当前位置：文档之家 › 第六章 方差分析

第六章 方差分析

  • 格式：pdf
  • 大小：263.38 KB
  • 文档页数：16

下载文档原格式

  / 16

合集下载

第六章 方差分析

第六章 方差分析

6.2 单因素方差分析
• 解决的问题类型
设有k个教学方案，各个方案的效果如表6.1所示。 问：怎样判断这k个方案的效果是否有显著区别 （均值是否相同）？
所谓的单因素是指只有“方案”这个变量（因素）。 不同方案就是“方案”这个变量的不同取值。这 些不同的“取值”又称为“方案”这个因素的不 同“水平”。
受不同因素的影响，研究所得数据会不同。造成 差异的原因可分为两类：1）随机误差，如测量误差 造成的差异或个体间的差异，称为组内差异；2）实 验条件，即不同的处理造成的差异，称为组间差异。 方差分析的目的是分析分组的平均数是否相等。 如果相等，说明组间没有差别；如果不相等，说明组 间平均数有差异，这时分组（或处理）是有效的。
但其独特的地方是，它并不直接利用平均数来比 较，而是利用与方差有关的统计指标总变差（SST）、 组间变差（SSB）、组内变差（SSW）的关系来进行 判别。
收 入Biblioteka 男 女Y总=800元
Y女=800元
Y男=800元
收 Y男=1000元 入
男 女
Y总=800元
Y女=600元
收 入 Yi－
男 女
y
Yi－
表 单因素方差分析的已知条件
方案1 方案2 X11 X21 X12 X22 „ „ X1n X2n
„
方案k
„
Xk1
„
Xk2
„
„
„
Xkn
注：表中ni表示方案i的实验个数。
6.2 单因素方差分析实例
P120 研究3个组（分别接受了3种不同的教学方法）在 英语成绩上是否有显著差异，如表6.3所示。 方法1/group1 99 88 79 方法2/group2 70 72 87 方法3/group3 79 56 89

教育与心理统计学 第六章 方差分析考研笔记-精品

教育与心理统计学 第六章 方差分析考研笔记-精品

第六章方差分析第一节方差分析概述一.方差分析的定义［用途］定义:用途方差分析也称为变异数分析，是在教育与心理研究中最常用的变量分析方法，其主要功能在于分析测量或实验数据中不同来源的变异对总变异的贡献大小，从而确定测量或实验中因素对反应变量是否存在显著影响。

即用于置信度不变情况下的多组平均数之间的差异检验。

它既可以比较两个以上的样本平均数的差异检验，也可以应用于一个因素多种水平以及多个因素有多种水平的数据分析。

二.方差分析的作用方差分析主要应用于两种以上实验处理的数据分析，同时匕徽两个以上的样本平均数，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。

在这个意义，也可以将其理解为平均数差异显著性检验的扩展。

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。

方差分析一次检验多组平均数的差异，降低了多次进行两组平均数检验所带来的误差。

在进行方差分析时，设定的假设是综合虚无假设，即假设样本所归属的所有总体的平均数都相等。

如果检验的结果是存在显著性差异，只能说明多组平均数之间存在显著性差异，但是无法确定究竟哪些组之间存在显著性差异，此时需要运用事后检验的方法来确定。

三.方差分析的相关概念一（一）数据的变异（1）变异:统计中的变异是普遍存在的7一般意义上的变异是指标志（包括品质标志和数量标志）在总体单位之间的不同表现。

可变标志的属性或数值表现在总体各单位之间存在的差异，统计上称之为变异,这是广义上的变异，即包括了品质标志和数量标志，有时仅指品质标志和在总体单位之间的不同表现。

注：随机性，即变异性。

（2）组间变异［组间差异］:组间变异表示处理间变异，主要指由于接受不同的实验处理（实验处理效应）而造成的各组之间的变异，可以用两个平均数之间的离差来表示，可将组间离差平方和记为SS AO组间差异可用组间方差来表征，用符号MS B表示。

第六章 方差分析

第六章 方差分析
t 检 验
适用于样本平均数与总体平均数及两样本平 均数间的差异显著性检验。 多个处理平均数的显著 性检验该如何进行呢？
方差分析 ！！！
举例说明
饲喂不同饲料的鱼的增重 （单位：10g）
饲料
鱼的增重（xij）
31.9 24.8 22.1 27.0 27.9 25.7 23.6 30.8 31.8 26.8 27.3 29.0 28.4 27.9 24.9 24.5 35.9 26.2 25.8 28.5
在计算总平方和时，资料中各观测值要受 ( xij x ) 0
i 1 j 1 k n
这一条件约束，故总自由度等于资料中观测值的总个数减 1，即 nk 1 。总自由度记为 dfT ，即 dfT nk 1 。 在计算处理间平方和时，各处理均数 x i. 要受 ( xi. x ) i 1 这一条件的约束，故处理间的自由度为处理数减1， 即 k 1 。处理间的自由度记为 dft ，即 dft k 1 。 在计算处理内平方和时要受个 条件的约束， 即 ( x x ) 0 , i 1,2,...k 。故处理内自由度为资料中观测值总 个数减k，即 nk k。处理内自由度记为 dfe ， 即 dfe nk k k (n 1) ，这实际上是各处理内的自由度之和。
A1 A2 A3 A4
检验过程烦琐；
无统一的试验误差，误差估计的精确性和检验的灵敏性低；
推断的可靠性低，检验的I型错误率大。
累积 I 型错误的概率计算
当有k个均数需作两两比较时，比较的次数共有c c＝ k!/(2!(k-2)!)=k(k-1)/2 设每次检验所用Ⅰ类错误的概率水准为α，累积Ⅰ 类错误的概率为α´，则在对同一实验资料进行c次检验时 ，在样本彼此独立的条件下，根据概率乘法原理，其累积 Ⅰ类错误概率α´与c有下列关系：

教育与心理统计学 第六章 方差分析六 多因素方差分析、事后检验、协方差分析、统计功效与效果量、重要

教育与心理统计学 第六章 方差分析六 多因素方差分析、事后检验、协方差分析、统计功效与效果量、重要

第六章方差分析(六)第五节多因素方差分析一、多因素方差分析的定义多因素方差分析是用来研究两个及两个以上控制变量是否会对观测变量产生显著影响。

多因素方差分析不仅能够分析多个因素对观测变量 的独立影响，更能够分析多个控制因素的交互作用是否对观测变量的分布产生显著影响，进而最终找到利于观测变量的最优组合。

多因素 方差分析包括完全随机设出随机区组设计。

二、平均数差异检验、单因素方差分析、多因素方差分析比较当需要比较两个以上平均数的差异时，要使用单因素方差分析，而不进行多次平均数差异检验，这样就可以降低统计误差。

如果单次进行 平均数比较率，即显著性水平是a ,进行两两平均数比较的次数是N ,多次两两平均数差异的错误率：P N =l-(l-a)n o 同理多因素方差由于 同时进行两个因素以上的方差分析，亦能降低统计误差，同时，也能处理交互作用。

第六节事后检验(多个平均数之间的比较)一、事后检验[事后多重比较]事后检验的定义：方差分析所要检验的零假设是所有k 个处理的总体平均数没有显著性差异，相应的备择假设是k 个处理中至少有2个处 理的总体平均数之间存在显著差异。

但方差分析不拒绝零假设时，表明至少有2个处理的总体平均数不等，若方差分析F 检验的结果表明 差异显著就必须对各实验处理组的多对平均数进一步分析，做深入比较，判断究竟哪一对或哪几对的差异显著，确定两变量关系的本质。

事后检验也被称作事后多重比较，在这也叫做多个平均数之间的比较。

事后检验的目的：当方差分析表明一个主效应显著时，它只能提供几个变量之间是否存在显著差异的结果，又因为多重t 检验会使得I 型 错误发生的概率大大增加[吃1-Q ：业L 因而我们只能采取事后检验。

二、事后检验的方法[1]N-K 法，也叫q 检验法；[2]HSD 检验(又叫Turkey 真实检验，更敏感，统计检验力更强，要求各组容量相等);[3]Scheffe 检验(匕啜保守，适用于样本容量不等，最大限降低了第一类误差a 水平，可能最安全);⑷费舍的最小显著差异法(LSD);一、协方差分析协方差分析的定义：协方差表示的是交互效应项，将处理引起的变异分解为处理在变量x 上引起的变异、在变量y 上引起的变异和在交互效应项xy 上引起的 变异。

方差分析I单向分类资料

方差分析I单向分类资料

合计 平均
X1. X1. X 2. X 2. X i. X i.
Xk. Xk. X .. X
平方和与自由度旳计算
k ni
总平方和：SST
i1 j1
X ij X
2
k i 1
ni j 1
X ij 2
X
2 ..
N
校正项(correction
factor)：CF
X
2 ..
N
k
组间平方和 : SSA＝
8
II 10.8 11.6 12.3 12.7 13.5 13.5 14.8
7
III 9.3 10.3 11.1 11.7 11.7 12.0 12.3 12.4 13.6 9
IV 9.5 10.3 10.5 10.5 10.5 10.9 11.0 11.5
8
32
–零假设：1= 2= 3= 4
sum 119.80
单向分类资料旳数据构造
组别 • 观察值
A1 A2
X 11 X 12 X X 21 X 22 X
1 2
j j
X X
1n1 2 n２
Ai X i1 X i2 X ij X ini
Ak X i.XXik总1jn i1X总和n1Xik平2：ijj ni1均XX ..：＝ijXXikkj1＝ XN1i.XXkn.k.
组间（处理） 85.8563
3
28.6188 16.855
Treatment
**
组内（误差） 47.5408
28
1.6979
error
总变异
133.3972 31
total F F (3,28) 否定H0 ,
F0.01(3,28) 4.57

第六章方差分析

第六章方差分析

2se（ 2 LSD检验）
x
n0
x1 x2
n0
第三节双因素方差分析
1、试验指标：衡量试验结果的标准 2、因素(factor)：也叫因子，是指对试验指标有影响，在研究中加以（控制）考虑的试验
4
条件。 3、可控因子：在试验中可以人为地加以调控的因子浓度、温度等 4、非控因子：不能人为调控的因素（气象、环境等） 5、固定因素：指因素的水平是经过特意选择的 6、随机因素：指因素的水平是从该因素水平总体中随机抽出的样本 7、水平(level)：每个因素的不同状态（从质或量方面分成不同的等级） （因素是一个抽象的概念，水平则是一个较为具体的概念） 8、处理：指对试验对象施以不同的措施（对单因素试验而言，水平和处理是一致的，一个 水平就是一个处理；对多因素试验而言，处理就是指水平与水平的组合） 9、固定效应(fixed effect)：由固定因素所引起的效应。 10、随机效应(random effect)：由随机因素引起的效应。 11、二因素方差分析：是指对试验指标同时受到两个试验因素作用的试验资料的方差分析。 12、固定模型:二因素都是固定因素 13、随机模型:二因素均为随机因素 14、混合模型:一个因素是固定因素，一个因素是随机因素 15、主效应（main effect）：各试验因素的相对独立作用 16、互作（interaction）：某一因素在另一因素的不同水平上所产生的效应不同。 17、因素间的交互作用显著与否关系到主效应的利用价值 如果交互作用不显著，则各因素的效应可以累加，各因素的最优水平组合起来，即为最优的 处理组合。 如果交互作用显著，则各因素的效应就不能累加，最优处理组合的选定应根据各处理组合的 直接表现选定。有时交互作用相当大，甚至可以忽略主效应。 二因素间是否存在交互作用有专门的统计判断方法，有时也可根据专业知识判断。 （一）无重复观测值的二因素方差分析 依据经验或专业知识，判断二因素无交互作用时，每个处理可只设一个观测值，即假定 A 因素有 a 各水平，B 因素有 b 个水平，每个处理组合只有一个观测值。

第6章 方差分析

第6章 方差分析

２.Dunnett-t检验
它适用于k－１个试验组与一个对照组均数差 别的多重比较。 公式为：
t
Xi X0
1 1 MS 误差 （ ) ni n0
照组的均数，MS误差为方差分析中所计算的误差均 方，ni和n0分别为第i个试验组和对照组的例数。 v＝v误差
X 为第i个（i=1,2,…k-1)试验组的均数， 0 为对 X i
两两比较计算表
对比组 两均数 之差
XA XB
A与B (1) （2）
q值
(3) (2) 0.3899
组 数
a (4)
q界值
P
（3）
α=0.05 (5)
α=0.01 (6)
(7)
1与2 1与3 2与3
1.0323 2.7543 1.7220
2.65 7.06 4.42
2 3 2
2.83 3.40 2.83
方差分析
Analysis of Variance
本章内容
方差分析的基本思想 完全随机设计的单因素方差分析 随机区组设计的两因素方差分析 多个样本均数间的多重比较 变量变换
例1.某研究者为研究核黄素缺乏对尿中氨基氮的 影响，将60只Wistar大白鼠随机分为核黄素缺乏、 限食量、不限食量三组不同饲料组。每组20只 大白鼠。一周后测尿中氨基氮的三天排出量， 结果如表1。
一、方差分析的基本思想
4. 方差分析的基本思想： 根据变异的不同来源将全部观察值总的 离均差平方和与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，通过比较 不同变异来源的均方，借助F分布作出 统计推断，从而了解该因素对观测指标 有无影响。

生物统计学 第六章 方差分析

生物统计学 第六章 方差分析
（1）LSD法
该法是最小显著差数（Least significant difference） 法的简称，是Fisher 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。
xij i ij
它是方差分析的基础。
6.2 方差分析的原理
方差分析的基本原理是认为不同处理组的均数间 的差别基本来源有两个： (1) 随机误差，如测量误差造成的差异或个体间的差 异，称为组内差异，用变量在各组的均值与该组内变 量值之偏差平方和的总和表示，记作 SS e ，组内自由度 df e 。 (2) 实验条件，即不同的处理造成的差异，称为组间 差异。用变量在各组的均值与总均值之偏差平方和表 示，记作 SSt ，组间自由度 df t 。 总偏差平方和 SST SSt SSe 。
6.1 方差分析的相关术语
研究马氏珠母贝三亚、印度品系在不同地区的生 长差异，选择同一批繁殖的两品系马氏珠母贝的稚贝， 分别在海南黎安港、广东流沙港、广西防城港三个海 区进行养殖，每个地区每个品系养殖1000个，1年后 测定马氏珠母贝壳高与总重，比较生长差异。 这里壳高与总重称为试验指标，在试验中常会测定 日增重、产仔数、产奶量、产蛋率、瘦肉率、某些生 理生化和体型指标(如血糖含量、体高、体重)等，这些 都是试验指标，就是我们需要测量的数据。
6.4 均值间的两两比较
对完全随机设计多组平均水平进行比较时，当资料满 足正态性和方差齐性，就可以尝试方差分析，若得到 P>α的结果，不拒绝零假设，认为各组样本来自均数相 等的总体，即不同的处理产生的效应居于同一水平， 分析到此结束; 若方差分析结果P≤α，则拒绝零假设， 接受备择假设，认为各处理组的总体均数不等或不全 相等，即各个处理组中至少有两组的总体均数居于不 同水平。这是一个概括性的结论，研究者往往希望进 一步了解具体是哪两组的总体均数居于不同水平，哪 两组的总体均数相等，这就需要进一步作两两比较来 考察各个组别之间的差别。

第六章 方差分析

第六章 方差分析

5．交互作用(Interaction)
如果一个因素的效应大小在另一个因素不同水平下明显不同， 则称为两因素间存在交互作用。
方差分析的数学推导和计算过程 平方和和自由度的分解
平方和的分解
总变异＝处理间变异＋处理内变异
自由度的分解
总自由度＝处理间自由度＋处理内自由度 总自由度＝处理间自由度＋
SST=SSt+SSe
第六章 方差分析
教学目的和要求
1、掌握方差分析的基本原理及其基本概念，包括方差分析的理论 模型、处理因素、处理水平、单元、元素、均衡交互作用等。 2、掌握多猪比较的概念及其常用的多猪的几种多猪比较的方法。 3、进行方差分析的基本条件，方差齐次性检验。 、进行方差分析的基本条件，方差齐次性检验。 4、掌握进行双因子及多因子方差分析的条件和类型。 、掌握进行双因子及多因子方差分析的条件和类型。 5、熟练掌握应用SPSS for Windows下进行方差分析的步骤并且 Windows下进行方差分析的步骤并且 、熟练掌握应用SPSS 能对处理结果作出正确的解释。 教学难点 1、均方的分解。 2、试验处理和水平的确定。
进行方差分析的几个猪要的概念 1．因素(Factor) ．因素
因素是可能对应变量有影响的变量，通常就是数学模型中的处理 处理。一 处理 般来说，因素会有不止一个水平，分析的目的就是考察或比较各个水 平对应变量的影响是否相同。因素的取值范围不能无限，只能有若干 个水平，在SPSS中应当将因素作为分类变量来处理。
在t检验中，
例6.1
Multiple Comparisons
Dependent Variable: 猪猪多（kg ） LSD
(I) GROUP
(J) GROUP
Mean Difference (I-J) 5.10000* 6.85000* 3.05000 -5.10000* 1.75000 -2.05000 -6.85000* -1.75000 -3.80000 -3.05000 2.05000 3.80000

【生物统计】第六章 方差分析

【生物统计】第六章 方差分析

722 922 562 1162 SSt C 7056 504 n 4
Ti 2
dft k 1 4 1 3
SSe SST SSt 602 504 98
dfe dfT dft k (n 1) 4 (4 1) 12
yij y
Ｃ
试 验 误 差
yi y
Ａ ＢLeabharlann yij yiＡ Ｂ Ｃ
Ａ
Ｂ
Ｃ
-2 -2 -2 -2
0 0 0 0
2 2 2 2
-3 -2 -2 -1
-1 0 0 1
0 1 2 5
-1 0 0 1
-1 0 0 1
-2 -1 0 3
SSt n( yi y )2 32
SST ( yij y )2 50
2 2
因为
SST ( yij y ) ( yij yi yi y )
2
( y y ) 0
i
所以 SST SSt SSe
第一节 方差分析的基本原理
自由度的分解 总自由度： 处理项自由度： 误差项自由度：
dfT nk 1
dft k 1
dfe dfT dft k (n 1)
SSe ( yij yi )2 18
第一节 方差分析的基本原理
通过前面的平方和的直观分解可以看出： SSe SSt
SST SSt SSe
2
当然也可以由公式推导出来：
( yij yi ) ( yi y ) 2 (yij yi ) ( yi y )
18 23 14 29
y 21
第一节 方差分析的基本原理

chapter6方差分析PPT课件

chapter6方差分析PPT课件

总均方一般不等于处理间均方加处理内均方。
.
24
某B水iosta产tisti研cs 究所为了比较四种不同配合饲料 对鱼的饲喂效果，选取了条件基本相同的鱼 20尾，随机分成四组，投喂不同饲料，经一 个月试验以后，各组鱼的增重结果列于下表。
.
25
Biostatistics
这是一个单因素试验，处理数k=4，重复数 n=5。各项平方和及自由度计算如下：
(xij xi.)分别eij是μ、（μi-.
14
Biostatistics
告诉我们：
（ 每个观或x测ij 值 都i)，包故含k处nx理i个j 效观xi.应测（值μ的i-总μ或变异可）x分i.，解与为x.误处. 差理
间的变异和处理内的变异两部分。
.
在单因素试验结果的方差分析中，无效假设
为H0：μ1=μ2=…=μk，备择假设为HA：各μi不 全相等，或H0 ：2 =0,H A2 : ≠0；
F=MSt/MSe，也就是要判断处理间均方是否
显著大于处理内(误差)均方。
如果结论是肯定的，我们将否定H0；反之，不 否定H0。
.
33
Biostatistics
次的处理间变异，称为处理间平方和，记为SSt，
即
k
SSt n (xi.x..)2
i1
.
18
式B中ios，tatisticsk n (为xij 各 xi处.)2 理内离均差平方和之和，
i1 j1
反映了各处理内的变异即误差，称为处理内平方
和或误差平方和，记为SSe，即
于是有
kn
SSe
(xij xi.)2
Biostatistics
第六章 方差分析 analysis of variance（ANOVA）

方差分析知识点总结

方差分析知识点总结

第六章 方差分析（它是用以检验两个或多个均数间差异的假设检验方法。

它是一类特定情况下的统计假设检验，或者说是平均数差异显著性检验的一种引伸。

） 一、方差分析与t 检验的关系t 检验可以判断两组数据平均数间的差异显著性；方差分析既可以判断两组又可以判断多组数据平均数之间的差异显著性。

二、方差分析的数学模型用线性模型(linear model)来描述每一观测值： X ij =μ+ τi +εij(i=1,2,3…,k ；j=1,2,3…,n)μ－总体平均数 τi －处理效应 εij －试验误差 x ij －是在第i 次处理下的第j 次观测值三、方差分析所需用到的各计算分析值以及F 检验 变异来源 平方和 自由度 均方MS F 值 F 0.05 F 0.01 组间 SS t 组间 df t =k-1SS 组间/df 组间MS t /MS e组内 SS e 组内 df e =k(n-1) SS 组内/df 组内 总变异 SS T 总df T =nk-1计算步骤：计算矫正数C =T 2kn （nk x C /2..=）C x SS ij T -∑∑=2；C x nSS i t -=∑2.1；t T e SS SS SS -= 1-=nk df T ；1-=k df t ；t T e df df df -=t t t df SS MS /=; e e e df SS MS /=F 值：MS t /MS e例题：【例5-1】以淀粉为原料生产葡萄糖过程中，残留的许多糖蜜可用于酱色生产。

生产酱色之前应尽可能彻底除杂，以保证酱色质量。

今选用5中除杂方法，每种方法做4次试验，试验结果见表5-2，试分析不同除杂方法的除杂效果? 表5-2 不同除杂方法的除杂量 g/kg除杂方法（A i）除杂量（x ij）合计（x i）平均 方差S i2A1 25.6 24.4 25.0 25.9 100.9 25.2 0.442 A2 27.8 27.0 27.0 28.0 109.8 27.5 0.277 A3 27.0 27.7 27.5 25.9 108.1 27.0 0.649 A4 29.0 27.3 27.5 29.9 113.7 28.4 1.543 A5 20.6 21.222.021.285.0 21.3 0.330x..＝517.5单因素试验，处理数k =5，重复数n =4。

第六章 方差分析

第六章 方差分析

班组
水平
观测值
因素
分析均值间是否有明显差异。
3、方差分析的基本假定
方差分析基本假定的一般性的表述为，设因
素 A 有个 k 水平，在每个具体水平下，总体分布
为 N j， 2 ，j 1， 2， ，k 。注意这里个总体
方差均相等，并且在每个水平下抽取一个样本，
所取得的个样本相互独立。
注：
最后，构造统计量： 不加证明的引入如下的结论： 1）SSA与SSE相互独立
2） SSE ~ 2 n k 2 3）原假设成立情况下 SSA ~ 2 k 1 2 因此构造统计量：
SSA 2 k 1 F = SSE 2 n k SSA H 0为真 k 1 ，则F ~ F k 1，n k SSE nk
实际计算中主要有如下计算流程 a）水平均值 水平均值是指根据具体水平下的观察值的均 值。有计算公式为 nj 1 xi xij ni j 1 b）总均值 总均值是指全部观察值的均值
x 1
ni
i 1
k
x
i 1 j 1
k
ni
ij

1
ni
i 1
k
x
i 1
k
i
ni
c）总离差平方和 反映了全部观察值离散程度的总规模。有
H1：1， 2， ， k 不全相等
2） 构造统计量及拒绝域 首先，分析三类离差平方和： a)总离差（总变差）平方和： 各样本观察值之间的差异称之为总差异，用总 离差平方和来表示。总离差平方和是每一观察值与 其总均值的离差的平方的总和。 b)组内离差（组内变差）平方和: 同一水平下观察值之间的差异，用组内离差平 方和来度量。 c)组间离差（组间变差）平方和： 不同水平观察值之间的差异，称之为组间离差， 用组间离差平方和来度量。

第六章方差分析

第六章方差分析

单因素方差分析结果
1.描述性的统计结果
VAR00005
1.00 2.00 3.00 T o ta l M od e l
Fixed Effects Random Effects
Descriptiv es
N 21 19 20 60
M ea n 9.1952 5.8000 5.4300 6.8650
Std. Deviation 4.16659 4.26458 3.51914 4.29157 3.99533
univariate过程：
从菜单选择analyze
general linear model
univariate
1.打开univariate主对话框 Dependent variable,因变量，只选入1个，为数值 变量。 Fixed factor：固定因素。适用固定效应模型，该 因素为分类变量，可选入一个或多个。 Random factor：随机因素。应用随机效应模型或 混合效应模型时，将随机因素选入。 Covariate：协变量。与因变量有关的定量变量， 协方差分析时选用。 Wls weight：变量加权。
6.固定因素（fixed factor）与随机因素 （random factor）：两者都是因素的不同种类， 固定因素指的是该因素在样本中所有可能的水平 都出现了。随机因素是该因素所有可能的取值在 样本中没有都出现，或不可能都出现。 7.交互作用（interaction）：若一个因素的效应 大小在另一个因素不同水平下明显不同，则称为 两因素间存在交互作用。 当存在交互作用时，单纯研究某个因素的作用是 没有意义的，必须分另一个因素的不同水平研究 该因素的作用大小。 注意：如果所有单元格内都至多只有一个元素， 则交互作用无法衡量，只能不予考虑，最典型的 例子就是配伍组设计的方差分析。

生物统计学 第六章 方差分析

生物统计学 第六章 方差分析

【���������2���
=
���������2��� ������−1
=
(������������−������)���2��� ������−1
���������2��� 为效应方差，������������为处理效应】
方差分析
4.F检验
4.1 F值和F分布 F=������������������������������������=������2+���������2������������2���，自由度������������1 = k − 1, ������������2=������������������=kn-k 在������������1, ������������2确定条件下，F值对应的概率分布称为F 分布, 对应的密度函数为f(F)。������������1, ������������2决定F分布 的形状, 随着自由度的增加，曲线趋向对称。
������������. 各处理观测值之和。
方差分析
自由度的剖分
总自由度dfT=kn-1 处理间自由度dft=k-1 误差自由度 dfe=dfT-dft 均方
试验的总均方、处理间均方、处理内均方分别为：
MST=���������������2���
=
������������������ ������������������
第六章 方差分析
第一节 方差分析的基本原理和步骤
1.基本概念
试验指标 为衡量试验结果的好坏或处理效应 的高低，在试验中具体测定的性状或观测的项 目。
试验因子 试验中所研究的影响试验指标的因素。 当试验中考察的因素只有一个时，称为单因素试 验；若同时研究两个或两个以上的因素对试验指 标的影响时，则称为两因素或多因素试验。试验 因素常用大写字母A、B、C、…等表示。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第六章方差分析第一节Simple Factorial过程6.1.1 主要功能6.1.2 实例操作第二节General Factorial过程6.2.1 主要功能6.2.2 实例操作第三节 Multivarite过程6.3.1 主要功能6.3.2 实例操作方差分析是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。

由于各种因素的影响，研究所得的数据呈现波动状，造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。

方差分析的基本思想是：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。

方差分析主要用于：1、均数差别的显著性检验，2、分离各有关因素并估计其对总变异的作用，3、分析因素间的交互作用，4、方差齐性检验。

第一节 Simple Factorial过程6.1.1 主要功能调用此过程可对资料进行方差分析或协方差分析。

在方差分析中可按用户需要作单因素方差分析（其结果将与第五章第四节相同）或多因素方差分析（包括医学中常用的配伍组方差分析）；当观察因素中存在有很难或无法人为控制的因素时，则可对之加以指定以便进行协方差分析。

返回目录返回全书目录6.1.2 实例操作[例6-1]下表为运动员与大学生的身高（cm）与肺活量（cm3）的数据，考虑到身高与肺活量有关，而一般运动员的身高高于大学生，为进一步分析肺活量的差异是否由于体育锻炼所致，试作控制身高变量的协方差分析。

6.1.2.1 数据准备激活数据管理窗口，定义变量名：组变量为group（运动员=1，大学生=2），身高为x，肺活量为y，按顺序输入相应数值，建立数据库，结果见图6.1。

图6.1 原始数据的输入6.1.2.2 统计分析激活Statistics 菜单选ANOV A Models中的Simple Factorial...项，弹出Simple Factorial ANOV A对话框（图6.2）。

在变量列表中选变量y，点击 钮使之进入Dependent框；选分组变量group，点击 钮使之进入Factor(s)框中, 并点击Define Range...钮在弹出的Simple Factorial ANOV A:Define Range框中确定分组变量group的起止值（1,2）；选协变量x，点击 钮使之进入Covariate(s)框中。

图6.2 协方差分析对话框点击Options...框，弹出Simple Factorial ANOV A:Options对话框。

系统在协方差分析的方法（Method）上有三种选项：1、Unique：同时评价所有的效应；2、Hierarchical：除主效应外，逐一评价各因素的效应；3、Experimental：评价因素干预之前的主效应。

本例选Unique方法，之后点击Continue钮返回Simple Factorial ANOV A对话框，再点击OK钮即可。

6.1.2.3 结果解释在结果输出窗口中可见如下统计数据：先输出肺活量总均数和两组的肺活量均数，总均数为4033.25，运用员组均数为4399.00，大学生组为3667.50。

接着协方差分析表明，混杂因素X（身高）两组间是有差异的（F=10.679，P=0.002），控制其影响后，两组间肺活量的差别依然存在（F=9.220，P=0.004），故可以认为两组间肺活量的均数在消除了身高因素的影响之后仍有差别，运动员的肺活量大于大学生，即体育锻炼会提高肺活量。

最后系统输出公共回归系数，= 36.002，该值可用于求修正均数：= - ( - )本例为= 4399.00 - 36.002×（178.175 - 174.3325）= 4260.6623= 3667.50 - 36.002×（170.49 - 174.3325）= 3805.8377返回目录返回全书目录第二节 General Factorial过程6.2.1 主要功能调用此过程可对完全随机设计资料、配伍设计资料、析因设计资料、正交设计资料等等进行多因素方差分析或协方差分析。

返回目录返回全书目录6.2.2 实例操作[例6-2]下表为三因素析因实验的资料，请用方差分析说明不同基础液与不同血清种类对钩端螺旋体的培养计数的影响。

6.2.2.1 数据准备激活数据管理窗口，定义变量名：基础液为base，血清种类为sero，血清浓度为pct，钩端螺旋体的培养计数为X，按顺序输入相应数值，建立数据库。

6.2.2.2 统计分析激活Statistics菜单选ANOV A Models中的General Factorial...项，弹出General Factorial ANOV A对话框（图6.3）。

在对话框左侧的变量列表中选变量x，点击 钮使之进入Dependent Variable框；选要控制的分组变量base、sero和pct，点 钮使之进入Factor(s)框中，并分别点击Define Range钮，在弹出的General Factorial ANOV A:Define Range对话框中确定各变量的起止值，本例变量base的起止值为1、3，变量sero的起止值为1、2，变量pct的起止值为1、2。

之后点击OK钮即可。

图6.3 析因方差分析对话框6.2.2.3 结果解释在结果输出窗口中，系统显示48个观察值进入统计，三个因素按其各自水平共产生12种组合。

分析表明，模型总效应的F值为10.55，P值< 0.001，说明三因素间存在有交互作用。

单因素效应和交互效应导致的组间差别比较结果是：单因素组间比较：A：基础液（BASE）F = 4.98，P = 0.012，说明三种培养基培养钩体的计数有差别；B：血清种类（SERO）F = 61.265，P < 0.001，说明两种血清培养钩体的计数有差别；C：血清浓度（PCT）F = 3.49，P = 0.070，说明两种血清浓度培养钩体的计数无差别。

两因素构成的一级交互作用：A×B：基础液（BASE）×血清种类（SERO）F = 5.16，P = 0.011，交互作用明显；B×C：血清种类（SERO）×血清浓度（PCT）F = 15.96，P < 0.001，交互作用明显；A×C：基础液（BASE）×血清浓度（PCT）F = 0.78，P = 0.465，交互作用不明显。

三因素构成的二级交互作用：A×B×C：基础液（BASE）×血清种类（SERO）×血清浓度（PCT）F = 6.75，P = 0.003，交互作用明显。

返回目录返回全书目录第三节 Multivarite过程6.3.1 主要功能调用此过程可进行多元方差分析。

此外，对于一元设计，如涉及混合模型的设计、分割设计（又称列区设计）、重复测量设计、嵌套设计、因子与协变量交互效应设计等，此过程均能适用。

返回目录返回全书目录6.3.2 实例操作[例6-3]甲地区为大城市，乙地区为县城，丙地区为农村。

某地分别调查了上述三类地区8岁男生三项身体生长发育指标：身高、体重和胸围，数据见下表，问：三类地区之间男生三项身体生长发育指标的差异有无显著性？6.3.2.1 数据准备激活数据管理窗口，定义变量名：地区为G，身高为X1，体重为X2，胸围为X3，按顺序输入相应数值，变量G的数值是：甲地区为1，乙地区为2，丙地区为3。

6.3.2.2 统计分析激活Statistics菜单选ANOV A Models中的Multivarite...项，弹出Multivarite ANOV A 对话框（图6.8）。

首先指定供分析用的变量x1、x2、x3，故在对话框左侧的变量列表中选变量x1、x2、x3，点击 钮使之进入Dependent Variable框；然后选变量g（分组变量）点击 钮使之进入Factor(s)框中，并点击Define Range钮，确定g的起始值和终止值。

图6.4 多元方差分析对话框点击Options...钮，弹出Multivarite ANOV A:Options对话框，选择需要计算的指标。

在Factor(s)栏内选变量g，点击 钮使之进入Display Means for框，要求计算平均值指标；在Matriced Within Cell栏内选Correlation、Covariance、SSCP项，要求计算单元内的相关矩阵、方差协方差矩阵和离均差平方和交叉乘积矩阵；在Error Matrices栏内也选上述三项，要求计算误差的相关矩阵、方差协方差矩阵和离均差平方和交叉乘积矩阵；在Diagnostics栏内选Homogeneity test项，要求作变量的方差齐性检验。

之后点击Continue钮返回Multivarite ANOV A对话框，最后点击OK钮即可。

6.3.2.3 结果解释在结果输出窗口中将看到如下分析结果：系统首先显示共90个观察值进入统计分析，因分组变量g为三个地区，故分析的单元数为3。

然后输出3个应变量（x1、x2、x3）的方差齐性检验结果，分别输出了Cochran C 检验值及其显著性水平P值、Bartlett-Box F检验值及其显著性水平P值。

其中身高：C = 0.39825，P = 0.540；F = 1.01272，P = 0.363；体重：C = 0.43787，P = 0.227；F = 4.48624, P = 0.011；胸围：C = 0.47239, P = 0.089；F = 2.06585, P = 0.127；可见3项指标的方差基本整齐（P值均大于0.05）。

Cochran C检验和Bartlett-Box F检验对考查协方差矩阵的相等性比较方便，但还不够。

于是系统接着分别输出了三类地区（即各个单元）各生长发育指标的离均差平方和交叉乘积矩阵和方差协方差矩阵。

之后作Box M检验，Box M检验提供矩阵一致性的多元测试，本例Boxs M = 36.93910，在基于方差分析的显著性检验中F = 2.92393；在基于χ2的显著性检验中χ2 = 35.09922, 两者P < 0.001，故认为矩阵一致性不佳。

X2 380.137 230.519X3 215.937 156.559 314.859Variance-Covariance matrixX1 X2 X3X1 29.696X2 13.108 7.949X3 7.446 5.399 10.857Cell Number .. 1 (Cont.)Correlation matrix with Standard Deviations on DiagonalX1 X2 X3X1 5.449X2 .853 2.819X3 .415 .581 3.295Determinant of Covariance matrix of dependent variables = 444.98354LOG(Determinant) = 6.09804Cell Number .. 2Sum of Squares and Cross-Products matrixX1 X2 X3X1 565.368X2 147.222 78.910X3 139.430 79.337 147.967Variance-Covariance matrixX1 X2 X3X1 19.495X2 5.077 2.721X3 4.808 2.736 5.102Correlation matrix with Standard Deviations on DiagonalX1 X2 X3X1 4.415X2 .697 1.650X3 .482 .734 2.259Determinant of C ovariance matrix of de pendent v ariables = 63.90640LOG(Determinant) = 4.15742Cell Number .. 3Sum of Squares and Cross-Products matrix下面系统输出将三类地区看成一个大样本时的离均差平方和交叉乘积矩阵。