裂区和条区试验的方差分析

裂区和条区试验的方差分析

1 裂区试验的设计方法

在有些多因素随机区组试验设计中，由于情况特殊，我们不能在区组内将所有处理完全随机排列，这些情况导致了随机区组设计的一些推广设计，如裂区设计和条区设计．裂区设计的原理是这样，区组包含一定数目的主小区，主小区又被划分成若干个次级小区．这样一个因素或几个因素的各水平首先配置给主小区，然后另外的一个因子或几个因子配置给次级小区．

【例1】牧场试验中的裂区设计。试验因素有两个，一是牧草品种B：B1、B2、B3，B4、B5、B6，另一个是放牧吃草方式A：A1、A2。牧草可以在各区组内随机配置来种植，但放牧吃草方式却需要一大片土地，因为小了不够畜群吃。这样我们采取下列设计方式：

在试验设计中，把A1、A2占的区称为主小区，A称为主区因素，把每一个主小区分为6个子区（裂区或副小区），把6个品种随机配置进去，因而把品种B叫子区因素或副因素。这种试验设计为二裂式裂区试验。可以看出，在随机区组试验设计中，所有处理A i B j是在一个区组内随机配置的，而在裂区试验中，副因素是在主小区内随机配置的。

在生物科学和农林科学试验中，采用裂区试验设计的例子是不少的，譬如对某作物既要比较几种施肥法，又要比较几种灌溉法，以及这两个因素的交互作用。各种施肥法可以在较小的副小区田上配置，但各种灌溉法需在较大的主小区上配置。又如播种期和品种试验，适宜的方法是把同一播期的各品种种在一起，即播种期为主因素，安排在主小区上，而品种为副因素，应随机安排在副小区上。如果副小区（裂区）内再划分小区，称为再裂区，在其中安排副副因素C，这种安排主因素（A）、副因素（B）和副副因素（C）的试验设计称为三裂式裂区试验。

裂区设计的主要优点在于：a．田间实施比较方便；b．能利用原有的试验地及试验材料，进行深一步的研究；c．某个因子可获得较高的精确度。但裂区设计的还存在如下主要缺点：a．资料的统计分析比较复杂，不易掌握；b．次要因子的精确度较低。另外要注意，裂区的面积大小同一般随机区组设计时小区面积相同，不能太小。

2 裂区试验的方差分析

2．1 二裂式裂区试验的方差分析

设主因素A有a个水平，副因素B有b个水平，有r个区组，则A i B j在第k个区组的观察值为x ijk。二裂式裂区试验的方差分析特点表现在变异来源上分主区部分和副区部分，各有各的误差和相应的自由度。具体见表1。

表1 二裂式裂区试验变异来源和自由度分解

表1反映了二裂式裂区试验在方差分析上与二因素完全随机区组试验的区别：

)1(1()1)(1()1)(1(--=--+--=+=ab r b r a a r f f f b a e e e

f e 为二因素完全随机区组试验的误差自由度，把f e 分解为a e f 和b e f ，是因为每一主小区都包含一套副因素处理的特点而引起的。二裂式裂区试验的线性统计模型为：

）

（；；1,,2,1,,2,1,,2,1)(r

k b j a i x ijk ij j ik k i ijk ===++++++=εαββδγαμ 其中αi 为主区因素A i 的主效应，γk 为区组k 的主效应，δik 为A i 与区组k 的交互效应，

为主区误差；βj 为副区因素B j 的主效应，(αβ)ij 为A i 与B j 的交互效应，εijk 为副区误差。

δik 间相互独立且均服从N （0，21σ），δijk 间相互独立且均服从N （0，2

2σ）。下面用具体

实例说明二裂式裂区试验的分析方法。

【例2】设有一小麦中耕次数（A ）和施肥量（B ）试验，主处理为A ，分A 1、A 2、A 3 3个水平，副处理为B ，分B 1、B 2、B 3、B 4 4个水平，裂区设计，重复3次（r ＝3），副区计产面积66 m 2，其田间排列和产量（kg ）如下：

试作方差分析。

将x ijk 整理成区组和处理A i B j 的双向表2、A 和B 的双向表3。

表2 区组和处理双向表

主因素A 副因素B

区 组

T ij . T i ..

Ⅰ Ⅱ Ⅲ

A 1

B 1 29 28 32 89

B 2 37 32 31 100 B 3 18 14 17 49 B 4 17 16 15 48 T 1.k 101 90 95 286 A 2

B 1 28 29 25 82 B 2 31 28 29 88 B 3 13 13 10 36 B 4 13 12 12 37 T 2.k 85 82 76 243 A 3

B 1 30 27 26 83 B 2 31 28 31 90 B 3 15 14 11 40 B 4 16 15 13 44 T 3.k 92 84 81 257 T ..k 279 256 252

786（T …）

表3 A 和B 的双向表

以上两表中，T ..k 为区组k 的和，平均值为k k T ab

x ????=

1

；T ij .为A i B j 的和，平均值为??=ij ij T r x 1；T i ..为A i 的和，平均值为????=i i T br x 1；T .j .为B j 的和，平均值为????=j j T ar

x 1

；

T i .k 为A i 主小区和，平均值为k i k i T b x ??=1；T …为总和，平均值为??????=T abr

x 1

。

各参数的最小二乘估计为：

由上述参数估计结果及计算偏差平方和的口诀可计算主副区各变因的平方和。由模型（3-5-1）及参数估计易证总变异可分解成6个变因之和：

①主区偏差平方和计算：

事实上主区方差分析是单因素A的随机区组设计的方差分析。其总变异SS Ta是区组与A处理组合A i R k的处理偏差平方和：

②副区偏差平方和计算：

由以上计算可得到平方和及相应自由度的分解：

由式（3-5-4）可得到各平方和的均方，如MS A = SS A /f A 等。

与二因素随机区组试验一样，由A 、B 的固定还是随机假设，可得到EMS 。这样就形成二裂式裂区试验的方差分析模式表3-5-4。

表3-5-4给出了正确进行F 检验所必需的依据。由表3-5-4可见，在随机模型和A

固定、B 随机的混合模型中，如果交互项显著，则对H0：02

=A

σ和H0：02=A K 难以作出直接检验。这时需对有关项的均方相加以作近似检验。例如在随机模型中，为检验

H0：02

=A

σ，可先将A 和e b 项相加得

再将A ×B 和e a 项相加得

于是，由F = MS 1/MS 2可检验H002

A σ：。其自由度估计为：

小麦中耕次数（A ）和施肥量（B ）的试验属固定模型，其方差分析结果见表3-5-5。

表3-5-5中，e a 是主区误差，e b 为副区误差。当选用固定模型时，e a 可用以检验区

组间和主处理（A ）水平间均方的显著性；e b 可用以检验副处理（B ）水平间和A ×B 均方的显著性。由表3-5-5得到：区组间、A 因素水平间有显著差异，B 因素水平间有极显著差异，但A ×B 互作不存在。由此说明：(1)本试验的区组在控制土壤肥力上有显著效果，从而显著地减小了误差；(2)不同的中耕次数间有显著差异；(3)不同的施肥量间有极显著差异；(4)中耕的效应不因施肥量多少而异，施肥量的效应也不因中耕次数多少而异。下面进行多重比较：

① 中耕次数间的多重比较 用SSR 法，4=a e f ，

比较结果：

② 施肥量间的多重比较 用SSR 法，

比较结果：

③ 处理均值间的比较 由于A ×B 不显著，说明A 与B 的作用是相互独立的，所以不需再作比较。如果A ×B 显著，则需对处理均值进行多重比较。

由裂区试验的特点，对处理均值进行多重比较时，分两种情况：固定A i 对不同B j 作多重比较时，r

MS S b

e EAB =

；固定B j 对不同的A i 进行多重比较时，

br

MS MS b S a

b e e EAB +-=

)1(。

重比较结果说明，中耕次数A 1极显著地优于A 2，显著地优于A 2、A 3；施肥量B 2极显著地优于B 1，B 1极显著地优于B 3、B 4。由于A ×B 不显著，故最优处理必为A 1B 2。

2．2 三裂式裂区试验的方差分析

三裂式裂区试验为三因素试验，考察的因素有A 、B 、C 三个分别具有a 、b 、c 个水平。A 为主区因素，B 为裂区因素，C 为再裂区因素。试验按区组重复r 次。每一区组内分a 个主小区，随机安排A 1、A 2、…、A a ；每一主小区分b 个裂区，随机安排B 1、B 2、…、B b ；每一裂区分c 个再裂区，随机安排C 1、C 2、…、C c 。处理A i B j C k 共有abc 个。处理A i B j C k 在区组l 中观察值为x ijkl ，共有观察值abcr 个。方差分析的模型为：

其中，αi + γl + (ε1)ij 为主区效应分析部分，αi 为A i 的主效应，γl 为区组l 的主效应，(ε1)ij 为主区的随机误差，服从),0(21σN ，实际上(ε1)ij 为A i 和区组l 的交互效应；βj + (αβ)ij + (ε2)ijl 为裂区分析部分，βj 为B j 的主效应，(αβ)ij 为A i 与B j 的交互效应，(ε2)ijl 为裂区的

误差，服从),0(2

2

σN ，实际上为主区内的B j 与区组l 的交互作用；θk + (αθ)ik + (βθ)jk + (αβθ)ijk +(ε3)ijkl 为再裂区分析部分，θk 为C k 的主效应，(αθ)ik 是A i 与C k 的交互效应，(βθ)jk

是B j 与C k 的交互效应，(αβθ)ijk 是A i 、B j 和C k 间的交互效应，(ε3)ijkl 是再裂区的随机误差，亦是A i B j 内的C k 和区组l 的交互效应，它服从),0(23σN 。

参数估计、平方和计算和试验因素的抽样值定随例题再说。三裂式裂区试验的方差分析模式见表3-5-6。表中未列混合模型，可参照三因素随机区组试验EMS 写出。

关于表3-5-6有如下几点说明：

1．b e MS 可通过c e MS 检验，a e MS 可通过b e MS 来检验，如果都不显著，则试验变为三因素随机区组试验分析，这时SS e = a e MS + b e MS + c e MS ，fe =a e f + b e f + c e f = (abc-1)(r-1)。

2．如果b e MS 、a e MS 经检验都显著，必须严格按表3-5-6分析。如果是固定模型，在多重比较时有关的均数标准差为：

【例3】一位药物研究员研究一种特定类型的抗生素胶囊的吸收时间。主区因素是A 1、A 2、A 3三位实验师，裂区因素是B 1、B 2和B 3三种剂量，再裂区因素是C 1、C 2、C 3和C 4四种胶囊糖衣厚度。研究员决定做两次重复，并且每天只能做一次重复。因而天是区组．进行实验时，给每一位实验师分配一个单元抗生素，由他来实施三种剂量和四种糖衣厚度的试验。所得数据如表3-5-7所示。

平方和计算：

用固定模型分析，得方差分析表3-5-14。

方差分析表明：在抗生素胶囊再裂区试验中，实验师间和做试验的日子间均无显著差异。然而，在剂量和糖衣厚度上是极为显著的，且实验师与糖衣厚度、剂量与糖衣厚度的交互作用是极为显著的，因而必须进行多重比较，再作进一步的结论。我们仅作裂区上的多重比较，即进行同A i 下的B j C k 间的比较。

用SSR 法，ααSSR S LSR f ar

MS S k j i b b k j i C B EA e e C B EA )()(,6,59.16

35

.15====

=的

值如表3-5-15所示。

比较结果为： （1）固定A 1

（2）固定A 2

（3）固定A 3

3 条区试验的设计与分析

在多因素随机区组试验中，由于实际上的需要，可以变为裂区试验（裂区、再裂区等），亦可以根据需要衍生为条区试验。如两因素A 与B 的随机区组试验，A 需要较大的小区面积，而B 可以在区组内随机配置，这时可采用裂区设计。如果A 与B 都希望有较大的面积，方便于实施，这时可先把区组按纵向划分为a 个条形小区，随机安排A 1、A 2、…、A a ，然后再把区组按横向区分为b 个条形小区，随机安排B 1、B 2、…、B b ，这种设计方式叫随机区组式的条区设计。条区设计亦是从裂区设计演变而来，即A 与B 互为主、副因素，因为A i 的纵小条形区内随机排列了B 1、B 2、…、B b ，B j 的横小条形区内，随机安排了A 1、A 2、…、A a 。下面用例题说明其分析特点。

【例3-5-4】设一水稻移栽期和施用绿肥的两因素试验，移栽期（A ）有三个水平：A 1 = 7月16日，A 2 = 8月16日，A 3 = 9月16日；施用绿肥（B ）有三个水平：B 1 = 黄花苜蓿，B 2 = 苕子，B 3 = 不施绿肥。由于移栽期和施用绿肥都希望各自连成一片，故采用条区设计。A 、B 均为随机区组式排列，六个重复的田间排列与试验产量（kg/40 m 2）结果列于表3-5-16中。

从数据看，条区设计试验和二因素随机区组试验一样都有abr 个观察值，然而由于二者设计思想不一样，模型不一样，因而在变因效应上有所区别，方差分析的方法也就有了区别。为此将二者的区别列于表3-5-17中。

由表3-5-17可看出以下几点；

① 从误差上看，由于随机区组与条区设计间有

c b a e e e e f f f f ++=

因而条区设计没有随机区组试验分析的精确度高。

② 从条区设计内部看，分析A 、B 和A ×B 的误差是不一样的。

③ 随机区组试验和条区设计在SS A 、SS B 和SS A ×B 上的计算是完全一样的，区别在于c b a e e e e SS SS SS SS ++=

下面仅列出条区设计的方差分析结果（表3-5-18），具体计算就省略了。

在F检验中，移栽期用区组×移栽期（e a）进行检验；施肥种类用区组×施肥种类（e b）检验，移栽期×施肥种类则用剩余误差（e c）检验。其结果两个因素的主效应均极显著，而互作并不显著。此只需比较各因素主效应间的差异。最佳的移栽期及最佳的施肥种类组合为最佳的处理组。

下面进行小区平均数间的多重比较（SSR法），各种情况下的标准差公式为：

本例只需做A处理及B处理的比较。

检验结果列于表3-5-19及表3-5-20。结果表明，8月16日移栽最佳；黄花苜蓿效果最好；两者的组合A2B1为试验中最佳处理组合。

参考文献：

袁志发、贠海燕，2007，试验设计与分析（第二版），北京，中国农业出版社，124～138。

方差分析和试验设计

6方差分析与试验设计 在研究一个或多个分类型自变量与一个数值型因变量之间的关系时，方差分析就是其中主要方法之一。检验多个总体均值是否相等的统计方法。 所要检验的对象称为因素。因素的不同表现称为水平。每个因子水平下得到的样本数据称为观测值。 随机误差：在同一行业（同一总体）下，样本的各观测值是不同的。抽样随机性造成。 系统误差：在不同一行业（不同一总体）下，样本的各观测值也是不同的。抽样随机性和行业本身造成的。 组内误差：衡量因素在同一行业（同一总体）下样本数据的误差。只包含随机误差。 组间误差：衡量因素在不同一行业（不同一总体）下样本数据的误差。包含随机误差、系统误差。 方差分析的三大假设： 每个总体服从正态分布； 每个总体的方差必须相同； 观测值是独立的； 单因素方差分析（F分布） 数据结构：表示第i个水平（总体）的第j个的观测值。（i列j行）分析步骤： 1提出假设。自变量对因变量没有显著影响 不完全相等自变量对因变量有显著影响 2构造检验的统计量 计算因素各水平的均值（各水平样本均值） 计算全部观测值的总均值（总体均值） 计算误差平方和： 总误差平方和SST：全部观测值与总平均值得误差平方和。 水平项误差平方和SSA：各组平均值与总平均值得误差平方和。组间平方和。 误差项平方和SSE：各样本数据与其组平均值误差的平方和。组内平方和。 SST=SSA+SSE

A B C D E F G 1 误差来源 平方和自由度均方F 值P 值 F 临界值2SS df MS 3组间（因素 来源）SSA k-1MSA MSA/MSE 4组内（误差）SSE n-k MSE 5 总和 SST n-1 计算统计量 各平方和除以它们对应的自由度，这一结果称为均方。 SST 的自由度为（n-1），其中n 为全部观测值的个数。 SSA 的自由度为（k-1），其中k 为因素水平的个数。（组数-1） SSE 的自由度为（n-k ）。 SSA 的均方（组间均方）为 SSE 的均方（组内均方）为 3统计决策 在给定的显著性水平α下，查表得临界值 若，有显著影响； 若，无显著影响； 4方差分析表

实验报告 单因素方差分析

5.1、实验步骤： 1．建立数据文件。 定义2个变量：PWK和DCGJSL，分别表示排污口和大肠杆菌数量。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“DCGJSL”进入“因变量”列表框，选择变量“PWK”进入“因子”列表框。

3．单击“确定”按钮，得到输出结果。 结果解读： 由以上结果可以看到，观测变量大肠杆菌数量的总离差平方和为460.438；如果仅考虑“排污口”单个因素的影响，则大肠杆菌数量总变差中，排污口可解释的变差为308.188，抽样误差引起的变差为152.250，它们的方差（平均变差）分别为102.729和12.688，相除所得的F统计量的观测值为8.097，对应的概率P值为0.003。在显著性水平α为0.05的情况下。由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的排污口对大肠杆菌数量产生了显著影响，它对大肠杆菌数量的影响效应不全为0。 因此，可判断各个排污口的大肠杆菌数量是有差别的。 5.2、实验步骤： 1．建立数据文件。 定义2个变量：Branch和Turnover，分别表示分店和日营业额。将Branch的值定义为1=第一分店，2=第二分店，3=第三分店，4=第四分店，5=第五分店。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“Turnover”进入“因变量”列表框，选择变量“Branch”进入“因子”列表框。

3．单击“确定”按钮，得到输出结果。

结果解读： 由以上结果可以看到，观测变量日营业额的总离差平方和为1187668.733；如果仅考虑“分店”单个因素的影响，则日营业额总变差中，分店可解释的变差为366120.900，抽样误差引起的变差为821547.833，它们的方差（平均变差）分别为91530.225和14937.233，相除所得的F统计量的观测值为6.128，对应的概率P值近似为0。在显著性水平α为0.05的情况下，由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的分店对日营业额产生了显著影响，它对日营业额的影响效应不全为0。 因此，在α＝0.05的显著性水平下，“这五个分店的日营业额相同”这一假设不成立。 5.3、实验步骤： 1．建立数据文件。 定义3个变量：weight和method，分别表示幼苗干重（mg）和处理方式。将method 的值定义为1=HCI，2=丙酸，3=丁酸，4=对照。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“，method”进入“因变量”列表框，选择变量“weight”进入“因子”列表框。在“两两比较”选项中选择LSD、Bonferroni 和Scheffe方法。

单因素方差分析的计算步骤

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==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 有显著的差异，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： 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

方差分析与试验设计

第10章 方差分析与试验设计 三、选择题 1. Ｃ 2. Ｂ 3. Ａ 4. Ｂ 5. Ｃ 1.方差分析的主要目的是判断 （ ）。 Ａ. 各总体是否存在方差 Ｂ. 各样本数据之间是否有显著差异 Ｃ. 分类型自变量对数值型因变量的影响是否显著 Ｄ. 分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是 （ ）。 Ａ. 组间平方和除以组内平方和 Ｂ. 组间均方除以组内均方 Ｃ. 组间平方除以总平方和 Ｄ. 组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为 （ ）。 Ａ. 随机误差 Ｂ. 非随机误差 Ｃ. 系统误差 Ｄ. 非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为 （ ）。 Ａ. 组内误差 Ｂ. 组间误差 Ｃ. 组内平方 Ｄ. 组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 6. Ａ 7. Ｄ 8. Ｄ 9. Ａ 10.Ａ 6.组内误差是衡量某一水平下样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定 （ ）。 Ａ. 每个总体都服从正态分布 Ｂ. 各总体的方差相等 Ｃ. 观测值是独立的 Ｄ. 各总体的方差等于0 8.在方差分析中，所提出的原假设是210:μμ=H = ···=k μ，备择假设是（ ） Ａ. ≠≠H 211:μμ···k μ≠ Ｂ. >>H 211:μμ···k μ> Ｃ. <

正交试验设计及其方差分析

第三节正交试验设计及其方差分析 在工农业生产和科学实验中，为改革旧工艺，寻求最优生产条件等，经常要做许多试验，而影响这些试验结果的因素很多，我们把含有两个以上因素的试验称为多因素试验.前两节讨论的单因素试验和双因素试验均属于全面试验（即每一个因素的各种水平的相互搭配都要进行试验），多因素试验由于要考虑的因素较多，当每个因素的水平数较大时，若进行全面试验，则试验次数将会更大.因此，对于多因素试验，存在一个如何安排好试验的问题.正交试验设计是研究和处理多因素试验的一种科学方法，它利用一套现存规格化的表——正交表，来安排试验，通过少量的试验，获得满意的试验结果. 1.正交试验设计的基本方法 正交试验设计包含两个内容：（1）怎样安排试验方案；（2）如何分析试验结果.先介绍正交表. 正交表是预先编制好的一种表格.比如表9-17即为正交表L4(23),其中字母L表示正交，它的3个数字有3种不同的含义： (1) L4（23）表的结构：有4行、3列，表中出现2个反映水平的数码1，2. 列数 ↓ L4 （23） ↑↑ 行数水平数 （2）L4（23）表的用法：做4次试验，最多可安排2水平的因素3个. 最多能安排的因素数 ↓ L4 (23) ↑↑ 试验次数水平数 (3) L4（23）表的效率：3个2水平的因素.它的全面试验数为23=8次，使用正交表只需从8次试验中选出4次来做试验，效率是高的. L4 (23) ↑↑ 实际试验数理论上的试验数 正交表的特点： （1）表中任一列，不同数字出现的次数相同.如正交表L4(23)中，数字1，2在每列中均出现2次. （2）表中任两列，其横向形成的有序数对出现的次数相同.如表L4（23）中任意两列，数字1，2间的搭配是均衡的.

单因素实验设计报告

单因素实验设计报告 :因素实验报告设计单因素实验设计举例正交实验单因素实验设计方案篇一:实验报告单因素方差分析 5.1、实验步骤: 1(建立数据文件。 定义2个变量:PWK和DCGJSL，分别表示排污口和大肠杆菌数量。 2. 选择菜单“分析?比较均值?单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“DCGJSL”进入“因变量”列表框，选择变量“PWK”进入“因子”列表框。 3(单击“确定”按钮，得到输出结果。 结果解读: 由以上结果可以看到，观测变量大肠杆菌数量的总离差平方和为460.438;如果仅考虑“排污口”单个因素的影响，则大肠杆菌数量总变差中，排污口可解释的变差为308.188，抽样误差引起的变差为152.250，它们的方差(平均变差)分别为102.729和12.6 88，相除所得的F统计量的观测值为8.097，对应的概率P值为0.003。在显著性水平α为0.05的情况下。由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的排污口对大肠杆菌数量产生了显著影响，它对大肠杆菌数量的影响效应不全为0。 因此，可判断各个排污口的大肠杆菌数量是有差别的。 5.2、实验步骤: 1(建立数据文件。 定义2个变量:Branch和Turnover，分别表示分店和日营业额。将Branch的值定义为1=第一分店，2=第二分店，3=第三分店，4=第四分店，5=第五分店。

2. 选择菜单“分析?比较均值?单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“Turnover”进入“因变量”列表框，选择变量“Branch”进入“因子”列表框。 3(单击“确定”按钮，得到输出结果。 结果解读: 由以上结果可以看到，观测变量日营业额的总离差平方和为1187668.733;如果仅考虑“分店”单个因素的影响，则日营业额总变差中，分店可解释的变差为366120.900，抽样误差引起的变差为821547.833，它们的方差(平均变差)分别为91530.225和14937.233，相除所得的F统计量的观测值为6.128，对应的概率P 值近似为0。在显著性水平α为0.05的情况下，由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的分店对日营业额产生了显著影响，它对日营业额的影响效应不全为0。 因此，在α,0.05的显著性水平下，“这五个分店的日营业额相同”这一假设不成立。 5.3、实验步骤: 1(建立数据文件。 定义3个变量:weight和method，分别表示幼苗干重(mg)和处理方式。将method的值定义为1=HCI，2=丙酸，3=丁酸，4=对照。 2. 选择菜单“分析?比较均值?单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“，method”进入“因变量”列表框，选择变量“weight”进入“因子”列表框。在“两两比较”选项中选择LSD、Bonferroni和Scheffe方法。 3(单击“确定”按钮，得到输出结果。

第12章单因素方差分析

第12章方差分析（Analysis of V ariance） 方差分析是鉴别各因素效应的一种有效统计方法，它是通过实验观察某一种或多种因素的变化对实验结果是否带来显著影响，从而选取最优方案的一种统计方法。 在科学实验和生产实践中，影响一件事物的因素往往很多，每一个因素的改变都有可能影响产品产量和质量特征。有的影响大些，有的影响小些。为了使生产过程稳定，保证优质高产，就有必要找出对产品质量有显著影响的那些因素及因素所处等级。方差分析就是处理这类问题，从中找出最佳方案。 方差分析开始于本世纪20年代。1923年英国统计学家R.A. Fisher 首先提出这个概念，（ANOV A）。因当时他在Rothamsted农业实验场工作，所以首先把方差分析应用于农业实验上，通过分析提高农作物产量的主要因素。Fisher1926年在澳大利亚去世。现在方差分析方法已广泛应用于科学实验，医学，化工，管理学等各个领域，范围广阔。 在方差分析中，把可控制的条件称为“因素”（factor），把因素变化的各个等级称为“水平”或“处理”（treatment）。 若是试验中只有一个可控因素在变化，其它可控因素不变，称之为单因素试验，否则是多因素试验。下面分别介绍单因素和双因素试验结果的方差分析。 1.1 单因素方差分析（One Way Analysis of Variance） 1.一般表达形式 2.方差分析的假定前提 3.数学模形 4.统计假设 5.方差分析：（1）总平方和的分解；（2）自由度分解；（3）F检验 6.举例 7.多重比较 1.1.1 一般表达形式 首先通过一个例子引出单因素方差分析方法。某农业科研所新培养了四种水稻品种，分别用A1，A2，A3，A4表示。每个品种随机选种在四块试验田中，共16块试验田。除水稻品种之外，尽量保持其它条件相同（如面积，水分，日照，肥量等），收获后计算各试验田中产量如下表： 通过这些数据要考察四个不同品种的单位产量，是否有显著性差异。类似的例子很多，如劳动生产率差异，汽车燃油消耗，金属材料淬火温度等问题。上述问题可控实验条件是“种子”。所以种子是因素。把不同的品种A1，A2，A3，A4称为“水平”。1，2，3，4表示试验

第10章 方差分析与试验设计

第10章 方差分析与试验设计 三、选择题 1.方差分析的主要目的是判断 （ ）。 Ａ. 各总体是否存在方差 Ｂ. 各样本数据之间是否有显著差异 Ｃ. 分类型自变量对数值型因变量的影响是否显著 Ｄ. 分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是 （ ）。 Ａ. 组间平方和除以组内平方和 Ｂ. 组间均方除以组内均方 Ｃ. 组间平方除以总平方和 Ｄ. 组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为 （ ）。 Ａ. 随机误差 Ｂ. 非随机误差 Ｃ. 系统误差 Ｄ. 非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为 （ ）。 Ａ. 组内误差 Ｂ. 组间误差 Ｃ. 组内平方 Ｄ. 组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 6.组内误差是衡量某一水平下样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定 （ ）。 Ａ. 每个总体都服从正态分布 Ｂ. 各总体的方差相等 Ｃ. 观测值是独立的 Ｄ. 各总体的方差等于0 8.在方差分析中，所提出的原假设是210:μμ=H = ···=k μ，备择假设是（ ） Ａ. ≠≠H 211:μμ···k μ≠ Ｂ. >>H 211:μμ···k μ> Ｃ. <

单因素方差分析完整实例知识讲解

单因素方差分析完整 实例

什么是单因素方差分析 单因素方差分析是指对单因素试验结果进行分析，检验因素对试验结果有无显著性影响的方法。 单因素方差分析是两个样本平均数比较的引伸，它是用来检验多个平均数之间的差异，从而确定因素对试验结果有无显著性影响的一种统计方法。 单因素方差分析相关概念 ●因素：影响研究对象的某一指标、变量。 ●水平：因素变化的各种状态或因素变化所分的等级或组别。 ●单因素试验：考虑的因素只有一个的试验叫单因素试验。 单因素方差分析示例[1] 例如，将抗生素注入人体会产生抗生素与血浆蛋白质结合的现象，以致减少了药效。下表列出了5种常用的抗生素注入到牛的体内时，抗生素与血浆蛋白质结合的百分比。现需要在显著性水平α = 0.05下检验这些百分比的均值有无显著的差异。设各总体服从正态分布，且方差相同。

在这里，试验的指标是抗生素与血浆蛋白质结合的百分比，抗生素为因素，不同的5种抗生素就是这个因素的五个不同的水平。假定除抗生素这一因素外，其余的一切条件都相同。这就是单因素试验。试验的目的是要考察这些抗生素与血浆蛋白质结合的百分比的均值有无显著的差异。即考察抗生素这一因素对这些百分比有无显著影响。这就是一个典型的单因素试验的方差分析问题。 单因素方差分析的基本理论[1] 与通常的统计推断问题一样，方差分析的任务也是先根据实际情况提出原假设H0与备择假设H1，然后寻找适当的检验统计量进行假设检验。本节将借用上面的实例来讨论单因素试验的方差分析问题。

在上例中，因素A（即抗生素）有s（=5）个水平，在每一个水平 下进行了n j = 4次独立试验，得到如上表所示的结果。这些结果是一个随机变量。表中的数据可以看成来自s个不同总体（每个水平对应一个总体）的样本值，将各个总体的均值依次记为,则按题意需检验假设 不全相等 为了便于讨论，现在引入总平均μ 其中： 再引入水平A j的效应δj 显然有，δj表示水平A j下的总体平均值与总平均的差异。 利用这些记号，本例的假设就等价于假设 不全为零 因此，单因素方差分析的任务就是检验s个总体的均值μj是否相等，也就等价于检验各水平A j的效应δj是否都等于零。 2. 检验所需的统计量 假设各总体服从正态分布，且方差相同，即假定各个水平下的样本来自正态总体N(μj,σ2)，μj与σ2未知，且设不同水平A j下的样本

利用SPSS 进行方差分析以及正交试验设计

实验设计与分析课程论文 题目利用SPSS 软件进行方差分析和正交试验设计 学院 专业 年级 学号 姓名 2012年6月29日

一、SPSS 简介 SPSS 是世界上最早的统计分析软件，1984年SPSS 总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS 微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域，世界上许多有影响的报刊杂志纷纷就SPSS 的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价与称赞。 SPSS 的基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS 统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程，比如回归分析中又分线性回归分析、曲线估计、Logistic 回归、Probit 回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。SPSS 也有专门的绘图系统，可以根据数据绘制各种图形。SPSS 的分析结果清晰、直观、易学易用，而且可以直接读取EXCEL 及DBF 数据文件，现已推广到多种各种操作系统的计算机上，它和SAS 、BMDP 并称为国际上最有影响的三大统计软件。 SPSS 输出结果虽然漂亮，但不能为WORD 等常用文字处理软件直接打开，只能采用拷贝、粘贴的方式加以交互。这可以说是SPSS 软件的缺陷。 二、方差分析 例如 某高原研究组将籍贯相同、年龄相同、身高体重接近的30名新战士随机分为三组，甲组为对照组，按常规训练，乙组为锻炼组，每天除常规训练外，接受中速长跑与健身操锻炼，丙组为药物组，除常规训练外，服用抗疲劳药物，一月后测定第一秒用力肺活量(L)，结果见表。试比较三组第一秒用力肺活量有无差别。对照组为组一，锻炼组为组二，药物组为组三。 第一步：打开 SPSS 软件 表1 三组战士的第一秒用力肺活量(L) 对照组 锻炼组 药物组 合计 3.25 3.66 3.44 3.32 3.64 3.62 3.29 3.48 3.48 3.34 3.64 3.36 3.16 3.48 3.52 3.64 3.20 3.60 3.60 3.62 3.32 3.28 3.56 3.44 3.52 3.44 3.16 3.26 3.82 3.28

01 第一节 单因素试验的方差分析

第八章 方差分析与回归分析 第一节 单因素试验的方差分析 在科学试验、生产实践和社会生活中，影响一个事件的因素往往很多。例如，在工业生产中，产品的质量往往受到原材料、设备、技术及员工素质等因素的影响；又如，在工作中，影响个人收入的因素也是多方面的，除了学历、专业、工作时间、性别等方面外，还受到个人能力、经历及机遇等偶然因素的影响. 虽然在这众多因素中，每一个因素的改变都可能影响最终的结果，但有些因素影响较大，有些因素影响较小. 故在实际问题中，就有必要找出对事件最终结果有显著影响的那些因素. 方差分析就是根据试验的结果进行分析，通过建立数学模型，鉴别各个因素影响效应的一种有效方法. 内容分布图示 ★ 引言 ★ 基本概念 ★ 例1 ★ 例2 ★ 假设前提 ★ 方差分析的任务 ★ 偏差平方和及其分解 ★ E S 和A S 的统计特性 ★ 检验方法 ★ 例3 ★ 例4 ★ 习题8-1 ★ 返回 内容要点： 一、基本概念 在方差分析中，我们将要考察的对象的某种特征称为试验指标. 影响试验指标的条件称为因素. 因素可分为两类，一类是人们可以控制的（如上例的原材料、设备、学历、专业等因素）；另一类人们无法控制的（如上例中员工素质与机遇等因素）. 今后，我们所讨论的因素都是指可控制因素。因素所处的状态，称为该因素的水平. 如果在一项试验中只有一个因素在改变，则称为单因素试验；如果多于一个因素在改变，则称为多因素试验. 为方便起见，今后用大写字母,,,C B A 等表示因素，用大写字母加下标表示该因素的水平，如 ,,21A A 等. 二、假设前提 设单因素A 具有r 个水平，分别记为,,,,21r A A A 在每个水平),,2,1(r i A i 下，要考察的指标可以看成一个总体，故有r 个总体，并假设: (1) 每个总体均服从正态分布; (2) 每个总体的方差相同;

spss多因素方差分析报告例子

作业8：多因素方差分析 1，data0806-height是从三个样方中测量的八种草的高度，问高度在三个取样地点，以及八种草之间有无差异？具体怎么差异的？ 打开spss软件，打开data0806-height数据，点击Analyze->General Linear Model->Univariate打开： 把plot和species送入Fixed Factor(s)，把height送入Dependent Variable，点击Model打开：

选择Full factorial，Type III Sum of squares，Include intercept in model（即全部默认选项），点击Continue回到Univariate主对话框，对其他选项卡不做任何选择， 结果输出：

因无法计算B rror，即无法分开B intercept 和B error，无法检测interaction 的影响，无法进行方差分析， 重新Analyze->General Linear Model->Univariate打开：

选择好Dependent Variable和Fixed Factor(s)，点击Model打开： 点击Custom，把主效应变量species和plot送入Model框，点击Continue回到Univariate 主对话框，点击Plots：

把date送入Horizontal Axis，把depth送入Separate Lines，点击Add，点击Continue 回到Univariate对话框，点击Options： 把OVERALL,species, plot送入Display Means for框，选择Compare main effects，Bonferroni，点击Continue回到Univariate对话框， 输出结果：

spss中的单因素方差分析

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。

SPSS多因素方差分析

体育统计与SPSS读书笔记(八)—多因素方差分析(1) 具有两个或两个以上因素的方差分析称为多因素方差分析。 多因素是我们在试验中会经常遇到的，比如我们前面说的单因素方差分析的时候，如果做试验的不是一个年级，而是多个年纪，那就成了双因素了：不同教学方法的班级，不同年级。如果再加上性别上的因素，那就成了三因素了。如果我们把实验前和试验后的数据用一个时间的变量来表示，那又多了一个时间的因素。如果每个年级都是不同的老师来上，那又多了一个老师的因素，等等等等，所以我们在设计试验的时候都要进行充分考虑，并确定自己只研究哪些因素。 下面用例子的形式来说说多因素方差分析的运用。还是用前面说单因素的例子，前面的例子说了只在五年级抽三个班进行不同教学方法的试验，现在我们还要在初二和高二各抽三个班进行不同教学方法的试验。形成年级和不同教学法班级双因素。 分析： 1.根据实验方案我们划出双因素分析的表格，可以看出每个单元格都是有重复数据(也就是不只一个数据)， 年级 不同教学方法的班级 定性班 定量班 定性定量班 五年级 页脚内容1

(班级每个人) (班级每个人) (班级每个人) 初中二年级 (班级每个人) (班级每个人) (班级每个人) 高中二年级 (班级每个人) (班级每个人) (班级每个人) 2.因为有重复数据，所以存在在数据交互效应的可能。我们来看看交效应的含义：如果在A因素的不同水平上,B因素对因变量的影响不同,则说明A、B两因素间存在交互作用。交互作用是多因素实验分析的一个非常重要的内容。如因素间存在交互作用而又被忽视,则常会掩盖因素的主效应的显著性,另一方面,如果对因变量Y,因素A与B之间存在交互作用,则已说明这两个因素都Y对有影响,而不管其主效应是否具有显著性。在统计模型中考虑交互作用,是系统论思想在统计方法中的反映。在大多数场合,交互作用的信息比主效应的信息更为有用。根据上面的判断。根据上面的说法，我也无法判断是否有交互作用，不像身高和体重那么直接。这里假设他们之间有交互作用。 页脚内容2

第六章--方差分析与正交试验设计讲解学习

第六章 方差分析与正交试验设计 在生产实践和科学研究中，经常要分析各种因素对试验指标是否有显著的影响。例如，工业生产中，需要研究各种不同的配料方案对生产出的产品的质量有无显著差异，从中筛选出较好的原料配方；农业生产中，为了提高农作物的产量，需要考察不同的种子、不同数量的肥料对农作物产量的影响，并从中确定最适宜该地区种植的农作物品种和施肥数量。 要解决诸如上述问题，一方面需要设计一个试验，使其充分反映各因素的作用，并力求试验次数尽可能少，以便节省各种资源和成本；另一方面就是要对试验结果数据进行合理的分析，以便确定各因素对试验指标的影响程度。 §6.1 单因素方差分析 仅考虑一个因素A 对试验指标有无显著影响，可以让A 取r 个水平：r A A A ,,,21 ，在水平i A 下进行i n 次试验，称为单因素试验，试验结果观测数据ij x 列于下表： 并设在水平i A 下的数据i in i i x x x ,,21来自总体),(~2 i i N X ，),,2,1(r i 。 检验如下假设： r H 210:， r H ,,,:211 不全相等 检验统计量为 ),1(~) /() 1/(r n r F r n S r S F e A 其中2 1 2 11)()(x x n x x S i r i i r i n j i A i ，称为组间差平方和。 211 )(i r i n j ij e x x S i ，称为组内差平方和。

这里 r i i n n 1 ， i n j ij i i x n x 1 1 ， r i n j ij i x n x 111。 对于给定的显著性水平)05.001.0(或 ，如果),1(r n r F F ，则拒绝0H ，即认为因素A 对试验指标有显著影响。 实际计算时，可事先对原始数据作如下处理： b a x x ij ij 再进行计算，不会影响F 值的大小。 例1 试分析三种不同的菌型对小白鼠的平均存活日数影响是否显著？ 解：30,11,9,10,3321 n n n n r 16.6,27.7,22.7,4321 x x x x 43.70)()(21 2 11 x x n x x S i r i i r i n j i A i ， 74.137)(211 i r i n j ij e x x S i 49.5)27,2(90.601.0 F F ，说明三种不同菌型的伤寒病菌对小白鼠的平均存活日数的影响高度显著。 §6.2 双因素方差分析 同时考察两个因素A 和B 对试验指标有无显著影响，可以让A 取r 个水平： r A A A ,,,21 ，让B 取s 个水平：s B B B ,,,21 ，在各种水平配合),(j i B A 下进行试验， 称为双因素试验。 一、无交互作用的双因素方差分析 在每一种水平配合),(j i B A 下作一次试验，称为无交互作用的双因素试验，试验结果观测数据ij x 列于下表：

第10章__方差分析与试验设计

第10章方差分析与试验设计 三、选择题 1.Ｃ 2.Ｂ 3.Ａ 4.Ｂ 5.Ｃ 1.方差分析的主要目的是判断（）。 Ａ.各总体是否存在方差 Ｂ.各样本数据之间是否有显著差异 Ｃ.分类型自变量对数值型因变量的影响是否显著 Ｄ.分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是（）。 Ａ.组间平方和除以组内平方和Ｂ.组间均方除以组内均方 Ｃ.组间平方除以总平方和Ｄ.组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为（）。 Ａ.随机误差Ｂ.非随机误差Ｃ.系统误差Ｄ.非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为（）。 Ａ.组内误差Ｂ.组间误差Ｃ.组内平方Ｄ.组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它（）。 Ａ.只包括随机误差 Ｂ.只包括系统误差 Ｃ.既包括随机误差，也包括系统误差 Ｄ.有时包括随机误差，有时包括系统误差 6.Ａ 7.Ｄ8.Ｄ9.Ａ10.Ａ 6.组内误差是衡量某一水平下样本数据之间的误差，它（）。 Ａ.只包括随机误差 Ｂ.只包括系统误差 Ｃ.既包括随机误差，也包括系统误差 Ｄ.有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定（）。 Ａ.每个总体都服从正态分布Ｂ.各总体的方差相等 Ｃ.观测值是独立的Ｄ.各总体的方差等于0 8.在方差分析中，所提出的原假设是0:=···= ，备择假设是（） 12 k Ａ.1:12···kＢ.1:12···k Ｃ. 1:···kＤ.1:1,2,···,k不全相等 12 9.单因素方差分析是指只涉及（）。 Ａ.一个分类型自变量Ｂ.一个数值型自变量 Ｃ.两个分类型自变量Ｄ.两个数值型因变量 10.双因素方差分析涉及（）。 Ａ.两个分类型自变量Ｂ.两个数值型自变量 Ｃ.两个分类型因变量Ｄ.两个数值型因变量 11.Ｂ12.Ｃ

方差分析与试验设计

课程名称统计学指导教师实验日期 院（系）专业班级实验地点 学生姓名学号同组人 实验项目名称方差分析与试验设计 一、实验目的 通过实验掌握方差分析基本原理，对单因素方差分析、双因素方差分析以及实验设计具有初步认识。 二、实验内容 城市道路交通管理部门为研究不同的路段和不同的时间段对行车时间的影响，让一名交通警察分别在3个路段和高峰期与非高峰期亲自驾车进行试验，通过实验共获得30个行车时间（单位：分钟）的数据。试分析路段、时段以及路段和时段的交互作用对行车时间的影响。（α=0.05） 三、实验步骤 1.在Excel中输入实验数据 2.点击【工具】→【数据分析】【方差分析：单因素分析】，单击【确定】 3.输入数据区域，单击【确定】 4.重复2.3. 5.选择【方差分析：可重复双因素分析】，单击【确定】 四、实验结果 1.路段： 方差分析：单因素方差分析 SUMMARY

2.时段： 方差分析：单因素方差分析 3.路段和时段的交互作用对行车时间的影响： 方差分析：可重复双因素分析 SUMMARY 28.1 32.4 总计 34.1 观测数 3 3 6 求和93.6 104.7 198.3

平均31.2 34.9 33.05 方差 1.39 2.83 5.795 38 观测数 3 3 6 求和82 94.9 176.9 平均27.33333 31.63333 29.48333 方差8.463333 12.62333 13.98167 32.4 观测数 3 3 6 求和69.1 81.6 150.7 平均23.03333 27.2 25.11667 方差 4.223333 3.61 8.341667 总计 观测数9 9 求和244.7 281.2 平均27.18889 31.24444 方差16.03611 15.96778 方差分 析 差异源SS df MS F P-value F crit 样本189.4533 2 94.72667 17.15027 0.000303 3.885294 列74.01389 1 74.01389 13.40022 0.003262 4.747225 交互0.297778 2 0.148889 0.026956 0.973463 3.885294 内部66.28 12 5.523333 总计330.045 17 五、实验分析 1. 路段对行车时间的影响 F=0.915773< F crit=3.31583,表明路段对行车时间的影响不显著。 2. 时段以对行车时间的影响 F=3.739213> F crit=2.392814，表明时段以对行车时间的影响显著。 3.路段和时段的交互作用对行车时间的影响 F=0.026956< F crit=3.885294，表明路段和时段的交互作用对行车时间的影响显著。

第9章 方差分析与试验设计

统计学 STATISTICS 警惕过多地假设检验。你对数据越苛求，数据会越多地向你供认，但在威逼下得到的供词，在科学询查的法庭上是不容许的。 Stephen M.Stigler

统计学 STATISTICS第9章方差分析与试验设计

STATISTICS SARS病毒灭活疫苗临床试验 ?2004年12月5日，科技部、卫生部、国家食品药品监督管 理局共同宣布：中国自主研制的SARS病毒灭活疫苗Ⅰ期临床试验圆满结束。经对36人的试验结果表明，36位受试者均未出现异常反应，其中24位接种疫苗的受试者全部产生了抗体，这表明我国自主研制的疫苗是安全有效的 ?2003年SARS疫情发生后，SARS疫苗的研制确定为重要 任务之一。科技部积极组织协调，形成了由北京科兴生物制品有限公司、中国疾病预防控制中心病毒病预防控制所和中国医学科学院实验动物研究所共同组成的疫苗研制项目课题组，研究人员包括北京科兴生物制品有限公司、中国医学科学院实验动物研究所、中国疾病预防控制中心病毒病预防控制所、中日友好医院等部门在内的100多位科研人员和医生

STATISTICS SARS病毒灭活疫苗临床试验 ?2004年1月19日，SARS病毒灭活疫苗获准进入Ⅰ期临床 研究，本次试验共选择36名年龄在21岁到40岁的健康人作为志愿者，男女各18人，在中日友好医院接受了SARS 疫苗临床研究。免疫接种分为16个单位和32个单位两种剂量，并设安慰剂对照组，各12人。这次SARS疫苗临床研究方案完全按照国际规范，采用知情同意、伦理审查、随机双盲等规范化操作 ?本次试验采用随机双盲的实验设计。受试者和参加临床试 验或临床评价的研究人员或疫苗研制方的工作人员均不知道也不能识别受试者接受了何种注射(疫苗或安慰剂)。在试验结束、完成数据清理、数据已达到可以接受水平，可由指定人员揭盲，打开密封的设盲信封，从而知道哪个受试者接种的是试验疫苗，哪个受试者接种的是安慰剂

单因素方差分析讲解学习

单因素方差分析 定义： 单因素方差分析测试某一个控制变量的不同水平是否给观察变量造成了显著差异和变动。例如，培训是否给学生成绩造成了显著影响；不同地区的考生成绩是否有显著的差异等。 前提： 1总体正态分布。当有证据表明总体分布不是正态分布时，可以将数据做正态转化。 2变异的相互独立性。 3各实验处理内的方差要一致。进行方差分析时，各实验组内部的方差批次无显著差异，这是最重要的一个假定，为满足这个假定，在做方差分析前要对各组内方差作齐性检验。一、单因素方差分析 1选择分析方法 本题要判断控制变量“组别”是否对观察变量“成绩”有显著性影响，而控制变量只有一个，即“组别”，所以本题采用单因素分析法，但需要进行正态检验和方差齐性检验。 2 在控制变量为“组别”，

3正态检验（P>0.05，服从正态分布） 正态检验操作过程: “分析”→“描述统计”→“探索”，出现“探索”窗口，将因变量“成绩”放入“因变量列表”，将自变量“组别”放入“因子列表”，将“人名”放入“标注个案”； 点击“绘制”，出现“探索：图”窗口，选中“直方图”和“带检验的正态图”，点击“继续”；点击“探索”窗口的“确定”，输出结果。 因变量是用户所研究的目标变量。因子变量是影响因变量的因素，例如分组变量。标注个案是区分每个观测量的变量。 带检验的正态图（Normality plots with test，复选框）：选择此项，将进行正态性检验，并生成正态Q-Q概率图和无趋势正态Q-Q概率图。 正态检验结果分析: p值都大于0.05，因而我们不能拒绝零假设，也就是说没有证据表明各组的数据不服从正态分布（检验中的零假设是数据服从正态分布）。即p值≥0.05，数据服从正态分布。 4单因素方差分析操作过程 “分析”→“比较均值”→“单因素ANOVA”，出现“单因素方差分析”窗口，将因变量“成绩”放入“因变量列表”，将自变量“组别”放入“因子”列表；点击“选项”选择“方差同质性检验”和“描述性”，点击“继续”，回到主对话框；点击“两两比较”选择“LSD”和“S-N-K” 、“Dunnett’s C”，点击“继续”，回到主对话框；点击“对比”，选择“多项式” ，点击“继续”，回到主对话框；点击“单因素方差分析”窗口的“确定”，输出结果。