单因素方差分析与多重比较

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。

如果认为输入的几组系数中有错误，可以分别单击“Previous”或“Next”按钮前后翻找出错的一组数据。单击出错的系数，该系数显示在编辑框中，可以在此进行修改，修改后单击“Change”按钮在系数显示框中出现正确的系数值。当在系数显示框中选中一个系数时，同时激话“Remove”按钮，单击该按钮将选中的系数清除。

④单击“Previous”或“Next”按钮显示输入的各组系数检查无误后，按“Continue”按钮确认输入的系数并返回到主对话框。要取消刚刚的输入，单击“Cancel”按钮；需要查看系统的帮助信息，单击“Help”按钮。

本例子不做多项式比较的选择,选择缺省值。

5）设置多重比较

在主对话框里单击“Post Hoc”按钮，将打开如图5-4所示的多重比较对话框。该对话框用于设置多重比较和配对比较。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；配对比较可找出和其它组均值有差异的组，并输出显著性水平为0.95的均值比较矩阵，在矩阵中用星号表示有差异的组。

图5-4 “Post Hoc Multiple Comparisons”对话框

(1)多重比较的选择项：

①方差具有齐次性时(Equal Variances Assumed)，该矩形框中有如下方法供选择：

LSD (Least-significant difference) 最小显著差数法，用t检验完成各组均值间的配对比较。对多重比较误差率不进行调整。

Bonferroni (LSDMOD) 用t检验完成各组间均值的配对比较，但通过设置每个检验的误差率来控制整个误差率。

Sidak 计算t统计量进行多重配对比较。可以调整显著性水平，比Bofferroni方法的界限要小。

Scheffe对所有可能的组合进行同步进入的配对比较。这些选择项可以同时选择若干个。以便比较各种均值比较方法的结果。

R-E-G-WF (Ryan-Einot-Gabriel-Welsch F) 用F检验进行多重比较检验。

R-E-G-WQ (Ryan-Einot-Gabriel-Welsch range test) 正态分布范围进行多重配对比较。

S-N-K (Student-Newmnan-Keuls) 用Student Range分布进行所有各组均值间的配对比较。如果各组样本含量相等或者选择了

“Harmonic average of all groups”即用所有各组样本含量的调和平均数进行样本量估计时还用逐步过程进行齐次子集(差异较

小的子集)的均值配对比较。在该比较过程中，各组均值从大到小按顺序排列，最先比较最末端的差异。

Tukey(Tukey's，honestly signicant difference) 用Student-Range统计量进行所有组间均值的配对比较，用所有配对比较误

差率作为实验误差率。

Tukey's-b用“stndent Range”分布进行组间均值的配对比较。其精确值为前两种检验相应值的平均值。

Duncan (Duncan's multiple range test) 新复极差法（SSR），指定一系列的“Range”值，逐步进行计算比较得出结论。

Hochberg's GT2用正态最大系数进行多重比较。

Gabriel用正态标准系数进行配对比较，在单元数较大时，这种方法较自由。

Waller-Dunca用t统计量进行多重比较检验,使用贝叶斯逼近。

Dunnett指定此选择项，进行各组与对照组的均值比较。默认的对照组是最后一组。选择了该项就激活下面的“Control

Category”参数框。展开下拉列表，可以重新选择对照组。

“Test”框中列出了三种区间分别为：

?“2-sides” 双边检验;

?“

?“>Conbo1”“右边检验。

②方差不具有齐次性时(Equal Varance not assumed)，检验各均数间是否有差异的方祛有四种可供选择：

Tamhane's T2, t检验进行配对比较。

Dunnett's T3，采用基于学生氏最大模的成对比较法。

Games-Howell，Games-Howell比较，该方法较灵活。

Dunnett's C，采用基于学生氏极值的成对比较法。

③ Significance 选择项，各种检验的显著性概率临界值，默认值为0.05，可由用户重新设定。

本例选择“LSD”和“Duncan”比较，检验的显著性概率临界值0.05。

6) 设置输出统计量

单击“Options”按钮，打开“Options”对话框，如图5-5所示。选择要求输出的统计量。并按要求的方式显示这些统计量。在该对话框中还可以选择对缺失值的处理要求。各组选择项的含义如下：

图5-5输出统计量的设置

“Statistics”栏中选择输出统计量:

Descriptive，要求输出描述统计量。选择此项输出观测量数目、均值、标准差、标准误、最小值、最大值、各组中每个因变量

的95％置信区间。

Fixed and random effects, 固定和随机描述统计量

Homogeneity-of-variance，要求进行方差齐次性检验，并输出检验结果。用“Levene lest ”检验，即计算每个观测量与其组均

值之差，然后对这些差值进行一维方差分析。

Brown-Forsythe 布朗检验

Welch,韦尔奇检验

Means plot，即均数分布图，根据各组均数描绘出因变量的分布情况。

“Missing Values”栏中，选择缺失值处理方法。

Exclude cases analysis by analysis选项，被选择参与分析的变量含缺失值的观测量，从分析中剔除。

Exclude cases listwise选项，对含有缺失值的观测量，从所有分析中剔除。

以上选择项选择完成后，按“Continue”按钮确认选择并返回上一级对话框；单击“Cancel”按钮作废本次选择；单击“Help”按钮，显示有关的帮助信息。

本例子选择要求输出描述统计量和进行方差齐次性检验，缺失值处理方法选系统缺省设置。

6）提交执行

设置完成后，在单因素方差分析窗口框中点击“OK”按钮，SPSS就会根据设置进行运算，并将结算结果输出到SPSS结果输出窗口中。

7) 结果与分析

输出结果：

表5-2描述统计量，给出了水稻品种分组的样本含量N、平均数Mean、标准差Std.Deviation、标准误Std.Error、95%的置信区间、最小值和最大值。

表5-3为方差齐次性检验结果，从显著性慨率看，p>0.05，说明各组的方差在a=0.05水平上没有显著性差异，即方差具有齐次性。这个结论在选择多重比较方法时作为一个条件。

表5-4方差分析表：第1栏是方差来源，包括组间变差“Between Groups”；组内变差“Within Groups”和总变差“Total”。第2栏是离差平方和“Sum of Squares”，组间离差平方和87.600，组内离差平方和为24.000，总离差平方和为111.600，是组间离差平方和与组内离差平方和相加之和。第3栏是自由度df，组间自由度为4，组内自由度为10；总自由度为14。第4栏是均方“Mean Square”，是第2栏与第3栏之比；组间均方为21.900，组内均方为2.400。第5栏是F值9.125（组间均方与组内均方之比）。第6栏：F值对应的概率值，针对假设H0：组间均值无显著性差异(即5种品种虫数的平均值无显著性差异)。计算的F值9.125，对应的概率值为0.002。

表5-5 LSD法进行多重比较表，从表5-4结论已知该例子的方差具有其次性，因此LSD方法适用。第1栏的第1列“[i]品种”为比较基准品种，第2列“[j]品种”是比较品种。第2栏是比较基准品种平均数减去比较品种平均数的差值（Mean Difference），均值之间具有0.05水平（可图5-4对话框里设置）上有显著性差异，在平均数差值上用“*”号表明。第3栏是差值的标准误。第4栏是差值检验的显著性水平。第5栏是差值的95%置信范围的下限和上限。

表5-6 是多重比较的Duncan法进行比较的结果。第1栏为品种，按均数由小到大排列。第2栏列出计算均数用的样本数。第3栏列出了在显著水平0.05上的比较结果，表的最后一行是均数方差齐次性检验慨率水平，p>0.05说明各组方差具有齐次性。

多重比较比较表显著性差异差异的判读：在同一列的平均数表示没有显著性差异，反之则具有显著性的差异。例如，品种3横向看，平均数显示在第3列“2”小列，与它同列显示的有品种2的平均数，说明与品种2差异不显著（0.05水平），再往右看，平均数显示在第3列“3”小列，与它同列显示的有品种4的平均数，说明与品种4差异不显著（0.05水平）。则品种3与品种5和品种1具有显著性的差异（0.05水平）。

品种3和品种4都显示有平均数值。

结果分析:

根据方差分析表输出的p值为0.002可以看出，无论临界值取0.05，还是取0.01，p值均小于临界值。因此否定Ho假设，水稻品种对稻纵卷叶螟幼虫抗虫性有显著性意义，结论是稻纵卷叶螟幼虫数量的在不同品种间有明显的不同。根据该结论选择抗稻纵卷叶螟幼虫水稻品种，犯错误的概率几乎为0.008。

只有在方差分析中F检验存在差异显著性时，才有比较的统计意义。

LSD法多重比较表明：

品种1与品种2、品种3和品种5之间存在显著性差异；

品种2与品种1和品种4之间存在显著性差异；

品种3与品种1和品种5之间存在显著性差异；

品种4与品种2和品种5之间存在显著性差异；

品种5与品种1、品种3和品种4之间存在显著性差异。Duncan法多重比较表明：

品种5与品种3、品种4和品种1之间存在显著性差异。

品种2与品种4和品种1之间存在显著性差异；

品种3与品种5和品种1之间存在显著性差异；

品种4与品种5和品种2之间存在显著性差异；

品种1与品种5、品种2和品种3之间存在显著性差异；两种方法比较结果一致。

用SPSS进行单因素方差分析报告和多重比较

SPSS——单因素方差分析 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

3 40 35 35 38 34 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。 。 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.

用SPSS进行单因素方差分析和多重比较

方差分析 方差分析可以用来检验来多个均值之间差异的显著性，可以看成是两样本t检验的扩展。统计学原理中涉及的方差分析主要包括单因素方差分析、两因素无交互作用的方差分析和两因素有交互作用的方差分析三种情况。虽然Excel可以进行这三种类型的方差分析，但对数据有一些限制条件，例如不能有缺失值，在两因素方差分析中各个处理要有相等的重复次数等；功能上也有一些不足，例如不能进行多重比较。而在方差分析方面SPSS的功能特别强大，很多输出结果已经超出了统计学原理的范围。 用SPSS检验数据分布的正态性 方差分析需要以下三个假设条件：（1）、在各个总体中因变量都服从正态分布；（2）、在各个总体中因变量的方差都相等；（3）、各个观测值之间是相互独立的。 在SPSS中我们很方便地对前两个条件进行假设检验。同方差性检验一般与方差分析一起进行，这一小节我们只讨论正态性的检验问题。 [例7.4] 检验生兴趣对考试成绩的影响的例子中各组数据的正态性。 在SPSS中输入数据（或打开数据文件），选择Analyze→Descriptive Statistics→Explore，在Explore对话框中将统计成绩作为因变量，兴趣作为分类变量（Fator），单击Plots按钮，选中“Histogram”复选框和“Normality plots with Test”，单击“Continue”按钮，在单击主对话框中的“OK”，可以得到分类别的描述统计信息。从数据的茎叶图、直方图和箱线图都可以对数据分布的正态性做出判断，由于这些内容前面已经做过讲解，这里就不再进一步说明了。 图7-2 用Expore过程进行正态性检验 top↑

方差分析与多重比较

75 第六章 方差分析 第五章所介绍的t 检验法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，但在生产和科学研究中经常会遇到比较多个处理优劣的问题，即需进行多个平均数间的差异显著性检验。这时，若仍采用t 检验法就不适宜了。这是因为： 1、检验过程烦琐 例如，一试验包含5个处理，采用t 检验法要进行2 5C =10次两两平均数的差异显著 性检验；若有k 个处理，则要作k (k-1)/2次类似的检验。 2、无统一的试验误差，误差估计的精确性和检验的灵敏性低 对同一试验的多个处理进行比较 时，应该有一个统一的试验误差的估计值。若用t 检验法作两两比较，由于每次比较需计算一个21x x S ，故使得各次比较误差的估计不统一，同时没有充分利用资料所提供的信息而使误差估计的精确性降低，从而降低检验的灵敏性。例如，试验有5个处理，每个处理重复6次，共有30个观测值。进行t 检验时，每次只能利用两个处理共12个观测值估计试验误差，误差自由度为2(6-1)=10；若利用整个试验的30个观测值估计试验误差，显然估计的精确性高，且误差自由度为5(6-1)=25。可见，在用t 检法进行检验时，由于估计误差的精确性低，误差自由度小，使检验的灵敏性降低，容易掩盖差异的显著性。 3、推断的可靠性低，检验的I 型错误率大 即使利用资料所提供的全部信息估计了试验误差，若用 t 检验法进行多个处理平均数间的差异显著性检验，由于没有考虑相互比较的两个平均数的秩次问题，因而会增大犯I 型错误的概率，降低推断的可靠性。 由于上述原因，多个平均数的差异显著性检验不宜用t 检验，须采用方差分析法。 方差分析(analysis of variance)是由英国统计学家R.A.Fisher 于1923年提出的。这种方法是将k 个处理的观测值作为一个整体看待，把观测值总变异的平方和及自由度分解为相应于不同变异来源的平方和及自由度，进而获得不同变异来源总体方差估计值；通过计算这些总体方差的估计值的适当比值，就能检验各样本所属总体平均数是否相等。方差分析实质上是关于观测值变异原因的数量分析，它在科学研究中应用十分广泛。 本章在讨论方差分析基本原理的基础上，重点介绍单因素试验资料及两因素试验资料的方差分析法。在此之前，先介绍几个常用术语。 1、试验指标(experimental index ) 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 性状或观测的项目称为试验指标。由于试验目的不同，选择的试验指标也不相同。在畜禽、水产试验中常用的试验指标有：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。 2、试验因素(experimental factor ) 试验中所研究的影响试验指标的因素叫试验因素。如研究如何提高 猪的日增重时，饲料的配方、猪的品种、饲养方式、环境温湿度等都对日增重有影响，均可作为试验因素来考虑。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。 3、因素水平(level of factor ) 试验因素所处的某种特定状态或数量等级称为因素水平，简称水平。如比 较3个品种奶牛产奶量的高低，这3个品种就是奶牛品种这个试验因素的3个水平；研究某种饲料中4种不同能量水平对肥育猪瘦肉率的影响，这4种特定的能量水平就是饲料能量这一试验因素的4个水平。因素水平用代表该因素的字母加添足标1，2，…，来表示。如A 1、A 2、…，B 1、B 2、…，等。 4、试验处理(treatment ) 事先设计好的实施在试验单位上的具体项目叫试验处理，简称处理。在单因素 试验中，实施在试验单位上的具体项目就是试验因素的某一水平。例如进行饲料的比较试验时，实施在试验单位(某种畜禽)上的具体项目就是喂饲某一种饲料。所以进行单因素试验时，试验因素的一个水平就是一个处理。在多因素试验中，实施在试验单位上的具体项目是各因素的某一水平组合。例如进行3种饲料和3个品种对猪日增

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。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，认为不同的分店对日营业额产生了显著影响，它对日营业额的影响效应不全为0。 因此，在α＝0.05的显著性水平下，“这五个分店的日营业额相同”这一假设不成立。 5.3、实验步骤： 1．建立数据文件。 定义3个变量：weight和method，分别表示幼苗干重（mg）和处理方式。将method 的值定义为1=HCI，2=丙酸，3=丁酸，4=对照。 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“，method”进入“因变量”列表框，选择变量“weight”进入“因子”列表框。在“两两比较”选项中选择LSD、Bonferroni 和Scheffe方法。

单因素方差分析和多因素方差分析简单实例

单因素方差分析实例 [例6-8]在1990 年秋对“亚运会期间收看电视的时间”调查结果如下表所示。 问：收看电视的时间比平日减少了（第一组）、与平日无增减（第二组）、比平日增加了（第三组）的三组居民在“对亚运会的总态度得分”上有没有显著的差异？即要检验从“态度”上看，这三组居民的样本是取自同一总体还是取自不同的总体 在SPSS 中进行方差分析的步骤如下： （1）定义“居民对亚运会的总态度得分”变量为X（数值型），定义组类变量为G（数 值型），G=1、2、3 表示第一组、第二组、第三组。然后录入相应数据，如图6-66所示 图6-66 方差分析数据格式 （2）选择[Analyze]=>[Compare Means]=>[One-Way ANOVA...]，打开[One-Way ANOVA]主对 话框（如图6-67所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G，单击按钮使之进入[Factor]框。单击[OK]按钮完成。

图6-67 方差分析对话框 （3）分析结果如下： 因此，收看电视时间不同的三个组其对亚运会的态度是属于三个不同的总体。 多因素方差分析 [例6-11]从由五名操作者操作的三台机器每小时产量中分别各抽取1 个不同时段的产 量，观测到的产量如表6-31所示。试进行产量是否依赖于机器类型和操作者的方差分析。

SPSS 的操作步骤为： （1）定义“操作者的产量”变量为X（数值型），定义机器因素变量为G1（数值型）、操作 者因素变量为G2（数值型），G1=1、2、3 分别表示第一、二、三台机器，G2=1、2、3、4、5 分别表示第1、2、3、4、5 位操作者。录入相应数据，如图6-68所示。 图6-68 双因素方差分析数据格式 （2）选择[Analyze]=>[General Linear Model]=>[Univariate...]，打开[Univariate]主对话框（如图6-69所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G1 和G2，单击按钮使之进入[Fixed Factor(s)]框。单击[OK]按钮

单因素实验设计报告

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12.6 88，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。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，认为不同的分店对日营业额产生了显著影响，它对日营业额的影响效应不全为0。 因此，在α,0.05的显著性水平下，“这五个分店的日营业额相同”这一假设不成立。 5.3、实验步骤: 1(建立数据文件。 定义3个变量:weight和method，分别表示幼苗干重(mg)和处理方式。将method的值定义为1=HCI，2=丙酸，3=丁酸，4=对照。 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“，method”进入“因变量”列表框，选择变量“weight”进入“因子”列表框。在“两两比较”选项中选择LSD、Bonferroni和Scheffe方法。 3(单击“确定”按钮，得到输出结果。

单因素方差分析与多重比较

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。

单因素方差分析

综合性课程设计 题目: 某校学生成绩单因素 方差分析 学院：理学院 班级：统计13-2班 学生姓名：黄克韬胡远亮贺鹏杰 学生学号： 27 23 24 指导教师：姚君 2016年 12月 1日

课程设计任务书

目录 摘要.................................................... I 1 问题重述 (1) 2 模型假设 (3) 3 模型建立 (4) 3.1 单因素方差分析前提条件 (4) 3.2 单因素方差分析步骤 (5) 3.3 模型推导 (9) 4 模型求解 (12) 4.1 做出直方图 (12) 4.2 做假设检验 (15) 4.3 检验原假设 (17) 4.4 计算平方和 (19) 4.5 比较F值和临界值 (20) 5 模型检验 (20) 6 模型评价 (27) 7 结论与体会 (28) 8 参考文献 (29) 9 源程序 (30)

摘要 方差分析用于多个样本均数差别的显著性检验。它的基本思想是通过分析研究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。本文研究学生成绩与课设等级之间的关系，其中可明确观测变量为学生成绩，控制变量为课设等级。由于仅研究单个因素（课设等级）对观测变量（学生成绩）的影响，因此称为单因素方差分析。 本文利用了假设检验和方差分析来对学生成绩进行分析，首先对学生汇编成绩的分布进行假设，其次利用皮尔逊2 对所得的分步进行检验，结合spss数据处理软件求出想要得到的结果，最后用单因素的方差分析判断学生汇编课设等级对学生汇编成绩的影响，从而得出汇编成绩与学生人数之间呈正态分布，学生汇编课设等级对学生汇编成绩有着显著影响。 关键词：假设检验；单因素方差分析；Spss、卡方检验

实验报告6_单因素方差分析

实验六 单因素方差分析 实验目的： 1.掌握单因素方差分析的理论与方法； 2. 掌握利用SAS 进行模型的建立与显著性检验，解决有关实际应用问题. 实验要求:编写程序，结果分析． 实验内容： 1.写出单因素方差分析模型的步骤，平方和分解公式； 解： 一、单因素方差分析模型的步骤： (1) MODEL 因变量名称＝因素效应语句 ，即单因素模型：Model Y=A ； (2) MEANS 因素效应/选项 语句 选项部分：可以是下列选项 1）T （或LSD ）：对effects 列出的各因素在不同水平上的均值进行两两比较的t 检验各 2）BON ：对effects 列出的各因素在其不同水平上的均值进行Bonferroni 同时两两比较t 检验 4）CLDIFF ：输出effects 中列出的各因素在不同水平上的两两均值之差的置信区间 5）CLM ：要求输出“effects ”中列出的各因素在其不同水平上的均值的置信区间 二、平方和分解公式: 各ij y 间总的差异大小可用总（偏差）平方和T SS 表示： ∑∑==-=a i n j ij T i y y SS 11 2)( 随机误差引起的数据间的差异可以用组内偏差平方和表示，也称误差（偏差）平方和E SS ： ∑=?-=a i i i A y y n SS 1 2)( 由于组间偏差除了随机误差外，还反映了效应的差异，故由于效应不同引起

的数据差异可以用组间偏差平方和表示，也称因素A 的（偏差）平方和A SS ： ∑∑==?-=a i n j i ij E i y y SS 11 2)( 将表示总偏差的平方和进行分解： A E i a i i a i n j i ij i a i n j i ij a i n j i a i n j i ij a i n j i i ij a i n j ij T SS SS y y n y y y y y y y y y y y y y y y y SS i i i i i i +=-+-=--+-+-=-+-=-=?===??==?==?==?==??==∑∑∑∑∑∑∑∑∑∑∑∑∑2 1 11 2 11 112 112 112 112 )()()()(2)()()()( (3.5) 其中 y y y y i a i n j i ij i --?==?∑∑()(11 ）＝)[(1 ∑=?-a i i y y ])(1∑=?-i n j i ij y y 0))((1 =--=??=?∑i i i i a i i y n y n y y ， 即：总平方和=误差平方和+因素平方和 2.3.4 3.5（选作） 3.4 程序： data examp3_4; input chj $ delv @@; cards ; a1 0.88 a1 0.85 a1 0.79 a1 0.86 a1 0.85 a1 0.83 a2 0.87 a2 0.92 a2 0.85 a2 0.83 a2 0.90 a2 0.80 a3 0.84 a3 0.78 a3 0.81

单因素方差分析和多因素方差分析简单实例 (1)

百度文库- 让每个人平等地提升自我 单因素方差分析实例 [例6-8]在1990 年秋对“亚运会期间收看电视的时间”调查结果如下表所示。 问：收看电视的时间比平日减少了（第一组）、与平日无增减（第二组）、比平日增加了（第三组）的三组居民在“对亚运会的总态度得分”上有没有显著的差异？即要检验从“态度”上看，这三组居民的样本是取自同一总体还是取自不同的总体 在SPSS 中进行方差分析的步骤如下： （1）定义“居民对亚运会的总态度得分”变量为X（数值型），定义组类变量为G（数 值型），G=1、2、3 表示第一组、第二组、第三组。然后录入相应数据，如图6-66所示 图6-66 方差分析数据格式 （2）选择[Analyze]=>[Compare Means]=>[One-Way ANOVA...]，打开[One-Way ANOVA]主对 话框（如图6-67所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G，单击按钮使之进入[Factor]框。单击[OK]按钮完成。 图6-67 方差分析对话框 （3）分析结果如下： 因此，收看电视时间不同的三个组其对亚运会的态度是属于三个不同的总体。 多因素方差分析 [例6-11]从由五名操作者操作的三台机器每小时产量中分别各抽取1 个不同时段的产 量，观测到的产量如表6-31所示。试进行产量是否依赖于机器类型和操作者的方差分析。SPSS 的操作步骤为： （1）定义“操作者的产量”变量为X（数值型），定义机器因素变量为G1（数值型）、操作 者因素变量为G2（数值型），G1=1、2、3 分别表示第一、二、三台机器，G2=1、2、3、4、5 分别表示第1、2、3、4、5 位操作者。录入相应数据，如图6-68所示。 图6-68 双因素方差分析数据格式 （2）选择[Analyze]=>[General Linear Model]=>[Univariate...]，打开[Univariate]主对话框（如图6-69所示）。从主对话框左侧的变量列表中选定X，单击按钮使之进入[Dependent List]框，再选定变量G1 和G2，单击按钮使之进入[Fixed Factor(s)]框。单击[OK]按钮 图6-69 单变量多因素方差分析主对话框 （3）分析结果如下： 因此，可以认为机器类型和操作者的影响均是显著的。 1

SPSS——单因素方差分析报告详解

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 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。

单因素方差分析完整实例知识讲解

单因素方差分析完整 实例

什么是单因素方差分析 单因素方差分析是指对单因素试验结果进行分析，检验因素对试验结果有无显著性影响的方法。 单因素方差分析是两个样本平均数比较的引伸，它是用来检验多个平均数之间的差异，从而确定因素对试验结果有无显著性影响的一种统计方法。 单因素方差分析相关概念 ●因素：影响研究对象的某一指标、变量。 ●水平：因素变化的各种状态或因素变化所分的等级或组别。 ●单因素试验：考虑的因素只有一个的试验叫单因素试验。 单因素方差分析示例[1] 例如，将抗生素注入人体会产生抗生素与血浆蛋白质结合的现象，以致减少了药效。下表列出了5种常用的抗生素注入到牛的体内时，抗生素与血浆蛋白质结合的百分比。现需要在显著性水平α = 0.05下检验这些百分比的均值有无显著的差异。设各总体服从正态分布，且方差相同。

在这里，试验的指标是抗生素与血浆蛋白质结合的百分比，抗生素为因素，不同的5种抗生素就是这个因素的五个不同的水平。假定除抗生素这一因素外，其余的一切条件都相同。这就是单因素试验。试验的目的是要考察这些抗生素与血浆蛋白质结合的百分比的均值有无显著的差异。即考察抗生素这一因素对这些百分比有无显著影响。这就是一个典型的单因素试验的方差分析问题。 单因素方差分析的基本理论[1] 与通常的统计推断问题一样，方差分析的任务也是先根据实际情况提出原假设H0与备择假设H1，然后寻找适当的检验统计量进行假设检验。本节将借用上面的实例来讨论单因素试验的方差分析问题。

在上例中，因素A（即抗生素）有s（=5）个水平，在每一个水平 下进行了n j = 4次独立试验，得到如上表所示的结果。这些结果是一个随机变量。表中的数据可以看成来自s个不同总体（每个水平对应一个总体）的样本值，将各个总体的均值依次记为,则按题意需检验假设 不全相等 为了便于讨论，现在引入总平均μ 其中： 再引入水平A j的效应δj 显然有，δj表示水平A j下的总体平均值与总平均的差异。 利用这些记号，本例的假设就等价于假设 不全为零 因此，单因素方差分析的任务就是检验s个总体的均值μj是否相等，也就等价于检验各水平A j的效应δj是否都等于零。 2. 检验所需的统计量 假设各总体服从正态分布，且方差相同，即假定各个水平下的样本来自正态总体N(μj,σ2)，μj与σ2未知，且设不同水平A j下的样本

第八章方差分析与回归分析

第八章 方差分析与回归分析 一、教材说明 本章内容包括：方差分析,多重比较,方差齐性检验,一元线性回归,一元非线性回归.主要讲述方差分析和一元线性回归两节内容. 1、教学目的与教学要求 (1)了解方差分析的统计模型，掌握平方和的分解，熟悉检验方法和参数估计，会解决简单的实际问题. （2）了解效应差的置信区间的求法，了解多重比较问题，掌握重复数相等与不相等场合的方法，会解决简单的实际问题. （3）熟练掌握Hartley 检验，Bartlett 检验以及修正的Bartlett 检验三种检验方法，会解决简单的实际问题. （4）理解变量间的两类关系，认识一元线性和非线性回归模型，熟悉回归系数的估计方法，熟练掌握回归方程的显著性检验.能用R 软件来进行回归分析，会解决简单的实际问题. 2、本章的重点与难点 本章的重点是平方和的分解，检验方法和参数估计、重复数相等与不相等场合的方法、检验方法的掌握，回归系数的估计方法，回归方程的显著性检验，难点是检验方法和参数估计，重复数相等与不相等场合的方法. 实际问题的检验，回归方程的显著性检验. 二、教学内容 本章共分方差分析,多重比较,方差齐性检验,一元线性回归,一元非线性回归等5节来讲述本章的基本内容. § 方差分析 教学目的：了解方差分析的统计模型，掌握平方和的分解，熟悉检验方法和参数估计,会 解决简单的实际问题. 教学重点：平方和的分解，检验方法和参数估计 教学难点：检验方法和参数估计 教学内容： 本节包括方差分析问题的提出,单因子方差分析的统计模型,平方和分解,检验方法,参数估计,重复数不等情形. 问题的提出 在实际工作中经常会遇到多个总体均值的比较问题，处理这类问题通常采用方差分析方法. 例 单因子方差分析的统计模型 在例中，我们只考察一个因子，称为单因子试验.记因子为A ，设其有r 个水平，记为 1r A , ,A ，在每一水平下考察的指标可看做一个总体，故有r 个总体，假定 （1）每一总体均为正态总体，记为2 i i N(,)μσ，i 1,2,,r =； （2）各总体方差相同，即22 2212r σσσσ== ==

单因素方差分析完整实例(精编文档).doc

【最新整理，下载后即可编辑】 什么是单因素方差分析 单因素方差分析是指对单因素试验结果进行分析，检验因素对试验结果有无显著性影响的方法。 单因素方差分析是两个样本平均数比较的引伸，它是用来检验多个平均数之间的差异，从而确定因素对试验结果有无显著性影响的一种统计方法。 单因素方差分析相关概念 ●因素：影响研究对象的某一指标、变量。 ●水平：因素变化的各种状态或因素变化所分的等级或组别。 ●单因素试验：考虑的因素只有一个的试验叫单因素试验。 单因素方差分析示例[1] 例如，将抗生素注入人体会产生抗生素与血浆蛋白质结合的现象，以致减少了药效。下表列出了5种常用的抗生素注入到牛的体内时，抗生素与血浆蛋白质结合的百分比。现需要在显著性水平α = 0.05下检验

这些百分比的均值有无显著的差异。设各总体服从正态分布，且方差相同。 在这里，试验的指标是抗生素与血浆蛋白质结合的百分比，抗生素为因素，不同的5种抗生素就是这个因素的五个不同的水平。假定除抗

生素这一因素外，其余的一切条件都相同。这就是单因素试验。试验的目的是要考察这些抗生素与血浆蛋白质结合的百分比的均值有无显著的差异。即考察抗生素这一因素对这些百分比有无显著影响。这就是一个典型的单因素试验的方差分析问题。 单因素方差分析的基本理论[1] 与通常的统计推断问题一样，方差分析的任务也是先根据实际情况提出原假设H0与备择假设H1，然后寻找适当的检验统计量进行假设检验。本节将借用上面的实例来讨论单因素试验的方差分析问题。 在上例中，因素A（即抗生素）有s（=5）个水平，在每一个水平下进行了n j = 4次独立试验，得到如上表所示的结果。这些结果是一个随机变量。表中的数据可以看成来自s 个不同总体（每个水平对应一个总体）的样本值，将各个总体的均值依次记为,则按题意需检验假设 不全相等 为了便于讨论，现在引入总平均μ

第8讲单因素方差分析与多重比较

方差分析 方差分析(analysis of variance ), 简称ANOV A，由英国统计学家R.A.Fisher首先提出，后人为纪念Fisher ，以F命名方差分析的统计量，故方差分析又称F检验。 样本均数的差异，可能有两种原因所致。首先可能由随机误差所致随机误差包括两种成分：个体间的变异和测量误差两部分；其次可能是由于各组所接受的处理不同，不同的处理引起不同的作用和效果，导致各处理组之间均数不同。一般来说，个体之间各不相同，是繁杂的生物界的特点；测量误差也是不可避免的，因此第一种原因肯定存在。而第二种原因是否存在，这正是假设检验要回答的问题。 方差分析的基本思想是将所有观察值之间的变异（称总变异）按设计和需要分解成几部分。如完全随机设计资料的方差分析，将总变异分解为处理间变异和组内变异两部分，后者常称为误差。将各部分变异除以误差部分，得到统计量F值，并根据F值确定P值作推断。 由于方差分析是根据实验设计将总变异分成若干部分，因此设计时考虑的因素越多，变异划分的越精细，各部分变异的涵义越清晰明确，结论的解释也越容易，同时由于变异划分的精细，误差部分减小，提高了检验的灵敏度和结论的准确性。 方差分析可用于： （1）两个或多个样本均数间的比较 （2）分析两个或多个因素的交互作用

（3）回归方程的假设检验 （4）方差齐性检验 多个样本均数间比较的方差分析应用条件为： （1）各样本必须是相互独立的随机样本（独立性） （2）各样本均来自正态总体（正态性） （3）相互比较的各样本的总体方差相等（方差齐性） 一、完全随机设计的方差分析 医学实验中，根据某一实验因素，用随机的方法，将受试对象分配到各组，各组分别接受不同的处理后，观察各种处理的效果，比较各组均数之间有无差别。临床研究中，还可能遇到：比较几种不同疗法治疗某种疾病后某指标的变化，以评价它们的疗效；或比较某种疾病不同类型之间某一指标有无差别等。这些都是一个因素不同水平（或状态）间几个样本均数的比较，可用单因素的方差分析（one-way ANOV A）来处理此类资料。

spss 单因素方差分析例子

第一题：data0706-nutrition为地衣(lichen)、树叶成叶和嫩叶的蛋白质和可溶性碳水化合物(water soluble carbohydrate)的含量，先分析三者之间蛋白质的含量有无差异？如果有差异，具体是怎么差异的？再可溶性碳水化合物的含量有无差异？如果有差异，具体怎么差异？ （1）地衣(lichen)、树叶成叶和嫩叶的蛋白质的含量差异分析； 第一步：导出变量items和protein，以便删除protein中缺失数据。

第二步：打开导出数据data0706-nutrition1，先排序，然后删除缺失数据。 第三步：对data0706-nutrition1数据的正态性、异常值和极值、方差齐性进行检验，对数据做一个检查，Analyze->Descriptive Statistics->Explore；

首先：如上图，把要检验的变量protein送入Dependent List，把分组变量（因素变量）items送入Factor List。 其次：如下图，点击Plots打开：选择Factor Levels together、Stem-and-leaf、Histogram、Normality plots with tests，下方Spread vs Level with Levene Test可以提供方差齐性的检验，选择Untransformed（不对数据进行转换）。 输出结果： 第一组是尽管sig=0.935，但由于样本数太小，正态一般；第二组正态性不好。第三组中，p较小，也只是近似正态。 基于平均数的计算(Based on Mean)，各组方差有差异(p=0.044)。

MATLAB进行单因素方差分析—ANOVA

MATLAB进行单因素方差分析—ANOVA 方差分析的目的是确定因素的不同处理（方法、变量）下，响应变量（类别、结果）的均值是否有显著性差异。 方差分析用于两个或者两个以上因素样本均值的检验问题，如果直接使用假设检验的方法进行检验，那么需要对两两变量进行假设检验，如果有r个变量，需要进行的检验数量为r*(r-1)个，计算量相当庞大。对此，R.A. Fisher提出一种基于总误差分解分析的方法对所有样本的误差量分解为随机误差（组内的波动误差）和条件误差（组间的、由不同因素或者不同处理造成的误差），分别表示为SSE和SSA，总误差为SST，那么，SST=SSE+SSA。 由随机误差和波动误差构造F统计量对样本均值进行检验的过程，称之为方差分析（Analysis of Variance, ANOVA）。使用常用的统计工具可以方便的进行方差分析，并给出方差分析表。 方差分析表如有如下格式，可以一目了然的获得关于样本总误差分配情况以及所构造的统计量大小、检验显著性等。 方差分析的前提是以下两个假设： （1）正态性假设； （2）方差齐性假设； 第一个假设即各变量服从正态分布，可以通过一般的正态性检验方法进行检验，这里不再赘述；主要关注一下方差齐性检验，所谓方差齐性，也即方差分析是针对方差一致的情况下，检验样本均值是否一致。因此，所使用样本首先要通过方差齐性检验，其H0假设即为所有样本的样本方差相等。 为检验该假设，Bartlett提出了一种卡方检验方法，所构造统计量服从自由度为r-1的卡方分布，r为变量个数。 其检验的思想是，首先求出各个样本的样本方差，然后得到样本方差的算术平均值和几何平均值，那么，几何平均值<=算术平均值（GMSSE& lt;=MSSE），当所有样本方差相等时，取等号。因此，MSSE/GMSSE比较大时，说明H0假设不

EXCEL单因素方差分析

E X C E L单因素方差分析 Document serial number【NL89WT-NY98YT-NC8CB-NNUUT-NUT108】

用Excel进行数据分析：单因素方差分析 什么是方差分析？什么又是单因素方差分析？ 方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”或“F检验”，是R.A.Fister发明的，用于两个及两个以上样本均数差别的显着性检验。 一个复杂的事物，其中往往有许多因素互相制约又互相依存。方差分析的目的是通过数据分析找出对该事物有显着影响的因素，各因素之间的交互作用，以及显着影响因素的最佳水平等。方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。 单因素方差分析，顾名思义，就是基于一个因素分组研究，比较该因素的效应。 一、应用场景 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。 下面我们用一个简单的例子来说明方差分析的基本思想： 如某克山病区测得11例克山病患者和13名健康人的血磷值（mmol/L）如下： |患者：0.84 1.05 1.20 1.20 1.39 1.53 1.67 1.80 1.87 2.07 2.11 健康人：0.54 0.64 0.64 0.75 0.76 0.81 1.16 1.20 1.34 1.35 1.48 1.56 1.87 问该地克山病患者与健康人的血磷值是否不同？ 二、操作步骤 1、选中数据，点击功能区数据—>数据分析—>方差分析：单因素方差分析 注：本操作需要使用Excel扩展功能，如果您的Excel尚未安装数据分析，可以参考该专题文章的第一篇《》。 2、在弹出的选项框里面，进行如下设置 3、点击确认，得到如下结果 从以上资料可以看出，24个患者与健康人的血磷值各不相同，如果用离均差平方和（SS）描述其围绕总均数的变异情况，则总变异有以下两个来源： 组内变异，即由于随机误差的原因使得各组内部的血磷值各不相等； 组间变异，即由于克山病的影响使得患者与健康人组的血磷值均数大小不等。 而且：SS总=SS组间+SS组内 v总=v组间+v组内 如果用均方（即自由度v去除离均差平方和的商）代替离均差平方和以消除各组样本数不同的影响，则方差分析就是用组内均方去除组间均方的商（即F值）与1相比较，若F值接近1，则说明各组均数间的差异没有统计学意义，若F值远大于1，则说明各组均数间的差异有统计学意义。实际应用中检验假设成立条件下F值大于特定值的概率可通过查阅F界值表（方差分析用）获得。

三因素混合方差分析事后简单效应多重比较语法

概念笔记 Main effect 一个因素的独立效应，即其不同水平引起的方差变异。三因素的实验有三个主效应。把某一因素的一个水平同该因素的其他水平比较，不考虑其他因素。 Interaction 多个因素的联合效应，A因素的作用受到B因素的影响，即有交互——two-way interaction. 当一因素作用受到另外两个因素影响，即三因素交互three-way interaction. 重复测量一个因素的三因素混合设计3*2*2的混合设计 A3*B2*R2 【A, B为被试间因素】 需要分析的有—— A, B, R 各自主效应 二重交互作用，A*B, A*R, B*R 三重交互作用，A*B*C 结果发现， A, B为被试间因素，交互作用SIG 当二重交互作用SIG，需要进行simple effect检验。A因素水平在B因素某一水平上的变异。A在B1水平上的简单效应 A在B2水平上的简单效应 B在A1水平上的简单效应 B在A2水平上的简单效应 B在A3水平上的简单效应 如果三重交互作用SIG，需要进行三因素的简单简单效应分析simple simple effect. 某一因素的水平在另外两个因素的水平结合上的效应 在A1B1水平结合上，R1 与R2 差异 在A1B2水平结合上，R1 与R2 差异 在A2B1水平结合上，R1 与R2 差异 在A2B2水平结合上，R1 与R2 差异 在A3B1水平结合上，R1 与R2 差异 在A3B2水平结合上，R1 与R2 差异

重复测量方差分析之后，如果三重交互作用显著，需要编辑语法， 得出三个因素各自的简单效应 某一因素在其他两个因素的某一实验条件内的简单效应检验 三因素重复测量方差分析对应的会有3种简单效应检验结果 SPSS在输出简单效应检验结果的同时，也会报告多重比较结果，会有更直观的对比结果。 如果三重交互作用SIG，需要进行简单简单效应检验。 固定某两个因素水平组合，考察研究者最感兴趣的那个变量的效应。 MANOV A R1 R2 BY A(1,3) B(1,2) /WSFACTORS=R(2) /PRINT=CELLINFO(MEANS) /WSDESIGN /DESIGN /WSDESIGN=R /DESIGN=MWITHIN B(1) WITHIN A(1) MWITHIN B(2) WITHIN A(1) MWITHIN B(1) WITHIN A(2) MWITHIN B(2) WITHIN A(2) MWITHIN B(1) WITHIN A(3) MWITHIN B(2) WITHIN A(3) 上述语法内容是检验被试内变量R在被试间变量A, B 上的简单简单效应。 如果想检验某一被试间变量A在被试内变量R和另一个被试间变量B上的简单简单效应MANOV A R1 R2 BY A(1,3) B(1,2) /WSFACTORS=R(2) /PRINT=CELLINFO(MEANS) /WSDESIGN /DESIGN /WSDESIGN=MWITHIN C(1) MWITHIN C(2) /DESIGN=A WITHIN B(1) A WITHIN B(2)