方差分析的基本思想
试验指标的变化可以用指标值的方差反映，导致试验指标值发生变化的原因有两方面：一是可控因素，二是不可控
因素或未加控制因素。方差分析就是将试验指标值的方差分解成条件变差与随机误差，然后，将各因素形成的条件
变差与随机误差进行比较，评价由某种因素所引起的变异是否具有统计学意义。
方差分析结果
不拒绝H0，表示拒绝总体均数相等的证据不足；
————>分析终止。
拒绝H0，接受H1，表示总体均数不全相等.
哪两两均数之间相等？哪两两均数之间不等？
————>需要进一步作多重比较
对于变量之间的因果关系，统计学的任务是查明因果关系是否存在，若存在，判定强弱，并找出揭示这种关系的模
型，用于预测、控制、优化。对于相关关系（又叫相依关系），统计学的任务是找出刻画这种关系强弱的指标，并
用于判定这种关系存在性及强弱。前者就是回归分析，后者就是相关分析。
回归分析与相关分析的联系：研究在专业上有一定联系的两个变量之间是否存在直线关系以及如何求得直线回归方程等问题，需进行直线相关和回归分析。从研究的目的来说，若仅仅为了了解两变量之间呈直线关系的密切程度和方向，宜选用线性相关分析；若仅仅为了建立由自变量推算因变量的直线回归方程，宜选用直线回归分析。
从资料所具备的条件来说，作相关分析时要求两变量都是随机变量（如：人的身长与体重、血硒与发硒）；作回归分析时要求因变量是随机变量，自变量可以是随机的，也可以是一般变量(即可以事先指定变量的取值，如：用药的剂量)。
在统计学教科书中习惯把相关与回归分开论述，其实在应用时，当两变量都是随机变量时，常需同时给出这两种方法分析的结果；另外，若用计算器实现统计分析，可用对相关系数的检验取代对回归系数的检验,这样到了化繁为简的目的。
回归分析和相关分析都是研究变量间关系的统计学课题，它们的差别主要是：
1、在回归分析中，y被称为因变量，处在被解释的特殊地位，而在相关分析中，x与y处于平等的地位，即研究x与y的密切程度和研究y与x的密切程度是一致的；
2、相关分析中，x与y都是随机变量，而在回归分析中，y是随机变量，x可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定x是非随机的；
3、相关分析的研究主要是两个变量之间的密切程度，而回归分析不仅可以揭示x对y的影响大小，还可以由回归方程进行数量上的预测和控制。
方差分析一旦确定各组均值间存在差异显著，多重比较检测可以求出均值相等的组；
其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。包括单因素方差分析即完全随机设计或成组设计的方差分析和多因素方差分析。
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，
多元方差分析 1992年美国总统选举的三位候选人为布什、佩罗特、克林顿。从支持三位候选人的选民中分别 分析：该题自变量为三位候选人，因变量为年龄段和受教育程度。从自变量来看要进行方差分析，从因变量来看是二元分析，所以最终确定使用多变量分析 具体操作（spss） 1、打开spss，录入数据，定义变量和相应的值在此不作详述。结果如图1
图1 被投票人：1、布什2、佩罗特3、克林顿 2、在spss窗口中选择分析——一般线性模型——多变量，调出多变量分析主界面，将年龄段和受 教育程度移入因变量框中，被投票人移入固定因子框中。如图2 图2 多变量分析主界面 3、点击选项按钮在输出框中选择方差齐性分析（既包括协方差矩阵等同性分析也包括误差方差齐 性分析），其它使用默认即可，点击继续返回主界面。如图3
图3 选项子对话框 4、点击确定，运行多变量分析过程。 结果解释 1、协方差矩阵等同性的Box检验结果，如图4 图4 协方差矩阵检验 结果说明：此Box检验的协方差矩阵为三位候选人每个人的支持者的年龄段和受教育程度的协方差矩阵。因为sig>0.05，所以差异不显著，即各个因变量的协方差矩阵在所有三个候选人组中是相等的。可以对其进行多元方差分析。 2、多变量检验结果，如图5
图5 多变量检验 结果说明：被投票人在四种统计方法中的sig均小于0.05，所以差异显著，即三组的总体均值有显著性差异 3、误差方差等同性的Levene检验结果，如图6 图6 Levene检验 结果说明：只考虑单个变量，年龄段或者受教育程度，每位候选人的20名支持者的随机误差是否有显著性差异。因为sig>0.05，差异不显著，所以三位候选人的20名支持者的随机误差相等。 可以进行单因素方差分析。 4、主体间效应的检验结果，如图7 图7 主体间效应的检验 结果说明：被投票人一行中，年龄段的sig<0.05，差异显著，即支持三位候选人的选民中，年龄段之间存在显著差异；而受教育程度的sig>0.05，差异不显著，即支持三位候选人的选民中，受教育程度差异不显著。
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。 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； μj指第j 个处理的均值； τj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； εij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，以进行假设检验。由于τ2j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：
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：
《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，
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 Measure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5-1所示。 表5-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 数据保存在“DATA5-1.SAV”文件中，变量格式如图5-1。 图5-1 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5-1所示。或者打开已存在的数据文件“DATA5-1.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5-2。 图5-2 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5-3所示的对话框。该对话框用于设置均值的多项式比较。 图5-3 “Contrasts”对话框 定义多项式的步骤为： 均值的多项式比较是包括两个或更多个均值的比较。例如图5-3中显示的是要求计算“1.1×mean1-1×mean2”的值，检验的假设H0：第一组均值的1.1倍与第二组的均值相等。单因素方差分析的“0ne-Way ANOVA”过程允许进行高达5次的均值多项式比较。多项式的系数需要由读者自己根据研究的需要输入。具体的操作步骤如下： ① 选中“Polynomial”复选项，该操作激活其右面的“Degree”参数框。 ② 单击Degree参数框右面的向下箭头展开阶次菜单，可以选择“Linear”线性、“Quadratic”二次、“Cubic”三次、“4th”四次、“5th”五次多项式。 ③ 为多项式指定各组均值的系数。方法是在“Coefficients”框中输入一个系数，单击Add按钮，“Coefficients”框中的系数进入下面的方框中。依次输入各组均值的系数，在方形显示框中形成—列数值。因素变量分为几组，输入几个系数，多出的无意义。如果多项式中只包括第一组与第四组的均值的系数，必须把第二个、第三个系数输入为0值。如果只包括第一组与第二组的均值，则只需要输入前两个系数，第三、四个系数可以不输入。 可以同时建立多个多项式。一个多项式的一组系数输入结束，激话“Next”按钮，单击该按钮后“Coefficients”框中清空，准备接受下一组系数数据。
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
多元方差分析 (MANOVA) 假设在所实施一个实验中有m个不同的总体，或者m组不同处理。并假设每个实验单元有p个反应变量。令表示第i组处理中的第j个变量，其中i = 1, 2, ..., m；j = 1,2,...,p。令表 示从第i个总体中第r个实验单元上第j个反应变量的观测值。多元变量均值模型可以用下式表达。 i =1, 2, ..., m, j =1,2,...,p, r=1, 2, ..., N i 该模型写成矩阵形式为 i=1, 2, ..., m, r=1, 2, ..., N i. 其中 1 假设条件
理想情况下，多元方差分析要求实验误差向量独立、同分布，即多 元正态分布，均值为零，方差—协方差矩阵相等但未知。也就是说，在理想条件下，服从N p(0, Σ)的分布，其中Σ为正定矩阵。 换句话说，多元方差分析要求不同实验单元的误差不相关，但 允许同一实验单元误差向量中的元素相关。 2 检验统计量 多元变量方差分析MANOVA时，每个模型效应（effects）都有 对应的总平方和，交叉乘积矩阵。 用E表示误差平方和与交叉乘积矩阵，现在将用H表示任意 特殊假设平方和与交叉乘积矩阵。要求MANOVA的实验分析中，需要考虑几个假设矩阵，用H表示任意假设的矩阵。 所有MANOVA检验程序都以H和E的函数为基础，好的检验程 序实际上是HE-1和/或H(H + E)-1的非零特征根的函数。 HE-1和/或H(H + E)-1的非零特征根数用s表示，s = min(h, p)，h 是相应于假设矩阵的自由度，p 通常代表所分析的相应变量 的个数。 下面是最流行的多元方差检验方法：
SPSS--One-Way ANOVA过程--单因素方差分析 One-Way ANOVA过程 该命令用于两组及多组独立样本平均数差异显著性的比较，即成组设计的方差分析。还可进行随后的两两成对比较。 1 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（因变量）。 【Factor框】 选入需要比较的分组因素，只能选一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，该对话框比较专业，也较少用，这里做简单介绍。?Polynomial复选框定义是否在方差分析中进行趋势检验。?Degree下拉列表和Polynomial复选框配合使用，可选则从线性趋势一直到最高五次方曲线来进行检验。 ?Coefficients框定义精确两两比较的选项。按分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如说在下面的例2要对一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，就会在结果中给出相应的检验内容。
【Post Hoc按钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法： ?EquaL Variances Assumed复选框：当各组数据方差齐性时的两两比较方法，共14种。其中最常用的为LSD和S-N-K法。?EquaL Variances Not Assumed复选框:当各组方差不齐性时的两两比较方法，共4种，其中以Dunnetts's C法较常用。?Significance Level框定义两两比较时的显著性水平，默认为0.05。 【Options按钮】 弹出Options对话框，用于定义相关的选项： ?Statistics复选框：选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验 （Homogeneity-of-variance）。 ?Means plot复选框：用各组均数做图，直观了解它们的差异。 ?Missing Values单选框组：定义分析中对缺失值的处理方法，可以是具体分析时用到的变量有缺失值才去除该记录 （Excludes cases analysis by analysis），或只要相关变
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：
SPSS数据统计分析与实践主讲：周涛副教授 北京师范大学资源学院 2007-11-6 教学网站：https://www.doczj.com/doc/a2271465.html,/Courses/SPSS
第九章多元方差分析 GLM Multivariate Analysis
多元方差分析－问题的提出 z T检验、单因素方差分析、多因素方差分析只针对一个因变量，而有时往往要对多个相关的因变量进行相关分析。 z例如：在评价素质教育的效果时，因变量包括语文成绩、数学成绩……。 z虽然有时可以对各个因变量单独进行方差分析（单因素或多因素），但这种处理存在如下的弊端：
多元方差分析－问题的提出 z虽然有时可以对各个因变量单独进行方差分析（单因素或多因素），但这种处理存在如下的弊端： z检验效率低； z犯第一类错误的概率增大； z一元分析结果不一致时，难以下结论； z忽略了变量间相关关系； z有时多个观察指标的联合分布存在差异，但单独对每个指标进行统计学检验时却没有统计学意义；反之亦然。
多元方差分析－问题的提出 解决策略： 1.一种解决办法是：使用因子分析先对因变量 中蕴含的信息进行浓缩，然后对提取的公因子进行后续的一元方差分析； 2.另一种解决办法是：采用多元方差分析 （Multivariate Analysis Of Variance， MANOVA）
多元方差分析对数据的要求 the GLM Multivariate procedure assumes: z The values of errors are independent of each other across observations and the independent variables in the model. Good study design generally avoids violation of this assumption. z The covariance (协方差) of dependent variables is constant across cells. This can be particularly important when there are unequal cell sizes; that is, different numbers of observations across factor-level combinations. z Across the dependent variables, the errors have a multivariate normal distribution with a mean of 0.
第五节方差分析的SPSS操作 一、完全随机设计的单因素方差分析 1．数据 采用本章第二节所用的例1中的数据，在数据中定义一个group变量来表示五个不同的组，变量math表示学生的数学成绩。数据输入格式如图6－3（为了节省空间，只显示部分数据的输入）： 图6-3 单因素方差分析数据输入 将上述数据文件保存为“6-6-1.sav”。 2．理论分析 要比较不同组学生成绩平均值之间是否存在显著性差异，从上面数据来看，总共分了5个组，也就是说要解决比较多个组（两组以上）的平均数是否有显著的问题。从要分析的数据来看，不同组学生成绩之间可看作相互独立，学生的成绩可以假设从总体上服从正态分布，在各组方差满足齐性的条件下，可以用单因素的方差分析来解决这一问题。单因素方差分析不仅可以检验多组均值之间是否存在差异，同时还可进一步采取多种方法进行多重比较，发现存在差异的究竟是哪些均值。 3．单因素方差分析过程 （1）主效应的检验 假如我们现在想检验五组被试的数学成绩（math）的均值差异是否显著性，可依下列操作进行。①单击主菜单Analyze/Compare Means/One-W ay Anova…，进入主对话框，请把math选入到因变量表列（Dependent list）中去，把group选入到因素（factor）中去，如图6-4所示：
图6-4：One-Way Anova主对话框 ②对于方差分析，要求数据服从正态分布和不同组数据方差齐性，对于正态性的假设在后面非参数检验一章再具体介绍；One-Way Anova可以对数据进行方差齐性的检验，单击铵钮Options，进入它的主对话框，在Homogeneity-of-variance项上选中即可。设置如下图6-5所示： 图6-5：One-Way Anova的Options对话框 点击Continue，返回主对话框。 ③在主对话框中点击OK，得到单因素方差分析结果 4．结果及解释 （1）输出方差齐性检验结果 Test of Homogeneity of Variances MATH Levene Statistic df1 df2 Sig. 1.238 4 35 .313 上表结果显示，Levene方差齐性检验统计量的值为1.238，Sig=0.313>0.05，所以五个组的方差满足方差齐性的前提条件，如果不满足方差齐性的前提条件，后面方差分析计算F统计量的方法要稍微复杂，本章我们只考虑方差齐性条件满足的情况。 （2）输出方差分析主效应检验结果（方差分析表）
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 -
第五章方差分析 一、教学大纲要求 （一）掌握内容 1．方差分析基本思想 （1）多组计量资料总变异的分解，组间变异和组内变异的概念。 （2）多组均数比较的检验假设与F值的意义。 （3）方差分析的应用条件。 2．常见实验设计资料的方差分析 （1）完全随机设计的单因素方差分析：适用的资料类型、总变异分解（包括自由度的分解）、方差分析的计算、方差分析表。 （2）随机区组设计资料的两因素方差分析：适用的资料类型、总变异分解（包括自由度的分解）、方差分析的计算、方差分析表。 （3）多个样本均数间的多重比较方法： LSD-t检验法；Dunnett-t检验法；SNK-q检验法。 （二）熟悉内容 多组资料的方差齐性检验、变量变换方法。 （三）了解内容 两因素析因设计方差分析、重复测量设计资料的方差分析。 二、教学内容精要 (一) 方差分析的基本思想 1．基本思想 方差分析（analysis of variance，ANOVA）的基本思想就是根据资料的设计类型，即变异的不同来源将全部观察值总的离均差平方和（sum of squares of deviations from mean，SS）和自由度分解为两个或多个部分，除随机误差外，其余每个部分的变异可由某个因素的作用（或某几个因素的交互作用）加以解释，如各组均数的变异SS组间可由处理因素的作用加以解释。通过各变异来源的均方与误差均方比值的大小，借助F分布作出统计推断，判断各因素对各组均数有无影响。 2．分析三种变异 （1）组间变异：各处理组均数之间不尽相同，这种变异叫做组间变异（variation among groups），组间变异反映
方差分析的基本思想 试验指标的变化可以用指标值的方差反映，导致试验指标值发生变化的原因有两方面：一是可控因素，二是不可控 因素或未加控制因素。方差分析就是将试验指标值的方差分解成条件变差与随机误差，然后，将各因素形成的条件 变差与随机误差进行比较，评价由某种因素所引起的变异是否具有统计学意义。 方差分析结果 不拒绝H0，表示拒绝总体均数相等的证据不足； ————>分析终止。 拒绝H0，接受H1，表示总体均数不全相等. 哪两两均数之间相等？哪两两均数之间不等？ ————>需要进一步作多重比较 对于变量之间的因果关系，统计学的任务是查明因果关系是否存在，若存在，判定强弱，并找出揭示这种关系的模 型，用于预测、控制、优化。对于相关关系（又叫相依关系），统计学的任务是找出刻画这种关系强弱的指标，并 用于判定这种关系存在性及强弱。前者就是回归分析，后者就是相关分析。 回归分析与相关分析的联系：研究在专业上有一定联系的两个变量之间是否存在直线关系以及如何求得直线回归方程等问题，需进行直线相关和回归分析。从研究的目的来说，若仅仅为了了解两变量之间呈直线关系的密切程度和方向，宜选用线性相关分析；若仅仅为了建立由自变量推算因变量的直线回归方程，宜选用直线回归分析。 从资料所具备的条件来说，作相关分析时要求两变量都是随机变量（如：人的身长与体重、血硒与发硒）；作回归分析时要求因变量是随机变量，自变量可以是随机的，也可以是一般变量(即可以事先指定变量的取值，如：用药的剂量)。 在统计学教科书中习惯把相关与回归分开论述，其实在应用时，当两变量都是随机变量时，常需同时给出这两种方法分析的结果；另外，若用计算器实现统计分析，可用对相关系数的检验取代对回归系数的检验,这样到了化繁为简的目的。 回归分析和相关分析都是研究变量间关系的统计学课题，它们的差别主要是： 1、在回归分析中，y被称为因变量，处在被解释的特殊地位，而在相关分析中，x与y处于平等的地位，即研究x与y的密切程度和研究y与x的密切程度是一致的； 2、相关分析中，x与y都是随机变量，而在回归分析中，y是随机变量，x可以是随机变量，也可以是非随机的，通常在回归模型中，总是假定x是非随机的； 3、相关分析的研究主要是两个变量之间的密切程度，而回归分析不仅可以揭示x对y的影响大小，还可以由回归方程进行数量上的预测和控制。 方差分析一旦确定各组均值间存在差异显著，多重比较检测可以求出均值相等的组； 其目的是推断两组或多组资料的总体均数是否相同，检验两个或多个样本均数的差异是否有统计学意义。包括单因素方差分析即完全随机设计或成组设计的方差分析和多因素方差分析。
实验三 双因素试验的方差分析 实验目的：1掌握单因素实验方差分析的方法与步骤； 2正确分析输出结果中的各参数，并得出正确结论。 试验内容： 某种火箭使用4种燃料，3种推进器进行射程试验。在每种燃料与每种推进器的组合下火箭各发射两次，射程数据见表3.1。 表3.1 火箭的射程数据 试在水平05.0=α下，检验不同燃料（因素)A 、不同推进器（因素)B 下射程是否有显著差异？交互作用是否显著？ 操作步骤： 1.在excel 的工作表中输入如表3.1所示的的样本数据。 2.点击“工具—数据分析—方差分析：可重复双因素方差分析”，在弹出对话框的输入区域，拖动鼠标选择样本值A1:D9；每一样本的行数，输入2；显著性水平α设置为0.05，如图 3.1所示。
图3.1 应用excel“数据分析”功能求双因素等重复方差分析的有关参数3．点击确定，输出参数的窗口如图3.2所示。 图3.2 应用excel“数据分析”功能求双因素等重复方差分析的有关参数结果分析： 图3.2 中仅列示了输出结果中的方差分析表。“样本”即燃料因子，“列”即推进器因子，“交互”为燃料和推进器因子的交互作用，SS 为平方和；df 是自由度；P-value 为P 值，即所达到的临界显著水平；F crit 是Fα（t-1，N-t）的值。 由方差分析表可知，因子A （燃料）的作用是一般显著的（P-value的值为0.025969<0.05）;因子B（推进器）的作用是高度显著的（P-value的值为0.003506<0.01）；而交互作用是极其显著的（P-value的值为6.15E-05<<0.01）,这说明燃料的作用于与推进器之间有着密切的关系，也即每种推进器都有各自最合自得最佳燃料。