理论上，此时的组间变异与组内变异应相等，两者的比值即统计量F为1；由于存在抽样误差，两者往往不恰好相等，但相差不会太大，统计量F应接近于1。若拒绝H0，接受H1时，可认为各样本均数间的差异，不仅是由抽样误差所致，还有处理因素的作用。此时的组间变异远大于组内变异，两者的比值即统计量F明显大于1。在实际应用中，当统计量F值远大于1且大于某界值时，拒绝H0，接受H1，即意味着各样本均数间的差异，不仅是由抽样误差所致，还有处理因素的作用。 （5.1） 方差分析的基本思想是根据研究目的和设计类型，将总变异中的离均差平方和SS及其自由度分别分解成相应的若干部分，然后求各相应部分的变异；再用各部分的变异与组内（或误差）变异进行比较，得出统计量F值；最后根据F值的大小确定P值，作出统计推断。 例如，完全随机设计的方差分析，是将总变异中的离均差平方和SS及其自由度 分别分解成组间和组内两部分，SS组间/组间和SS组内/组内分别为组间变异（MS组间）和组内变异（MS组内），两者之比即为统计量F（MS组间/MS组内）。 又如，随机区组设计的方差分析，是将总变异中的离均差平方和SS及其自由度 分别分解成处理间、区组间和误差3部分，然后分别求得以上各部分的变异（MS 处理、MS 区组和MS误差），进而得出统计量F值（MS处理/MS误差、MS区组/MS误差）。 3、方差分析的计算方法 下面以完全随机设计资料为例，说明各部分变异的计算方法。将N个受试对象随机分为k组，分别接受不同的处理。归纳整理数据的格式、符号见下表：
单因素方差分析的计算 步骤 Document serial number【NL89WT-NY98YT-NC8CB-NNUUT-NUT108】
一、 单因素方差分析的计算步骤 假定实验或观察中只有一个因素（因子）A ,且A 有m 个水平，分别记为,,,21m A A A 在每一种水平下，做n 次实验，在每一次试验后可得一实验值，记做ij x 表示在第j 个水平下的第i 个试验值()m j n i ,2,1;,2,1==。结果如下表： m A A A ,,21看成是m 个正态总体，而()m j n i x ij ,2,1;,2,1==看成是取自第j 总体的第i 个样品，因此，可设() m j n i a N x j ij ,2,1;,2,1,,~2==σ。 可以认为j j j a εεμ,+=是因素A 的第j 个水平j A 所引起的差异。因此检验因素A 的各水平之间是否有显着的差异，就相当于检验： μ====m a a a H 210:或者 具体的分析检验步骤是： （一）计算水平均值 令j x 表示第j 种水平的样本均值， 式中，ij x 是第j 种水平下的第i 个观察值，j n 表示第j 种水平的观察值次数 （二）计算离差平方和 在单因素方差分析中，离差平方和有三个，它们分别是总离差平方和，组内离差平方和以及组间平方和。 首先，总离差平方和，用SST 代表，则， 其中,n x x ij ∑∑=它反映了离差平方和的总体情况。 其次，组内离差平方和，用SSE 表示，其计算公式为： 其中j x 反映的是水平内部或组内观察值的离散状况，即反映了随机因素带来的影响。 最后，组间平方和，用SSA 表示，SSA 的计算公式为：
《管理统计学》导学资料六——2χ检验和方差分析这一讲的内容包括两个部分开平方检验和方差分析，重点是方差分析，在本章的学习 χ检验的作用和用途。学会和掌握方差分析表的使用，中，同学们要了解方差分析的用途，2 了解自由度的计算和F检验的作用，记住方差分析表中的五个等式和含义。 本章的关键术语： 方差分析(Analysis of Variance, 常简称为ANOV A)是用来检验两个以上样本的均值差异的显著程度，由此判断样本究竟是否抽自具有同一均值总体的方法。 SST-总离差方和(Sum of Square in Total )为各样本观察值与总均值的离差平方和。 SSTR-组间离差方和(Sum of Square Treatment)表示不同的样本组之间，由于因素取不同的水平所产生的离差平方和。 SSE-组内离差方和(Sum of Square Error)表示同一样本组内，由于随机因素影响所产生的离差平方和，简称为组内离差平方和。 本章学完后，你应当能够： 1、掌握用2χ检验来解决独立性检验和拟合性检验的原理和基本方法，能解决最常见的这类检验问题。 2、了解和懂得单因素方差分析的原理和基本方法，能应用计算机解决最常见的方差分析问题。 一、2χ检验 2 χ检验的用途是检验两个变量之间的独立性和检验数据是否服从某个概率分布得拟合检验。 我们经常会遇到受两个或两个以上因素（变量）影响的实验或观察数据，并要求判断两个变量之间是否存在相互联系的问题。如果两个变量之间没有联系则称作是独立的，否则就是不独立的。 χ分布可以检验两个变量之间的独立性问题。此时我们首先将研究对象的观察用2 数据按两个变量分别进行分类。。例如，按行对第一个变量进行分类，按列对第二个变量进行分类。按这种方法把所有的试验观察数据排列成的表称为列联表。 2 χ独立性检验的程序和前面介绍的参数假设检验一样，首先也要建立假设，然后 χ，再根据问计算检验统计量的值。这次采用的检验统计这次采用的检验统计量就是2 χ分布表，得到当原假设成立时检验统计量允许的最大临界题规定的显著性水平查2 χ值作比较，得出接受或拒绝原假设的结论。具体步骤如下： 值，与计算所得的2 1.提出假设 H：两个变量是独立的，即相互之间没有影响，
SPSS单因素方差分析
单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measu re过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 水稻品种 重复 12345 14133383731 23937353934 34035353834 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。
1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图1-1所示。或者打开已存在的数据文件“dat a1.sav”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口 3）设置分析变量 因变量: 选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量: 选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。
SPSS中的单因素方差分析 一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 （2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。 （3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。 （4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。 （5）在主对话框中，单击“OK”提交进行。 五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下： 第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。 第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。 第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。 第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。 六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。
协方差分析的基本原理 1．协方差分析的提出 无论是单因素方差分析还是多因素方差分析，它们都有一些人为可以控制的控制变量。在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。 例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。又比如，考查受教育程度对个人工资是否有显著影响，这时必须考虑工作年限因素。一般情况下，工作年限越长，工资就越高。在研究此问题时必须排除工作年限因素的影响，才能得出正确的结论。再如，如果要了解接受不同处理的小白鼠经过一段时间饲养后体重增加量有无差别，已知体重的增加和小白鼠的进食量有关，接受不同处理的小白鼠其进食量可能不同，这时为了控制进食量对体重增加的影响，可在统计阶段利用协方差分析（Analysis of Covariance），通过统计模型的校正使得各组在“进食量”这个变量的影响上相等，即将进食量作为协变量，然后分析不同处理对小白鼠体重增加量的影响。 为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。以下将以一元协方差分析为例，讲述协方差分析的基本思想和步骤。 2．协方差分析的计算公式 以单因素协方差分析为例，总的变异平方和表示为： Q Q Q Q ++ 总控制变量协变量随机变量 ＝ 协方差分析仍然采用F检验，其零假设 H为多个控制变量的不同水平下，各总体平均值没有显著差异。 F统计量计算公式为： 2 2 S F S 控制变量 控制变量 随机变量 ＝, 2 2 S F S 协变量 协变量 随机变量 ＝ 以上F统计量服从F分布。SPSS将自动计算F值，并根据F分布表给出相应的相伴概率值。 如果F 控制变量 的相伴概率小于或等于显著性水平，则控制变量的不同水平对观察变量产生了显著的影响；如 果F 协变量 的相伴概率小于或等于显著性水平，则协变量的不同水平对观察变量产生了显著的影响。 3．协方差分析需要满足的假设条件 （1）自变量是分类变量，协变量是定距变量，因变量是连续变量； （2）对连续变量或定居变量的协变量的测量不能有误差； （3）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；（4）协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。
第九章方差分析 【思考与练习】 一、思考题 1. 方差分析的基本思想及其应用条件是什么？ 2. 在完全随机设计方差分析中SS SS SS 、、各表示什么含义？ 总组间组内 3. 什么是交互效应？请举例说明。 4. 重复测量资料具有何种特点？ 5. 为什么总的方差分析的结果为拒绝原假设时，若想进一步了解两两之间的差别需要进行多重比较？ 二、最佳选择题 1. 方差分析的基本思想为 A. 组间均方大于组内均方 B. 误差均方必然小于组间均方 C. 总变异及其自由度按设计可以分解成几种不同来源 D. 组内方差显著大于组间方差时，该因素对所考察指标的影响显著 E. 组间方差显著大于组内方差时，该因素对所考察指标的影响显著
3. 完全随机设计的方差分析中，下列式子正确的是 4. 总的方差分析结果有P<0.05，则结论应为 A. 各样本均数全相等 B. 各总体均数全相等 C. 各样本均数不全相等 D. 各总体均数全不相等 E. 至少有两个总体均数不等 5. 对有k 个处理组，b 个随机区组的资料进行双因素方差分析，其误差的自由度为 A. kb k b -- B. 1kb k b --- C. 2kb k b --- D. 1kb k b --+ E. 2kb k b --+ 6. 2×2析因设计资料的方差分析中，总变异可分解为 A. MS MS MS =+B A 总 B. MS MS MS =+B 总误差 C. SS SS SS =+B 总误差 D. SS SS SS SS =++B A 总误差 E. SS SS SS SS SS =+++B A AB 总误差 7. 观察6只狗服药后不同时间点(2小时、4小时、8小时和24小时)血药浓度的变化，本试验应选用的统计分析方法是 A. 析因设计的方差分析
一、 单因素方差分析的计算步骤 假定实验或观察中只有一个因素（因子）A ,且A 有m 个水平，分别记为,,,21m A A A 在每一种水平下，做n 次实验，在每一次试验后可得一实验值，记做ij x 表示在第j 个水平下的第i 个试验值 m j n i ,2,1;,2,1 。结果如下表3.1： 表3.1 单因素方差分析数据结构表 为了考察因素A 对实验结果是否有显著性影响，我们把因素A 的m 个水平m A A A ,,21看成是m 个正态总体，而 m j n i x ij ,2,1;,2,1 看成是取自第j 总体的第i 个样品，因此，可设 m j n i a N x j ij ,2,1;,2,1,,~2 。 可以认为j j j a , 是因素A 的第j 个水平j A 所引起的差异。因此检验因素A 的各水平之间是否有显著的差异，就相当于检验： m a a a H 210:或者 0:210 m H 具体的分析检验步骤是： （一） 计算水平均值 令j x 表示第j 种水平的样本均值，
j n i ij j n x x j 1 式中，ij x 是第j 种水平下的第i 个观察值，j n 表示第j 种水平的观察值次数 （二）计算离差平方和 在单因素方差分析中，离差平方和有三个，它们分别是总离差平方和，组内离差平方和以及组间平方和。 首先，总离差平方和，用SST 代表，则， 2)( x x SST ij 其中,n x x ij 它反映了离差平方和的总体情况。 其次，组内离差平方和，用SSE 表示，其计算公式为： j i j ij x x SSE 2 其中j x 反映的是水平内部或组内观察值的离散状况，即反映了随机因素带来的影响。 最后，组间平方和，用SSA 表示，SSA 的计算公式为： 2 2 x x n x x SSA j j j 用各组均值减去总均值的离差的平方，乘以各组观察值个数，然后加总，即得到SSA 。可以看出，它所表现的是组间差异。其中既包括随机因素，也包括系统因素。 根据证明，SSA SSE SST ,,之间存在着一定的联系，这种联系表现在： SSA SSE SST 因为： 2 2 x x x x x x j j ij ij x x x x x x x x j j ij j j ij 22 2 在各组同为正态分布，等方差的条件下，等式右边最后一项为零，故有， 222)()()( x x x x x x j j ij ij 即 SSA SSE SST
双因素的多重比较方法 生物工程 10212575 陈晓穗 摘要：本文首先扼要地介绍了多重比较的方法种类，其次引用了一个实例具体地展示了无交叉相互作用的双因素的多重比较方法。 关键词：最小显著差数法最小显著极差法双因素多重比较 1.前言 用方差分析检验样本的差异是否显著后，获得了显著或极显著的结论。此时人们便想进一步的了解具体到哪些平均数间有显著差异，哪些不显著。这就有必要进行两两地比较平均数，以判断这两组数据的显著差异性。统计学把多个平均数两两间互相比较称为多重比较。多重比较常有的方法有：最小显著差数法和最小显著极差法。 2．多重比较法 2.1 多重比较法的种类 2.1.1 最小显著差数法 最小显著差数法，简称LSD 。它其实只是t 检验的一个简单变形,并未对检验水准做出任何校正,只是在标准误的计算上充分利用了样本信息, 为所有组的均数统一估计出了一个更为稳健的标准误,其中MS 误差是方差分析中计算得来的组内均方,它一般用于计划好的多重比较。由于单次比较的检验水准仍为α,因此可认为LSD 法是最灵敏的。此法的基本作法是：在F 检验显著的前提下，先计算出显著水平为α的最小显著差数αLSD ，然后将任意两个处理平均数的差数的绝对值 . .j i x x -与其比较。若 . .j i x x -＞LSDa 时，则.i x 与.j x 在α水平上差异显 著；反之，则在α水平上差异不显著。最小显著差数由..)(j i e x x df a a S t LSD -=计算。式中)(e df t α为在F 检验中误差自由度下，显著水平为α的临界t 值，..j i x x S -为均数差异标准误，由n MS S e x x j i /2..=-算得。其中e MS 为F 检验中的误差均方，n 为各处理的重复数。当显著水平α=0.05和0.01时，从t 值表中查出)(05.0e df t 和 )(01.0e df t ，代入式得：
用Excel进行数据分析：单因素方差分析 什么是方差分析？什么又是单因素方差分析？ 方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”或“F检验”，是R.A.Fister发明的，用于两个及两个以上样本均数差别的显著性检验。 一个复杂的事物，其中往往有许多因素互相制约又互相依存。方差分析的目的是通过数据分析找出对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。 单因素方差分析，顾名思义，就是基于一个因素分组研究，比较该因素的效应。 一、应用场景 基本思想：通过分析研究中不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。 下面我们用一个简单的例子来说明方差分析的基本思想： 如某克山病区测得11例克山病患者和13名健康人的血磷值（mmol/L）如下： |患者：0.84 1.05 1.20 1.20 1.39 1.53 1.67 1.80 1.87 2.07 2.11 健康人：0.54 0.64 0.64 0.75 0.76 0.81 1.16 1.20 1.34 1.35 1.48 1.56 1.87 问该地克山病患者与健康人的血磷值是否不同？ 二、操作步骤 1、选中数据，点击功能区数据—>数据分析—>方差分析：单因素方差分析
注：本操作需要使用Excel扩展功能，如果您的Excel尚未安装数据分析，可以参考该专题文章的第一篇《用Excel进行数据分析：数据分析工具在哪里？》。 2、在弹出的选项框里面，进行如下设置
spss教程：单因素方差分析 用来测试某一个控制变量的不同水平是否给观察变量造成显著差异 和变动。 方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和 SST，控制变量引起的离差SSA（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。方法/步骤 统计值，FSpss计算检验统计量的观察值和概率P_值：自动计算1.，拒绝零假设，认为控制变量不a小于显著性水平如果相伴概率P 同水平下各总体均值有显著差异，反之，则相反，即没有差异。
控制变量不同水平下各观察变量总体方差是否方差齐性检验：2. of （Homogeneity 验同采。用方差质性检方法析行等相进分），原假设“各水平下观察变量总体的方差无显著差异，variance图中相伴概率spss两独立样本t 检验中的方差分析”。思路同，故认为总体方差相等。大于显著性水平0.5150.05趋势检验可以分析随着控制变量水平的变化，观测变量趋势检验：值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察
小于显著性水平变量总体作用的程度。图中线性相伴概率为0 ，故不符合线性关系。0.05
单因素方差分析只能够判断控制变量是否对观3.多重比较检验：多重比较检验可以进一步确定控制变量的察变量产生了显著影响，哪个不显著。不同水平对观察变量的影响程度如何，那个水平显著，但也容易导方法。LSD方法检测灵敏度是最高的，S-N-KLSD常用、项中，报纸与LSD致第一类错误（弃真）增大，观察图中结果，在广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。
1. 某湖水在不同季节氯化物含量测定值如表6.16所示。问不同季节氯化物含量有无差别？ 若有差别，进行32个水平的两两比较。 解： 2.有三种抗凝剂（123,,A A A ）对一标本作红细胞沉降速度（一小时值）测定，每种抗凝剂 3.将18名原发性血小板减少症患者按年龄相近的原则配为6个单位组，每个单位组中的3名患者随机分配到A 、B 、C 三个治疗组中，治疗后的血小板升高情况见表6.17，问3中治疗方法的疗效有无差别？ 表6.17 不同人用鹿茸后血小板的升高值/(4 3 10/mm ) 解： 4.某研究人员以0.3mL/kg 剂量纯苯给大鼠皮下注射染毒，每周3次，经45天后，实验动物白细胞综述下降至染毒前的50%左右，同时设置未染毒组。两组大鼠均按照是否给予升高白
细胞药物分为给药组和不给药组，试验结果见表6.18，试作统计分析。 解： 问：（1）这三类人的该项生理指标有差别吗？（） α=） （2）如果有差别，请进行多重比较分析。（0.05 解： 6.将24家生产产品大致相同的企业，按资金分为三类，每个公司的每100元销售收入的生产成本（单位：元）如表6.20所示。这些数据能否说明三类公司的市场生产成本有差异（假 α=） 定生产成本服从正态分布，且方差相同）？（0.05 解： 7.为了解三种不同配比的饲料对仔猪影响的差异，对三种不同品种的猪各选三头进行试验，分别测得其三个月间体重增加量如表6.21所示。假定其体重增加量服从正态分布，且1方 α=） 差相同。试分析不同饲料与不同品种对猪生长有无显著差异？（0.05
8.比较3种化肥（A，B两种新型化肥和传统化肥）施撒在三种类型（酸性、中性和碱性）的土地上对作物的产量情况有无差别，将每块土地分成6块小区，施用A，B两种新型化肥和传统化肥，收割后，测量各组作物的产量，得到的数据如表6.22所示、化肥、土地类型 α=） 及其它们的交互作用对作物产量有影响吗？（0.05 -