当前位置：文档之家 › 第七章 方差分析与正交试验设计

第七章 方差分析与正交试验设计

  • 格式：doc
  • 大小：357.00 KB
  • 文档页数：4

下载文档原格式

  / 4

合集下载

第七章 正交试验设计与分析

第七章 正交试验设计与分析

例如，要考察增稠剂用量、pH值和杀菌温度对豆奶稳
定性的影响。每个因素设置3个水平进行试验 。 A因素是增稠剂用量，设A1、A2、A3 3个水平；B因 素是pH值，设B1、B2、B3 3个水平；C因素为杀菌温度， 设C1、C2、C3 3个水平。这是一个3因素3水平的试验，各
因素的水平之间全部可能组合有27种 。
1.3.2 正交表的基本性质
1.3.2.1 正交性 （1）任一列中，各水平都出现，且出现的次数相等 例如L8(27)中不同数字只有1和2，它们各出现4次； L9(34)中不同数字有1、2和3，它们各出现3次 。
上一张 下一张 主 页
退 出
（2）任两列之间各种不同水平的所有可能组 合都出现，且出现的次数相等
（2） 选因素、定水平，列因素水平表
根据专业知识、以往的研究结论和经验，从影响试验指标的
诸多因素中，通过因果分析筛选出需要考察的试验因素。一般确
定试验因素时，应以对试验指标影响大的因素、尚未考察过的因
素、尚未完全掌握其规律的因素为先。试验因素选定后，根据所
掌握的信息资料和相关知识，确定每个因素的水平，一般以2-4
素自由度+交互作用自由度+误差自由度。
此例有4个3水平因素，可以选用L9(34)或
L27(313) ；因本试验仅考察四个因素对液化率的影
响效果，不考察因素间的交互作用，故宜选用 L 9
（ 3 4 ）正交表。若要考察交互作用，则应选用
4-3 因素水平表
试验因素
水平
加水量 （mL/100g） A
10 50 90
加酶量 （mL/100g） B
1 4 7
酶解温度 （℃） C
20 35 50
酶解时间 （h） D

实验设计的方差分析与正交试验

实验设计的方差分析与正交试验

实验设计的方差分析与正交试验一、实验设计中的方差分析方差分析（analysis of variance，ANOVA）是一种统计方法，用于比较不同组之间的均值差异是否具有统计学上的显著性。

在实验设计中，方差分析主要被用来分析因变量（dependent variable）在不同水平的自变量（independent variable）中的变化情况。

通过比较不同组之间的方差，判断是否存在显著差异，并进一步分析差异的原因。

1. 单因素方差分析单因素方差分析是最简单的方差分析方法，适用于只有一个自变量的实验设计。

该方法通过比较不同组之间的方差来判断各组均值是否有差异。

步骤如下：（1）确定研究目的，选择合适的因变量和自变量。

（2）设计实验，确定各组的样本个数。

（3）进行实验，并收集数据。

（4）计算各组的平均值和总平均值。

（5）计算组内方差和组间方差。

（6）计算F值，通过计算F值来判断各组均值是否有显著差异。

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的情况下进行的。

这种方法可以用来分析多个因素对因变量的影响，并判断各因素的主效应和交互效应。

步骤如下：（1）确定研究目的，选择合适的因变量和多个自变量。

（2）设计实验，确定各组的样本个数。

（3）进行实验，并收集数据。

（4）计算各组的平均值和总平均值。

（5）计算组内方差、组间方差和交互方差。

（6）计算F值，通过计算F值来判断各组均值是否有显著差异。

二、正交试验设计正交试验设计是一种设计高效实验的方法，可以同时考虑多个因素和各个因素之间的交互作用，并通过较少的试验次数得到较准确的结果。

1. 正交表的基本原理正交表的设计是基于正交原理，即每个因素和其他所有因素的交互效应都是独立的。

通过正交表设计实验，可以确保各因素和交互作用在样本中能够均匀地出现，从而减少误差来源，提高实验结果的可靠性。

2. 正交试验设计的步骤（1）确定要研究的因素和水平。

第七章-回归正交试验设计

第七章-回归正交试验设计

例7-1：用石墨炉原子吸收分光光度计测定食品中 的铅，为提高测定灵敏度，希望吸光度(y)大。为 提高吸光度，讨论了x1(灰化温度/℃)， x2(原子化 温度/℃)和 x3 (灯电流/mA)三个因素对吸光度的影 响，并考虑交互作用x1x2 ， x1x3 。已知x1＝ 300~700℃， x2＝1800~2400℃，x3＝8~10mA。 试通过回归正交试验确定吸光度与三个因素之间
指标（y）与m个试验因素x1，x2，…，xm之间的一次回归
方程：
m
yˆ a bj x j
bkjxk x j , k 1,2,..., m 1( j k)
j 1
k j
例：m＝3时，一次回归方程： y＝a＋b1x1＋b2x2＋b3x3＋b12x1x2＋b13x1x3＋b23x2x3
➢ 其中x1，x2，x3表示3个因素；x1x2，x1x3，x2x3表示交互作用 ➢ 若不考虑交互作用，为三元一次线形回归方程：
➢ 根据偏回归系数的正负，得到各因素对试验指标 的影响方向
(4)方差分析
SST
n i 1
yi2
1( n n i1
yi )2
2.049044
4.0382 8
0.010864
SS1 mcb12 8 0.009752 0.000761
SS2 mcb22 8 0.033752 0.009113
0.010741
SSe SST SSR 0.010864 0.010741 0.000123
(4)方差分析
dfT=n-1=8-1=7 df1=df2=df3=1 df12=df13=1 dfR=df1+df2+df3+df12+df13=1+1+1+1+1=5 dfe=dfT-dfR=7-5=2 MS1=SS1/df1=0.000761 MS2=SS2/df2=0.009113 MS3=SS3/df3=0.000265 MS12=SS12/df12=0.000181 MS13=SS13/df13=0.000421 MSR=SSR/dfR=0.010741/5=0.002148 MSe=SSe/dfe=0.000123/2=0.000062 F1=MS1/MSe=0.000761/0.000062=12.27 F2=MS2/MSe=0.009113/0.000062=146.98 F3=MS3/MSe=0.000265/0.000062=4.27 F12=MS12/MSe=0.000181/0.000062=2.92 F13=MS13/MSe=0.000421/0.000062=6.79 FR=MSR/MSe=0.002148/0.000062=34.65

第7章-正交试验设计的极差分析

第7章-正交试验设计的极差分析

第7章-正交试验设计的极差分析第7章正交试验设计的极差分析正交试验设计和分析⽅法⼤致分为⼆种：⼀种是极差分析法(⼜称直观分析法),另⼀种是⽅差分析法（⼜称统计分析法)。

本章介绍极差分析法,它简单易懂,实⽤性强，在⼯农业⽣产中⼴泛应⽤。

７.1 单指标正交试验设计及其极差分析极差分析法简称R 法。

它包括计算和判断两个步骤,其内容如图7-1所⽰。

图7－１ R 法⽰意图图中，Ｋj ｍ为第ｊ列因素m ⽔平所对应的试验指标和，K ｊm 为Ｋjm 的平均值。

由K jm 的⼤⼩可以判断ｊ因素的优⽔平和各因素的⽔平组合，即最优组合。

R j 为第j 列因素的极差，即第j 列因素各⽔平下平均指标值的最⼤值与最⼩值之差：R j =max(jm j j K K K ,,,21 ）-ｍin(jm j j K K K ,,,21 )R j 反映了第ｊ列因素的⽔平变动时，试验指标的变动幅度。

R j 越⼤,说明该因素对试验指标的影响越⼤，因此也就越重要。

于是依据R j的⼤⼩,就可以判断因素的主次。

极差分析法的计算与判断,可直接在试验结果分析表上进⾏，现以例6-2来说明单指标正交试验结果的极差分析⽅法。

⼀、确定因素的优⽔平和最优⽔平组合例６-2 为提⾼⼭楂原料的利⽤率，某研究组研究了酶法液化⼯艺制造⼭楂精汁。

拟通过正交试验寻找酶法液化⼯艺的最佳⼯艺条件。

在例6-2中，不考虑因素间的交互作⽤(因例6-2是四因素三⽔平试验，故选⽤L9（34）正交表），表头设计如表６-５所⽰,试验⽅案则⽰于表６-6中。

试验结果的极差分析过程，如表7-1所⽰.表6-4 因素⽔平表表6-6 试验⽅案及结果试验指标为液化率，⽤y i 表⽰，列于表6-６和表7-1的最后⼀列。

表7－1 试验⽅案及结果分析计算⽰例：因素A 的第１⽔平Ａ1所对应的试验指标之和及其平均值分别为：K A １=ｙ１+y ２+ｙ3＝0+１７+２4=４1,=1A K 31K A1=１3．7同理，对因素Ａ的第2⽔平Ａ２和第３⽔平A 3，有ＫA2=ｙ4+ｙ5+y 6=１２＋47＋28=87,=2A K 31K Ａ2=2９ K A ３＝y ７+y 8＋y ９=１＋18+42＝61，=3A K 31K Ａ3=20.３由表7－１或表6－６可以看出，考察因素A 进⾏的三组试验中(Ａ1,A 2,Ａ3),B 、Ｃ、D 各⽔平都只出现了⼀次,且由于B 、C 、Ｄ间⽆交互作⽤,所以B 、C 、D 因素的各⽔平的不同组合对试验指标⽆影响，因此，对A 1、Ａ2和A ３来说,三组试验的试验条件是完全⼀样的。

正交试验设计中的方差分析

正交试验设计中的方差分析
方差分析（ANOVA）是一种统计技术， 用于比较三个或更多组数据的平均值 是否存在显著差异。
目的
通过方差分析，可以确定不同组之间 的平均值差异是否由随机误差引起， 还是由处理因素或自变量引起。
方差分析的数学模型
数学模型
方差分析使用数学模型来描述数据之间的关系，特别是不同组之间的平均值差异。模型通常包括组间差异和组内 差异两部分。
医学研究
通过正交试验设计中的方差分析，研究不同治疗方案、药物剂量等因素对疾病治疗效果的影响，为临床 治疗提供科学依据。
方差分析的局限性
04
方差分析对数据的要求
独立性
数据必须是相互独立的，不存 在相互关联或依赖关系。
正态性
数据应符合正态分布，才能保 证统计推断的准确性。
同方差性
各组数据的方差应相等，否则 可能导致误判。
制定试验方案
根据正交表设计试验方案，确定每个因素的每个 水平。
实施试验
按照试验方案进行试验，记录每个试验的结果。
方差分析
利用方差分析法对试验结果进行分析，确定各因 素对试验结果的影响程度和显著性。
优化方案
根据方差分析结果，优化试验方案，进行下一步试验。
方差分析的基本原理
02
方差分析的定义与目的
定义
拉丁方设计方差分
析
适用于需要控制试验条件的试验， 通过拉丁方设计平衡试验条件和 试验误差。
正交试验设计中的方差分析步骤
确定试验因素和水平
根据研究目的和实际情况确定试验因 素和水平。
制定正交表
根据试验因素和水平选择合适的正交 表。
安排试验
按照正交表进行试验，记录试验数据。
方差分析
对试验数据进行方差分析，包括自由 度、离均平方和、均方、F值等计算。

正交试验设计中的方差分析

正交试验设计中的方差分析
个水平，每个水平做p次试验，则n=mp。
那么正交试验的方差分析可以从以下几步进行：
1.计算差方和（离差平方和）： 包括以下几部分：
1)各因素差方和：
正交试验都是多因素多水平的试验，因此有必要对各因素的 差方和进行计算。 各因素差方和等于它的各水平均值k1A,k2A,…,kmA之间偏差平 方和。 以因素A为例，它在正交表中的某列，用xij表示A在第i个水 平的第j次试验结果，则;
即：fA×B=fA×fB 试验误差的自由度fe＝fT－f因 。
3.计算平均差方和（均方）： 在计算各因素的差方和时，按照前面的讲述，它是各水平的 偏差方的和，其大小与水平数有关，故此还不能确切的反映 各因素的情况。为了消除水平数的影响，可以计算其平均差 方和：
因素的平均差方和＝因素差方和 ＝Q因 因素的自由度 f因
试验误差的差方和是所有试验结果在不同水平下的指标值与该 水平下的均值之间的差的平方和。它是由随机误差引起的，故 叫误差的差方和。
Qe QT ( QA QB QN )
2.计算自由度：
试验的总自由度： fT n 1
各因素自由度： f因 m 1
如果有交互作用，则交互作用的自由度为两因素自由度之积:
一．几个数据处理中常用的数理统计名词：
首先对几个数理统计名词进行回顾
1. 平均值 x
就是所有数据的和除以数据的个数。
x
1 n
n i 1
xi
1 n
x1
x2
xn
总体平均值：
1 n
n
xi
i 1
n
总体：数理统计学中指的是研究对象的某一特性值的全体； 样本：从总体中随机抽出的一组测量值。
2.极差 R： 就是一组数据中的最大值减去最小值得到的差值。 3.差方和Q： 测量值对平均值的偏差的平方和，就叫～。也叫离差平方和。

7第七章 正交试验


R j max Tij min Tij
i
R j max Tij min Tij
i

i

i
极差越大，说明这个因素的水平改变对试验结果的 影响越大，极差最大的那个因素，就是最主要的因素。 对例1来说，各因素的主次顺序为
A B A C C D A B
注意：主效应因素尽量不放交互列。如A、B因 素已放C1、C2列，则C 因素就不放C3列。
考虑交互作用AB和AC，则例1的表头可设计为 花菜留种的表头设计
列号 因子 1 2 3 4 5 6 7
A
B
A B
C
A C
D
按正交表 L8 27 得试验方案：

只需将各列中的数字“1”、“2”分别理解为所填因素 在试验中的水平数，每一行就是一个试验方案。
7
7

表示
L8 2
表示各因素的水平数为2，
做8次试验，最多考虑7个
因素（含交互作用）的正
交表。
正交表的特点
表示：在试验安排中，所挑选出来的水平组合是均匀 分布的（每个因素的各水平出现的次数相同） ——均衡分散性 2、正交表中任意两列，把同行的两个数字看成有序数 对时，所有可能的数对出现的次数相同。 表示：任意两因素的各种水平的搭配在所选试验中出现 的次数相等 ——整齐可比性
注：第6列为空白列，当随机误差列；也可把第7列 作空白列。一般要求至少有一个空白列。
第三步 按所选定的正交试验方案组织试验，记录试验 结果；
水 列 平 号 试验号
1 2 3 4 5 6 7 8
A 1 1 1 1 1 2 2 2 2
B 2 1 1 2 2 1 1 2 2

正交试验设计(内容详尽)


偏差大小，通常用 V 表示：
V S2 / f
存在期望值时：
V
1 n
n
( xi
i 1
)2
不存在期望值时：
V
1 n1
n
( xi
i 1
x)2
均方差也称为准偏差或标准差，定义为方差的平方根，
通常用 表示，即
存在期望值时：
V
1 n
n i 1
( xi
)2
不存在期望值时：
V
1 n
1
n i 1
正交试验设计
7.1.5 试验的主要步骤（阶段）
● 试验设计阶段——选题、设计试验方案、准备试 验材料及设备、安排试验环境等；
● 试验实施阶段——按计划进行试验（包括试验操 作、收集试验数据等）；
● 试验分析阶段——核查试验数据、进行统计分析、 解释试验结果、获取试验结论等。
正交试验设计
7.1.6 试验设计的基本原则（费歇尔三原则）
● 重复原则——利用重复观测减小试验误差，提高试 验精度；
● 随机化原则——目的是为了消除或减小人为因素引 起的系统误差的影响；
● 局部控制原则——该原则也称为区组控制原则，指 的是把比较的水平设置在差异较小的区组内，其目的也是 为了消除或减小试验中系统误差的影响。例如，按机器设 备、班次、原料批号、操作人员划分区组。
其他：
★ 标示因素
★ 区组因素
★ 信号因素
★ 误差因素
正交试验设计
⑷ 因素的水平 试验中因素变化的状态和条件称为因素的水平或位数，
简称水平。水平用数字（1，2，3…）表示。 试验中设计过程中水平的选取原则是：
◆ 宜选用三水平，以有利于实验结果的分析； ◆ 水平通常取等间隔，特殊情况下取对数间隔； ◆ 水平应该具体。水平应该是可控的，其变化对试验指 标有影响。

正交试验设计(内容详尽)


示。
存在期望值时：
n
S 2 ( xi )2 i 1
不存在期望值时：
n
S 2 ( xi x)2 i 1
自由度指的是关系式中独立数据的个数，通常用 f 表示。
例如，在计算偏差平方和的过程中，若表达式中使用
的是期望值 ，则 f n；若表达式中使用的是平均值 x ，
n
则因为存在约束条件 ( xi x) 0 而使独立数据的个数少 i 1
其他：
★ 标示因素
★ 区组因素
★ 信号因素
★ 误差因素
正交试验设计
⑷ 因素的水平 试验中因素变化的状态和条件称为因素的水平或位数，
简称水平。水平用数字（1，2，3…）表示。 试验中设计过程中水平的选取原则是：
◆ 宜选用三水平，以有利于实验结果的分析； ◆ 水平通常取等间隔，特殊情况下取对数间隔； ◆ 水平应该具体。水平应该是可控的，其变化对试验指 标有影响。
◆ 确定出各因素对试验指标的影响规律，得知哪些因素的 影响是主要的、哪些因素的影响是次要的、哪些因素之间 存在相互影响； ◆ 选出各因素的一个水平组合来确定最佳生产条件。
正交试验设计的基础是正交表。
7.1.3 基本概念
■ 过程或系统
人、机器、实验条件等资源的组合。
正交试验设计
可控因素
x1 x2
xp
通常用 表示，即
存在期望值时：

V
1 n
n i 1
( xi

)2
不存在期望值时：
V
1 n1
n i 1
( xi

x)2
正交试验设计
7.2.2 样本及其分布
■ 总体、个体与样本 总体（population）：被研究对象的全体。 个体（individual）：组成总体的每个单元。

第7章-正交试验设计的极差分析

第7章正交试验设计的极差分析正交试验设计和分析方法大致分为二种：一种是极差分析法（又称直观分析法）,另一种是方差分析法（又称统计分析法）。

本章介绍极差分析法，它简单易懂，实用性强，在工农业生产中广泛应用。

7.1单指标正交试验设计及其极差分析极差分析法简称R法。

它包括计算和判断两个步骤，其内容如图7-1所示。

图7-1 R法示意图图中，K m为第j列因素m水平所对应的试验指标和，K jm为K m的平均值。

由K m 的大小可以判断j因素的优水平和各因素的水平组合，即最优组合。

R为第j 列因素的极差，即第j列因素各水平下平均指标值的最大值与最小值之差：R二max（心，耳,，爲）-min（心,兀,,爲）R反映了第j列因素的水平变动时，试验指标的变动幅度。

R越大，说明该因素对试验指标的影响越大，因此也就越重要。

于是依据R j的大小，就可以判断因素的主次。

极差分析法的计算与判断，可直接在试验结果分析表上进行，现以例6 - 2来说明单指标正交试验结果的极差分析方法。

一、确定因素的优水平和最优水平组合例6-2为提高山楂原料的利用率，某研究组研究了酶法液化工艺制造山楂精汁。

拟通过正交试验寻找酶法液化工艺的最佳工艺条件。

在例6 -2中，不考虑因素间的交互作用（因例6 - 2是四因素三水平试验，故选用L9（34）正交表），表头设计如表6 - 5所示，试验方案则示于表6 - 6中。

试验结果的极差分析过程，如表7 - 1所示.表6-4 因素水平表表6-6 试验方案及结果试验指标为液化率，用y表示，列于表6 - 6和表7 - 1的最后一一表7-1试验方案及结果分析计算示例：因素A的第1水平A i所对应的试验指标之和及其平均值分别为:1K\i=y i+y2+y3=0+17+24=41, K AI = — K Ai=13.73同理，对因素A的第2水平A和第3水平A,有1K A2=y4+y5+y6=12+47+28=87 K A2=-K A2=2931K A3=y7+y8+y9=1 + 18+42=61 , K A3K A3=20.33由表7 - 1或表6 - 6可以看出，考察因素A进行的三组试验中(A,A2,A3), B、C D各水平都只出现了一次，且由于B C、D间无交互作用，所以B、C D因素的各水平的不同组合对试验指标无影响，因此，对A、A和A来说，三组试验的试验条件是完全一样的。

  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)。

第七章方差分析的SPSS软件实现
本节将结合第一节中的实例讲解如何利用SPSS软件进行方差分析。

方差分析从形式上看是来比较不同正态总体的均值是否相等的一种统计方法，而从本质上它也可以看做是来研究一个数值型的因变量与另外一个（或几个）分类型自变量之间关系的方法。

这里的分类型自变量就是我们的因子，而因子的水平就是分类型自变量可能的取值。

因此，对于方差分析可以类似于回归分析的方法在SPSS软件中输入数据。

一、单因子方差分析
以例7-1 中的数据为例，首先定义两个变量，变量Y代表零件强度，变量A代表因子A，分别用1, 2, 3代表因子A的三个水平甲，乙，丙工厂。

在SPSS定义变量、录入数据后如图7-5所示。

图7-5 数据录入
要进行单因子的方差分析，在“数据视图”窗口，依次点击：分析→比较均值→单因素ANOV A，得如图7-6所示对话框，在其中分别点击输入因变量和因子变量，点击确定后得图7-7所示方差分析表。

图7-7所示方差分析表的内容与第一节中表7-4的结构完全一致，因而也具有一致的结论，即拒绝因子A的三个水平均值都相等的原假设。

但是方差分析不能给出到底是哪两个水平的均值是不相等的。

要回答这个问题需要进一步进行多重比较分析。

图7-6方差分析对话框
图7-7方差分析结果
在图7-6方差分析对话框中点击“两两比较”按钮，会得到图7-8 两两比较对话框，两两比较的方法比较多，最常用的是Tukey的两两比较方法，勾选Tukey选项后，按继续→确定按钮后，得图7-9 多重比较的分析结果。

在5%的显著性检验下，因子A水平1和3之间以及水平2和3之间都有显著地差异，而水平1和2之间没有显著的差异。

图7-8 两两比较对话框
图7-9 多重比较的结果
二、双因素方差分析
以第一节中例7-4为例讲解如何用SPSS实现单变量的双因素方差分析。

在SPSS中，首先定义三个变量：因变量Y代表仔猪的体重增长量，变量A代表因素A（饲料）和变量B代表因素B（品种）。

分别用1，2，3代表因素A和因素B的三个不同的水平。

把表7-11的数据录入SPSS后的形式如图7-10所示。

图7-10 双因素分析的数据视图
要实现单变量的双因素方差分析，在“数据视图”中依次点击：分析→一般线性模型→单变量，的如图7-11所示的对话框。

在对话框中，点击输入因变量Y，固定因子一栏点击输入因子A和B，如图7-11所示。

再点击对话框右上端的模型选项，进行模型的设定：把左侧的因子A和B点击输入到右侧的模型框内，在“构建项类型”选择主效应（即不考虑交互效应），在“平方和类型”选项采用默认选项类型III，并且不勾选“在模型中包含截距”，如图7-12所示。

按继续→确定按钮后，得如图7-13所示的两因素方差分析结果。

图7-13 两因素方差分析结果，因素A的F值为5.2，其p值为7.7%>5%，说明因素A
（不同的饲料）对猪的体重增长无显著影响；而因素B的F值为90.0，其p值远小于5%，说明因素B（猪的品种）对猪体重增长的影响特别显著。

图7-11 双（多）因素分析对话框
图7-12 模型设定
图7-13 两因素方差分析结果。