实验二方差分析过程.pptxVIP

实验二方差分析过程;ONE —WAY ANOVA单因变量单因素。 广义线性模型：四个过程 1.Univariate过程：单因变量多因素。 2.Multivariate过程：多因变量多因素。 3.Repeated过程：重复测量数据时。 4.Variance Components过程：用于对层次数据拟合方差成分模型。;为什么不用单样本t检验？;方差分析是比较多组的总体均值是否相等的一种数据分析方法。 方差分析的目的是：判断分组是否有效。（检验均数（组间或变量间）差别是否具有统计意义）有效的分组应该是组间差距大，组内差距小，这是方差分析的判别依据,方差分析主要是将样本方差进行合理分解，比较数据的组间差异和组内差异，从而进行判断。;基本概念;方差分析（以H0假设成立的前提）条件;单因素方差分析的模型;单因素方差分析的假设检验;双因素方差分析的模型（一）;双因素方差分析的模型（二）;双因素方差分析有三个假设;方差分析概述 ;(二)基本思路 (1)入手点：检验控制变量的不同水平下，各总体的分布是否存在显著差异，进而判断控制变量是否对观测变量产生了显著影响。 (2)前提：不同水平下各总体服从方差相等的正态分布。 (3) H0：不同水平下,各总体均值无显著差异。即：不同水平下控制因素的影响不显著。 (4) 构造F统计量 因为：总变差=组间差异+组内差异 可证明：SST= SSA+SSE(设:k个水平) 考察平均的组间差异与平均的组内差异的比值（或方案间的方差与与所有方案内的方差之比），于是 (5)结论： F值较大，F值的相伴概率小于或等于用户给定的显著性水平α ，则拒绝H0，认为不同水平下各总体均值有显著差异; F值较小，F值的相伴概率大于用户给定的显著性水平α ，则不能拒绝H0，可以认为不同水平下各总体均值无显著差异。;一、单因素方差分析;单因素方差分析表;(三)应用举例 不同的施肥量是否对亩产量造成了显著影响 观测变量的数据安排 控制变量可以定义成定类或定序变量 观察方差分析表 不同推销方式是否对推销额有显著影响 观察方差分析表 (四)进一步的分析 前提的检验：各水平下方差齐性检验 实现方法： option中的statistics：Homogeneity-of-variance,检验各水平下各总体方差是否齐性。 H0：各??平下各总体方差无显著差异。;单因素方差分析中的多重比较 ;;单因素方差分析实现;;;;Equal Variances Assumed复选框;Sidak：也是从t检验修正而来的，和Bonfeeroni法非常相似，但比Bonfeeroni法保守。 TUKEY：即Tukey’s honestly signficant difference法（Tukey’s HSD）,同样采用Student Range分布统计量进行所有组间均值的两两比较。但与S-N-K法不同的是，它控制的是所有比较中最大的一类错误概率值不超过α水准。 Scheffe：当各组人数不相等，或者想进行复杂的比较时，用此法较为妥当。它检验的是各个均数的线性组合，而不是只检验某一对均数间的差异，并控制整体α水准等于0.05。但正因如此，它相对比较保守，有时方差分析F值有显著性，用该法两两比较却找不出差异来。 Dunnentt：将所有的处理组均数分别与指定的对照组均数比较，并控制所有比较中最大一类错误概率值不超过α水准，请注意该方法并不适用于完全两两比较的情况。选定此方法会激活下面的Control Category框。用于设定对照组及单双侧检验。;统计描述分析表;三组当前工资的方差齐性检验表;单因素方差分析表;组合比较的对照系数说明;组合对比检验结果;多重比较结果;二、无重复的双因素分析;无重复的双因素方差分析表;例：某公司对产品设计了4个种类的包装（用A、B、C、D表示），又设计了3种销售方案，对4种包装的该产品试销一个月，销售业绩数据如下（见H8无重双因包装销售），现在想知道：不同包装、不同销售方案，对销售业绩是否有显著差异？;无重复的双因素分析的SPSS实现;;变量标签;;;模型选择;Sum of squares列表框：用于选择方差分析模型进行变异分解的方法;输出结果;双因素方差分析摘要表;由于两因素的不同水平的不同组合中，至少有的效果之间，有显著差异。则应进一步确定有显著差异的水平。Contrasts：比较选项（用户自定义假设检验步骤：对均值进行比较的设置）;Options：估计边际均值（方差齐次性检验）post hoc：多重比较选项（方差齐与方差不齐检验方法的选项）;Univariate Analysis of Variance 方差分析结果（p值均小于0.05，所以在两因素的不同水平的不同组合中，至少有的效果之间，有显著差异。） ;Estima