第二节双因素试验的方差分析

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，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。

二、数据结构方差分析的基本思想：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。

⽅差分析2（双因素⽅差分析、多元⽅差分析、可视化）1 双因素⽅差分析1.1 双因素⽅差分析的实战dat<-ToothGrowthdatattach(dat)table(dat$supp,dat$dose)aggregate(len,by=list(dat$supp,dat$dose),FUN=mean)解释：根据投⽅式（橙汁OJ，维C素VC）supp和剂量dose来对⽛齿的长度len进⾏求均值dose<-factor(dose)解释：为了避免把dose变量认为是数值变量，⽽是把dose认为成分组变量，所以设置成因⼦类型factorfit<-aov(dat$len~dat$supp*dat$dose)解释：aov()做⽅差分析，把 + 换成了 * ，这两项dat$supp和dat$dosee就变成了交互项summary(fit)结果分析：可以看出P值很⼩，三个P值都⼩于0.05，说明不同的投喂⽅式supp对⽛齿的⽣长长度len是有显著影响的；说明不同的剂量dose对⽛齿的⽣长长度len是有显著影响的；说明在两种投喂⽅式下，不同的投喂⽅式supp和剂量dose的交互效应对⽛齿的⽣长长度len是有显著影响的1.2 可视化⽅法1interaction.plot(dat$dose,dat$supp,dat$len,type = "b",col=c("red","blue"),pch=c(16,18),main="XX")1.3 可视化⽅法2library(gplots)plotmeans(dat$len~interaction(dat$supp,dat$dose,sep=" "),connect=list(c(1,3,5),c(2,4,6)),col=c("red","blue"),main="XX",xlab="xlab")1.4 可视化⽅法3library(HH)interaction2wt(dat$len~dat$supp*dat$dose)2 重复测量⽅差分析dat<-CO2CO2$conc<-factor(CO2$conc)w1b1<-subset(CO2,Treatment=="chilled")uptake是植物光合作⽤对⼆氧化碳的吸收量，是因变量y，type是组间因⼦，是互斥的，表⽰的是两个不同地区的植物类型，要么是加拿⼤的植物，要么是美国的植物，不可能两个地⽅都是，conc是不同的⼆氧化碳的浓度，每⼀种植物都在所有的⼆氧化碳浓度下，所以conc是组内因⼦研究不同地区的植物作⽤，在某种⼆氧化碳的浓度作⽤下，对植物的光合作⽤效果有没有影响2.1 含有单个组内因⼦w和单个组间因⼦B的重复测量ANOVAfit<-aov(uptake~conc*Type+Error(Plant/(conc)),w1b1)summary(fit)结果分析：⼆氧化碳浓度和类型对植物光合作⽤都有显著影响2.2 可视化图形呈现（1）⽅式⼀par(las=2)par(mar=c(10,4,4,2))with(w1b1,interaction.plot(conc,Type,uptake,type = "b",col=c("red","blue"),pch=c(16,18)))（2）⽅式⼆boxplot(uptake~Type*conc,data=w1b1,col=c("red","blue"))3 多元⽅差分析library(MASS)attach(UScereal)dat<-UScerealshelf<-factor(shelf)y<-cbind(calories,fat,sugars)fit<-manova(y~shelf)summary(fit)结果分析：不同的货架shelf上，⾷物的热量calories，脂肪含量fat和含糖量sugars是⾮常显著不同的3.1 多元正态性center<-colMeans(y)n<-nrow(y) #⾏数p<-ncol(y) #列数cov<-cov(y) #计算⽅差d<-mahalanobis(y,center,cov)coord<-qqplot(qchisq(ppoints(n),df=p),d) #画图abline(a=0,b=1) #画参考线identify(coord$x,coord$y,labels = s(UScereal)) #给出交互式标出离群点3.2 稳健多元⽅差分析install.packages("rrcov")library(rrcov)wilks.test(y,shelf,method="mcd")结果分析：P值⼩于0.05，说明结果是显著性的，即不同货架上⾷物的热量calories，脂肪含量fat和含糖量sugars是⾮常显著不同的4 ⽤回归来做ANOVAlibrary(multcomp)dat<-cholesterollevels(dat$trt)fit.aov<-aov(response~trt,data=dat)summary(fit.aov)结果分析：aov⽅差分析，trt对response的影响⾮常显著fit.lm<-lm(response~trt,data=dat)summary(fit.lm)结果分析：lm回归分析，trt对response的影响⾮常显著，并且trt的每⼀项都显⽰出来了。

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。

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：....)(01.001.0)(05.005.0ji e ji e x x df x x df S t LSD S t LSD --==2.1.2 最小显著极差法最小显著极差法，简称LSR 。