下载文档原格式
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12.688，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。
实验五均值比较与T检验⏹均值（Means）过程对准备比较的各组计算描述指标，进行预分析，也可直接比较。
⏹单样本T检验（One-Samples T Test）过程进行样本均值与已知总体均值的比较。
⏹独立样本T检验（Independent-Samples T Test）过程进行两独立样本均值差别的比较，即通常所说的两组资料的t检验。
⏹配对样本（Paired-Samples T Test）过程进行配对资料的显著性检验，即配对t检验。
⏹单因素方差分析（One-Way ANOVA）过程进行两组及多组样本均值的比较，即成组设计的方差分析，还可进行随后的两两比较，详情请参见单因素方差分析。
预备知识：假设检验的步骤：⏹第一步，根据问题要求提出原假设（Null hypothesis）和备选假设（Alternative hypothesis）；⏹第二步，确定适当的检验统计量及相应的抽样分布；⏹第三步，计算检验统计量观测值的发生概率；⏹第四步，给定显著性水平并作出统计决策。
第二步和第三步由SPSS自动完成。
假设检验中的P值⏹P值（P-value）是指在原假设为真时，所得到的样本观察结果或更极端结果的概率，即样本统计量落在观察值以外的概率。
⏹根据“小概率原理”，如果P值非常小，就有理由拒绝原假设，且P值越小，拒绝的理由就越充分。
⏹实际应用中，多数统计软件直接给出P值，其检验判断规则如下（双侧检验）：⏹若P值<a，则拒绝原假设；⏹若P值≥ a ，则不能拒绝原假设。
均值比较中原假设H0：μ=μ0（即某一特定值）（适用于单样本情形）或 H0：μ1=μ2。
（适用于两独立样本情形）一、Means（均值）过程选择：分析Analyze==>均值比较Compare Means ==>均值means;1、基本功能分组计算、比较指定变量的描述统计量，还可以给出方差分析表和线性检验结果表。
优点各组的描述指标被放在一起便于相互比较，如果需要还可以直接输出比较结果，无须再次调用其他过程。
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。
方差分析中均值比较的方法最近看文献时，多数实验结果用到方差分析，但选的方法不同，主要有LSD，SNK-q,TukeyHSD法等，从百度广库里找了一篇文章，大概介绍这几种方法，具体公式不列了，软件都可以计算。
这几种方法主要用于方差分析后，对均数间进行两两比较。
均数间的两两比较根据研究设计的不同分为两种类型：一种常见于探索性研究，在研究设计阶段并不明确哪些组别之间的对比是更为关注的，也不明确哪些组别问的关系已有定论、无需再探究，经方差分析结果提示“ 概括而言各组均数不相同”后，对每一对样本均数都进行比较，从中寻找有统计学意义的差异：另一种是在设计阶段根据研究目的或专业知识所决定的某些均数问的比较．常见于证实性研究中多个处理组与对照组、施加处理后的不同时间点与处理前比较。
最初的设计方案不同．对应选择的检验方法也不同．下面分述两种不同设计均数两两比较的方法选择。
1. 事先计划好的某对或某几对均数间的比较：适用于证实性研究。
在设计时就设定了要比较的组别，其他组别间不必作比较。
常用的方法有： Dunnett-t 检验、LSD-t 检验(Fisher ’s least significant dif ference t test) 。
这两种方法不管方差分析的结果如何——即便对于 P稍大于检验水平α进行所关心组别间的比较。
1.1 LSD-t检验即最小显著法，是Fisher于1935年提出的，多用于检验某一对或某几对在专业上有特殊探索价值的均数间的两两比较,并且在多组均数的方差分析没有推翻无效假设H0时也可以应用。
该方法实质上就是 t检验，检验水准无需作任何修正,只是在标准误的计算上充分利用了样本信息，为所有的均数统一估计出一个更为稳健的标准误，因此它一般用于事先就已经明确所要实施对比的具体组别的多重比较。
由于该方法本质思想与 t 检验相同，所以只适用于两个相互独立的样本均数的比较。
LSD法单次比较的检验水准仍为α ，因此可以认为该方法是最为灵敏的两两比较方法.另一方面,由于LSD法侧重于减少第Ⅱ类错误，势必导致此法在突出组间差异的同时,有增大I类错误的倾向。
方差分析中均值比较的方法方差分析是统计学中常用的一种假设检验方法，用于比较多个样本均值是否有显著差异。
它通过分析不同组之间的方差来判断均值是否有显著差异，即通过计算组间的均方和组内的均方来进行比较。
方差分析有两种基本类型：单因素方差分析和多因素方差分析。
1.单因素方差分析：单因素方差分析主要是比较一个因素对于结果的影响，只有一个自变量。
在进行单因素方差分析时，首先需要确定因变量的类型是连续型还是离散型。
对于连续型的因变量，通常使用单因子方差分析方法；对于离散型的因变量，可以使用卡方检验等方法。
（1）单因素方差分析有三个基本要素：因变量、自变量和一个或多个水平。
因变量是研究对象，自变量是影响因子，水平是不同的取值类型。
（2）计算组间方差和组内方差。
组间方差是因变量的总方差被解释的部分，组内方差是因变量的多余差异（误差）。
方差的比例是判断均值是否有显著差异的依据。
（3）计算F值。
F值是组间均方除以组内均方。
F值越大，表示组间差异越大，样本均值差异的可靠性越高，有显著差异的可能性越大。
（4）根据F分布表和显著性水平（通常为0.05），确定拒绝域。
如果计算得到的F值大于F分布表中的临界值，就拒绝原假设，即认为组间均值存在显著差异。
2.多因素方差分析：多因素方差分析是在单因素方差分析的基础上，增加了一个或多个自变量，用来研究多个因素对于结果的影响以及交互作用。
多因素方差分析可以更全面地研究各因素的影响，并考虑因素之间的关系。
（1）主效应。
主效应用来检验各个自变量对于因变量的影响是否显著。
计算各个因素的F值和显著性水平。
（2）交互效应。
交互效应是指两个或多个因素之间的相互作用导致的影响，即一些因素对于因变量的影响在其他因素不同水平下是否有显著差异。
计算交互效应的F值和显著性水平。
（3）解释方差。
计算组间方差、组内方差、主效应方差和交互效应方差的比例来判断各个因素的影响程度。
注意事项：1.在进行方差分析之前，需要进行方差齐性和正态性检验，确保数据符合方差分析的前提条件。
单因素方差分析
单因素方差分析是一种测试，用于检查两组以上的数据之间是否存在显著差异，它可以用来检验一个因素对结果的影响。
单因素方差分析是一种比较几组数据样本平均值之间的差异，用来确定这些样本是否源于相同的总体。
此外，它还可以用来确定不同因素（如性别、年龄等）是否会对结果产生显著的影响。
单因素方差分析通常使用F检验，也可以使用t检验或z检验。
简而言之，单因素方差分析是一种统计技术，用于检验两组以上的数据样本之间的显著差异，以及判断单个因素是否对结果产生显著的影响。
SPSS-—单因素方差分析来源：李大伟的日志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1—1所示。
表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数重复水稻品种1234514133383731 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“data1.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。
图1—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1-3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(ANOVA)：两两比较检验Post-Hoc选项详解添加时间：2014-5-5分享到：0One-Way ANOVA：两两比较检验后，务必进行Post Hoc检验，也称事后分析，或称为两两比较分析。
但具体算法有很多种，各自有哪些差别呢？一旦确定均值间存在差值，两两范围检验和成对多重比较就可以确定哪些均值存在差值了。
范围检验识别彼此间没有差值的同类均值子集。
成对多重比较检验每一对均值之间的差分，并得出一个矩阵，其中星号指示在 0.05 的 alpha 水平上的组均值明显不同。
一、假定方差齐性Tukey's 真实显著性差异检验、Hochberg’s GT2、Gabriel 和Scheffé 是多重比较检验和范围检验。
其他可用的范围检验为 Tukey 的 b、S-N-K (Student-Newman-Keuls)、Duncan、R-E-G-W F（Ryan-Einot-Gabriel-Welsch F 检验）、R-E-G-W Q（Ryan-Einot-Gabriel-Welsch 范围检验）和 Waller-Duncan。
可用的多重比较检验为 Bonferroni、Tukey's 真实显著性差异检验、Sidak、Gabriel、Hochberg、Dunnett、Scheffé 和 LSD（最小显著性差异）。
详细剖析• 最小显著差法（LSD）. 使用 t 检验执行组均值之间的所有成对比较。
对多个比较的误差率不做调整。
LSD法侧重于减少第二类错误，此法精度较差，易把不该判断为显著的差异错判为显著，敏感度最高。
LSD法的使用：在进行试验设计时就确定各处理只是固定的两个两个相比，每个处理平均数在比较中只比较一次。
例如，在一个试验中共有4个处理，设计时已确定只是处理1与处理2、处理3与处理4(或1与3、2与4；或1与4、2与3)比较，而其它的处理间不进行比较。
因为这种比较形式实际上不涉及多个均数的极差问题，所以不会增大犯I型错误的概率。
SPSS-单因素方差分析（ANOVA)案例解析2011-08-30 11:10这几天一直在忙电信网上营业厅用户体验优化改版事情，今天将我最近学习SPSS单因素方差分析（ANOVA分) 析，今天希望跟大家交流和分享一下：继续以上一期的样本为例，雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。
研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？样本数据如下所示：（a 代表雄性老鼠 b 代表雌性老鼠0 代表死亡 1 代表活着tim 代表注射毒液后，经过多长时间，观察结果）点击“分析”——比较均值———单因素AVOVA, 如下所示：从上图可以看出，只有“两个变量”可选, 对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码，点击“转换”—“重新编码为不同变量”将a,b" 分别用8,9 进行替换，得到如下结果”此时的8 代表a(雄性老鼠）9 代表b 雌性老鼠，我们将“生存结局”变量移入“因变量列表”框内，将“性别”移入“因子”框内，点击“两两比较”按钮，如下所示：“勾选“将定方差齐性”下面的LSD 选项，和“未假定方差齐性”下面的Tamhane's T2 选项点击继续点击“选项”按钮，如下所示：勾选“描述性”和“方差同质检验”以及均值图等选项，得到如下结果：结果分析：方差齐性检验结果，“显著性”为0，由于显著性0<0.05 所以，方差齐性不相等，在一般情况下，不能够进行方差分析但是对于SPSS来说，即使方差齐性不相等，还是可以进行方差分析的，由于此样本组少于三组，不能够进行多重样本对比从结果来看“单因素ANOV”A 分析结果，显著性0.098，由于0.098>0.05 所以可以得出结论：生存结局受性别的影响不显著很多人，对这个结果可能存在疑虑，下面我们来进一步进行论证，由于“方差齐性不相等”下面我们来进行“非参数检验”检验结果如下所示：（此处采用的是“Kruskal -Wallis " 检验方法）通过“Kruskal - Wallis ”检验方法，我们得出“sig=0.098" 跟我们先前分析的结果一样，都是0.098，事实得到论证。
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Rep eated Measur e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“Analyz e”项，在下拉菜单中点击“Compar e 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“Depend ent 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“Contra sts”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 “Contra sts”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。
单因素及双因素方差分析及检验的原理及统计应用一、本文概述本文将全面探讨单因素及双因素方差分析及检验的原理及其在统计中的应用。
方差分析是一种在多个样本均数间进行比较的统计方法，其基本原理是通过分析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的影响。
单因素方差分析适用于只有一个独立变量影响研究结果的情况，而双因素方差分析则适用于存在两个独立变量的情况。
这两种方法在科学研究、经济分析、医学实验等众多领域具有广泛的应用价值。
本文将首先介绍单因素及双因素方差分析的基本概念和原理，包括方差分析的前提假设、模型的构建以及检验的步骤。
随后，通过实例演示如何进行单因素及双因素方差分析，并解释分析结果的意义。
本文还将讨论方差分析的局限性，以及在实际应用中需要注意的问题。
通过本文的学习，读者将能够掌握单因素及双因素方差分析及检验的基本原理和方法，了解其在不同领域的统计应用，提高数据分析和处理的能力。
本文还将为研究者提供有益的参考，帮助他们在实践中更好地运用方差分析解决实际问题。
二、单因素方差分析（One-Way ANOVA）单因素方差分析（One-Way ANOVA）是一种统计方法，用于比较三个或更多独立组之间的均值差异。
这种方法的前提假设是各组间的方差相等，且数据服从正态分布。
在进行单因素方差分析时，首先需要对数据进行正态性和方差齐性的检验。
如果数据满足这些前提条件，那么可以进行单因素方差分析。
该分析的基本思想是，如果各组之间的均值没有显著差异，那么各组内的变异应该主要来自随机误差。
如果有显著差异，那么各组间的变异将大于组内的变异。
单因素方差分析通过计算F统计量来检验各组均值是否相等。
F 统计量是组间均方误差与组内均方误差的比值。
如果F统计量的值大于某个显著性水平（如05）下的临界值，那么我们可以拒绝零假设，认为各组间的均值存在显著差异。
单因素方差分析在许多领域都有广泛的应用，如医学、生物学、社会科学等。
第62讲单因素方差分析（参数估计及均值的多重比较）在第61讲建立了单因素方差分析模型:012112:...,:,,...,r r H H μμμμμμ===解决了问题一：检验假设不全相等.2,~(0,),1,2,,1,2,,.ij i ij ij ij i X N j n i r μεεσε=+⎧⎪⎨⎪==⎩ 各独立,，除此之外，还有两个问题需要解决.问题二：未知参数的估计2,,1,...,.i i r σμ=单因素试验方差分析模型中的未知参数有：其无偏估计为：22ˆ1;ˆ2,1,2,...,E E i i i S MS n r X i r σσμμ∙==-==（）的估计（）的估计.0H 问题三：在方差分析中，如果拒绝原假设，只能说明均值不全相等。
那么，它们中有没有部分是相等的？2201(,)(,)():,:i j i j i j i j N N i j H H μσμσμμμμμμ-≠=≠比较和的差异的两个方法：（1）作的区间估计；（2）作的假设检验。
211(),(),i j i j i j i j E X X D X X n n μμσ∙∙∙∙⎛⎫-=--=+ ⎪ ⎪⎝⎭因为2ˆi j E X X MS σ∙∙-=且与相互独立。
2()()()()()(11)(11)~()i j i j i j i j E i j E i j X X X X S n r n n MS n n t n r μμμμσσ∙∙∙∙------=-++-故()1i j μμα--得的水平为的置信区间()2()(11)i j E i j X X t n r MS n n α∙∙-±-+（1）置信区间（2）假设检验01:,:,i j i j H H i jμμμμ=≠≠,(11)i j ij E i j XX t MS n n ∙∙-=+检验统计量0~(),ij H t t n r -当成立时，2{()}.ij W t t n r α=≥-拒绝域例1.为了比较三种不同类型日光灯管的寿命(小时),现从每种类型日光灯管中抽取8个,总共24个日光灯管进行老化试验,下页数据是经老化试验后测算得出的各个日光灯管的寿命(小时)。
人文与管理学院方差分析单因素方差分析及两两比较处理因素施加于实验对象的措施或方法，或者实验对象本身所具有的某种属性或特征。
处理因素的不同状态。
水平完全随机设计是按随机化的原则将实验对象随机分配到处理因素的不同水平组（处理组），各组分别接受不同的处理，通过比较各组间均数差异有无统计学意义来分析处理因素的效应。
这种设计仅设计一个处理因素，但该因素可以有多个水平，因此又称为单因素方差分析（One-way ANOVA）。
各组例数可以相等也可以不等，相等时各组均衡可比性较好。
F统计量服从基于正态分布理论的F分布，因此单因素方差分析由如下应用条件：1）各样本是相互独立的随机样本2）各样本来自正态分布总体3）各总体方差相等，即方差齐需要说明的是，实际操作过程中，对于方差齐性的要求并不是非常严格，不符合方差齐性的数据也可以做方差分析。
各样本的总体是否服从正态分布，通过正态性检验来判断。
方差是否相等则通过方差齐性检验判断，常用Levene检验。
Levene检验不依赖于总体分布形式，适合于任意分布资料，能够对两组或多组样本进行方差齐性检验。
若资料不满足上述条件，可进行数据转换，对转换后的数据进行正态性和方差齐性检验，满足条件后，进行方差分析，或直接采用非参数检验方法进行分析。
例8-1观察参苓降脂片对高脂血症模型大鼠甘油三酯（TG）的影响，将高脂血症大鼠随机分为4组，每组9只，对照组不给予任何处理，低剂量组、中剂量组和高剂量组分别灌服参苓降脂片0.41g/kg体重、0.82g/kg体重、1.23g/kg体重，连续给药20天后，测定各组大鼠TG水平。
例8-1结果如表8-1所示。
试分析不同剂量的参苓降脂片降脂效果是否相同。
例8-1首先判断单因素方差分析应用条件是否满足：1、根据研究设计和实验观察可知，本资料满足独立性和随机性。
例8-12、由于各组样本含量均不大于50，所以采用Shapiro-Wilk统计量进行正态性检验。
