第6章 方差分析与试验设计 会计学2011级 主讲：王红娜

本章内容 6.1 方差分析引论 6.2 单因素方差分析 6.3 方差分析中的多重比较 6.4 试验设计初步

6.1教学目标 理解方差分析及其相关术语 理解方差分析的基本思想和原理 理解方差分析的三个基本假定 掌握方差分析问题中假设的一般提法

6.1 方差分析的引论 方差分析及其有关术语 一 二 方差分析的基本思想和原理 方差分析中的基本假定 三 问题的一般提法 四 转到6.2

一、方差分析及其有关术语 方差分析是20世纪30年代发展起来的一种统计方法，被广泛应用于心理学、生物学、工程和医药的实验数据。 从形式上看，方差分析是检验多个总体均值是否相等，但在本质上，它所研究的是变量之间的关系。它通过检验各总体的均值是否相等来判断分类型自变量对数值型自变量是否有显著影响。

什么是方差分析？(例题分析) 为了对几个行业的服务质量进行评价，消费者协会在四个行业分别抽取了不同的企业作为样本。最近一年中消费者对总共23家企业投诉的次数如下表： 消费者对四个行业的投诉次数 观测值 行业 零售业 旅游业 航空公司 家电制造业 1 57 68 31 44 2 66 39 49 51 3 29 21 65 4 40 45 34 77 5 56 58 6 53 7

分析四个行业之间的服务质量是否有显著差异，也就是要判断“行业”对“投诉次数”是否有显著影响。 作出这种判断最终被归结为检验这四个行业被投诉次数的均值是否相等。 若它们的均值相等，则意味着“行业”对投诉次数是没有影响的，即它们之间的服务质量没有显著差异；若均值不全相等，则意味着“行业”对投诉次数是有影响的，它们之间的服务质量应该有显著差异。

什么是方差分析(ANOVA)？ 检验多个总体均值是否相等 研究一个或多个分类型自变量对一个数值型因变量的影响 方差分析的分类 通过分析数据的误差判断各总体均值是否相等 研究一个或多个分类型自变量对一个数值型因变量的影响 方差分析的分类 单因素方差分析：涉及一个分类型自变量 双因素方差分析：涉及两个分类型自变量

方差分析中的有关术语 因素或因子(factor) 水平或处理(treatment) 观测值 所要检验的对象 因素的具体表现 要分析行业对投诉次数是否有影响，行业是要检验的因素或因子 水平或处理(treatment) 因素的具体表现 零售业、旅游业、航空公司、家电制造业就是因素的水平 观测值 在每个因素水平下得到的样本数据 每个行业被投诉的次数就是观测值

试验 总体 样本数据 这里只涉及一个因素，因此称为单因素四水平的试验 因素的每一个水平可以看作是一个总体 比如零售业、旅游业、航空公司、家电制造业可以看作是四个总体 样本数据 被投诉次数可以看作是从这四个总体中抽取的样本数据 返回6.1目录

二、方差分析的基本思想和原理

“行业”与“被投诉次数”之间有一定的关系 从散点图上可以看出 不同行业被投诉的次数是有明显差异的 家电制造被投诉的次数较高，航空公司被投诉的次数较低 同一个行业，不同企业被投诉的次数也明显不同 零售业被投诉的次数最高66次，最低34次 “行业”与“被投诉次数”之间有一定的关系 如果行业与被投诉次数之间没有关系，那么它们被投诉的次数应该相差不大，在散点图上所呈现的模式也就应该很接近

方差分析的基本思想和原理 仅从散点图上观察还不能提供充分的证据证明不同行业被投诉的次数之间有显著差异 这种差异也可能是由于抽样的随机性所造成的 需要有更准确的方法来检验这种差异是否显著，也就是进行方差分析

之所以叫方差分析，因为虽然我们感兴趣的是均值，但在判断均值之间是否有差异时则需要借助于方差。 这个名字也表示：它是通过对数据误差来源的分析来判断不同总体的均值是否相等。因此，进行方差分析时，需要考察数据误差的来源。

方差分析中的两类误差 随机误差 系统误差 因素的同一水平(总体)下，各观测值之间的差异 比如，同一行业下不同企业被投诉次数是不同的 这种差异可以看成是随机因素的影响，或者说是抽样的随机性造成的，称为随机误差 系统误差 因素的不同水平(总体)下，各观测值之间也存在差异。这种差异可能是由于抽样的随机性造成的，也可能是由于行业本身造成的，后者所形成的误差是由系统性因素造成的，称为系统误差。 比如，不同行业之间的被投诉次数之间的差异

方差分析就是要比较这两类误差，以检验均值是否相等。 比较的基础是方差比，也称为均方。 如果系统误差明显地不同于随机误差，则均值就是不相等的；反之，均值就是相等的。 误差是由两种误差分别占总误差的比例来测度的。

方差分析中的两类方差 数据的误差用平方和(sum of squares)表示 组内误差(within groups) 因素的同一水平(同一个总体)下样本数据的误差 比如，零售业被投诉次数的误差 组内误差只包含随机误差 组间误差(between groups) 因素的不同水平(不同总体)下各样本之间的误差 比如，四个行业被投诉次数之间的误差 组间误差既包括随机误差，也包括系统误差

两类误差的比较 若不同行业对投诉次数没有影响，则组间误差中只包含随机误差，没有系统误差。这时，组间误差与组内误差经过平均后的数值就应该很接近，它们的比值就会接近1。 若不同行业对投诉次数有影响，组间误差除了包含随机误差外，还会包含系统误差，这时组间误差平均后的数值就会大于组内误差平均后的数值，它们之间的比值就会大于1。

当这个比值大到某种程度时，就可以说不同水平之间存在着显著差异，也就是自变量对因变量有影响 判断行业对投诉次数是否有显著影响，实际上也就是检验被投诉次数的差异主要是由什么原因所引起的。 如果这种差异主要是系统误差，说明不同行业对投诉次数有显著影响。 返回6.1目录

三、方差分析的基本假定 每个总体都应服从正态分布 各个总体的方差 𝜎 2 必须相同 观测值是独立的 对于因素的每一个水平，其观察值是来自服从正态分布总体的简单随机样本 比如，每个行业被投诉的次数必须服从正态分布 各个总体的方差 𝜎 2 必须相同 各组观测数据是从具有相同方差的总体中抽取的 比如，四个行业被投诉次数的方差都相等 观测值是独立的 比如，每个行业被投诉的次数与其他行业被投诉的次数独立

在上述假定条件下，判断自变量（行业）对因变量（投诉次数）是否有显著影响，实际上也就是检验具有同方差的四个正态总体的均值是否相等 如果四个总体的均值相等，可以期望四个样本的均值也会很接近 四个样本的均值越接近，推断四个总体均值相等的证据也就越充分 四个样本的样本均值越不同，推断总体均值不同的证据就越充分

如果原假设成立，即 𝐻 0 ： 𝜇 1 = 𝜇 2 = 𝜇 3 = 𝜇 4 =𝜇为真，即四个行业被投诉次数的均值都相等，则意味着每个样本都来自均值为𝜇、方差为 𝜎 2 的同一正态总体。

若备择假设成立，即 𝐻 1 ： 𝜇 𝑖 (𝑖=1,2,3,4)不全相等，即四个行业中至少有一个总体的均值是不同的，则意味着四个样本分别来自均值不同的四个正态总体，应该有四个不同的抽样分布。这种情况下，各样本均值也不像 𝐻 0 为真时那样接近了。 返回6.1目录

四、问题的一般提法 设因素有𝑘个水平，每个水平的均值分别用 𝜇 1 ， 𝜇 2 ，⋯， 𝜇 𝑘 表示，要检验𝑘个水平(总体)的均值是否相等，需要提出如下假设： 𝑯 𝟎 ： 𝝁 𝟏 = 𝝁 𝟐 =⋯= 𝝁 𝒌 𝐇 𝟏 ： 𝝁 𝟏 ， 𝝁 𝟐 ，⋯， 𝝁 𝒌 不全相等 设 𝜇 1 、 𝜇 2 、 𝜇 3 、 𝜇 4 分别为零售业、旅游业、航空公司、家电制造业被投诉次数的均值，提出假设： 𝑯 𝟎 ： 𝝁 𝟏 = 𝝁 𝟐 = 𝝁 𝟑 = 𝝁 𝟒 𝐇 𝟏 ： 𝝁 𝟏 ， 𝝁 𝟐 ， 𝝁 𝟑 ， 𝝁 𝟒 不全相等 返回6.1目录

6.2教学要求 了解单因素方差分析的数据结构 掌握单因素方差分析的步骤 会用Excel进行方差分析 掌握方差分析中的多重比较

6.2 单因素方差分析 数据结构 一 二 分析步骤 用Excel进行方差分析 三 四 方差分析中的多重比较 转到6.3

一、数据结构 用𝐴表示因素 观察值(𝒋) 因素𝒊 水平 𝐴 1 水平 𝐴 2 ⋯ 水平 𝐴 𝑘 1 𝑥 11 𝑥 21 𝑥 𝑘1 2 𝑥 12 𝑥 22 𝑥 𝑘2 ⋮ 𝑛 𝑥 1𝑛 𝑥 2𝑛 𝑥 𝑘𝑛 因素的𝑘个水平 观测值 𝑥 𝑖𝑗 返回6.2目录

二、分析步骤 提出假设 构造检验统计量 统计决策 计算统计量 计算误差平方和 计算全部观测值的总均值 计算因素各水平的均值 总误差平方和 组间平方和 组内平方和

第1步：提出假设 一般提法： 注意：拒绝原假设，只表明至少有两个总体的均值不相等，并不意味着所有的均值都不相等 𝑯 𝟎 ： 𝝁 𝟏 = 𝝁 𝟐 =⋯= 𝝁 𝒌 自变量对因变量没有显著影响 𝐇 𝟏 ： 𝝁 𝟏 ， 𝝁 𝟐 ，⋯， 𝝁 𝒌 不全相等 自变量对因变量有显著影响 注意：拒绝原假设，只表明至少有两个总体的均值不相等，并不意味着所有的均值都不相等

第2步：构造检验的统计量 计算各总体的均值 假定从第𝑖个总体中抽取一个容量为 𝑛 𝑖 的简单随机样本，第𝑖个总体的样本均值为该样本的全部观察值总和除以观察值的个数 计算公式为 𝑥 𝑖 = 𝑗=1 𝑛 𝑖 𝑥 𝑖𝑗 𝑛 𝑖 （𝑖=1，2，⋯，𝑘） 其中： 𝑥 𝑖𝑗 为第𝑖个总体的第𝑗个观测值

计算全部观测值的总均值 全部观测值的总和除以观测值的总个数 计算公式为 𝑥 = 𝑖=1 𝑘 𝑗=1 𝑛 𝑖 𝑥 𝑖𝑗 𝑛 = 𝑖=1 𝑘 𝑛 𝑖 𝑥 𝑖 𝑛 式中： 𝑛= 𝑛 1 + 𝑛 2 +⋯+ 𝑛 𝑘

计算均值：例题分析

计算总误差平方和𝑆𝑆𝑇 全部观测值 𝑥 𝑖𝑗 与总平均值 𝑥 的误差平方和，反映了全部观测值的离散状况 其计算公式为 前例的计算结果： 全部观测值 𝑥 𝑖𝑗 与总平均值 𝑥 的误差平方和，反映了全部观测值的离散状况 其计算公式为 𝑆𝑆𝑇= 𝑖=1 𝑘 𝑗=1 𝑛 𝑖 ( 𝑥 𝑖𝑗 − 𝑥 ) 2 前例的计算结果： 𝑆𝑆𝑇= (57−47.869565) 2 +⋯+ 58−47.869565 2 =4164.608696

计算水平项误差平方和𝑆𝑆𝐴 各组平均值 𝑥 𝑖 (𝑖=1，2，⋯，𝑘)与总平均值 𝑥 的误差平方和，反映各总体的样本均值之间的离散程度，又称组间平方和。 该平方和既包括随机误差，也包括系统误差 计算公式为 𝑆𝑆𝐴= 𝑖=1 𝑘 𝑛 𝑖 ( 𝑥 𝑖 − 𝑥 ) 2 前例的计算结果： 𝑆𝑆𝐴=1456.608696

计算误差项平方和𝑆𝑆𝐸 每个水平或组的各样本数据与其组平均值的误差平方和，反映每个样本各观测值的离散状况，又称组内平方和或残差平方和。 该平方和反映的是随机误差的大小 计算公式为 𝑆𝑆𝐸= 𝑖=1 𝑘 𝑗=1 𝑛 𝑖 ( 𝑥 𝑖𝑗 − 𝑥 𝑖 ) 2 前例的计算结果： 𝑆𝑆𝐸=2708

三个平方和的关系 总误差平方和(𝑆𝑆𝑇)、误差项平方和(𝑆𝑆𝐸)、水平项误差平方和 (𝑆𝑆𝐴) 之间的关系 𝑺𝑺𝑻=𝑺𝑺𝑬+𝑺𝑺𝑨 𝒊=𝟏 𝒌 𝒋=𝟏 𝒏 𝒊 ( 𝒙 𝒊𝒋 − 𝒙 ) 𝟐 = 𝒊=𝟏 𝒌 𝒋=𝟏 𝒏 𝒊 ( 𝒙 𝒊𝒋 − 𝒙 𝒊 ) 𝟐 + 𝒊=𝟏 𝒌 𝒏 𝒊 ( 𝒙 𝒊 − 𝒙 ) 𝟐 前例的计算结果： 4164.608696=2708+1456.608696 𝑺𝑺𝑻=𝑺𝑺𝑬+𝑺𝑺𝑨

三个平方和的作用 𝑆𝑆𝑇反映全部数据总的误差程度；𝑆𝑆𝐸反映随机误差的大小；𝑆𝑆𝐴反映随机误差和系统误差的大小。 如果原假设成立，则表明没有系统误差，组间平方和𝑆𝑆𝐴除以自由度后的均方与组内平方和𝑆𝑆𝐸除以自由度后的均方差异就不会太大；如果组间均方显著地大于组内均方，说明各水平(总体)之间的差异不仅有随机误差，还有系统误差。 判断因素的水平是否对其观测值有影响，实际上就是比较组间方差与组内方差之间差异的大小。

计算均方𝑀𝑆 各误差平方和的大小与观测值的数量有关，为消除观测值的数量对误差平方和大小的影响，需要将其平均，这就是均方（Mean Square）。 计算方法是用误差平方和除以相应的自由度 三个误差平方和对应的自由度分别是 𝑆𝑆𝑇的自由度为𝑛−1，其中𝑛为全部观测值的个数； 𝑆𝑆𝐴的自由度为𝑘−1 ，其中𝑘为因素水平的个数； 𝑆𝑆𝐸的自由度为𝑛−𝑘。

组间方差 𝑆𝑆𝐴的均方，记为𝑀𝑆𝐴，计算公式 前例计算结果是： 𝑀𝑆𝐴= 𝑆𝑆𝐴 𝑘−1 𝑀𝑆𝐴= 1456.608696 4−1 =485.536232

组内方差 𝑆𝑆𝐸的均方，记为𝑀𝑆𝐸，计算公式 前例计算结果是： 𝑀𝑆𝐸= 𝑆𝑆𝐸 𝑛−𝑘 𝑀𝑆𝐸= 2708 23−4 =142.526316

计算检验统计量𝐹 将𝑀𝑆𝐴和𝑀𝑆𝐸进行对比，即得到所需要的检验统计量𝐹 当 𝐻 0 为真时，二者的比值服从分子自由度为𝑘−1、分母自由度为𝑛−𝑘的𝐹分布，即 𝐹= 𝑀𝑆𝐴 𝑀𝑆𝐸 ~𝐹(𝑘−1，𝑛−𝑘) 前例计算结果： 𝐹= 485.536232 142.526316 =3.406643

第3步：统计决策 将统计量的值𝐹与给定的显著性水平𝛼的临界值 𝐹 𝛼 进行比较，作出对原假设 𝐻 0 的决策 根据给定的显著性水平𝛼，在𝐹分布表中查找与第一自由度 𝑑𝑓 1 =𝑘−1、第二自由度 𝑑𝑓 2 =𝑛−𝑘相应的临界值 𝐹 𝛼  若 𝐹>𝐹 𝛼 ，则拒绝原假设 𝐻 0 ，表明均值之间的差异是显著的，所检验的因素对观测值有显著影响 若 𝐹<𝐹 𝛼 ，则不能拒绝原假设 𝐻 0 ，表明所检验的因素对观测值没有显著影响

前例中，假定取显著性水平𝛼=0.05，根据分子自由度 𝑑𝑓 1 =𝑘−1=4−1=3和分母自由度 𝑑𝑓 2 =𝑛−𝑘=23−4=19，查𝐹分布表得到临界值 𝐹 𝛼 3,19 =3.13。 根据前面的计算结果，计算出的𝐹=3.406643。由于 𝐹>𝐹 𝛼 ，拒绝原假设 𝐻 0 ，即 𝝁 𝟏 = 𝝁 𝟐 = 𝝁 𝟑 = 𝝁 𝟒 不成立，表明 𝝁 𝟏 、 𝝁 𝟐 、 𝝁 𝟑 、 𝝁 𝟒 之间有显著差异。也就是说，可以认为行业对投诉次数有显著影响。

单因素方差分析表

例：单因素方差分析表 返回6.2目录

三、用Excel进行方差分析 第1步：选择“工具”下拉菜单 第2步：选择“数据分析”选项 第3步：在分析工具中选择“单因素方差分析”，然后选择“确定 ” 第4步：当对话框出现时，在“输入区域”方框内键入数据单元格区域；在𝛼方框内键入0.05（可根据需要确定）；在“输出选项”中选择输出区域。

前例的EXCEL结果

方差分析表中的𝑃值 在进行决策时，也可以直接利用方差分析表中的𝑃值与显著性水平𝛼值进行比较。 若𝑃>𝛼，则不拒绝原假设 𝐻 0 ；若𝑃<𝛼，则拒绝原假设 𝐻 0 。 前例中，𝑃=0.04<𝛼=0.05，所以拒绝原假设 𝐻 0 ，即行业对投诉次数的影响是显著的。 返回6.2目录

四、方差分析中的多重比较 如果方差分析的结论是不同总体的均值不完全相同，那么，究竟是哪些均值之间存在差异呢？这就需要做进一步的分析，所使用的方法就是多重比较。 多重比较就是通过对总体均值之间的配对比较来进一步检验到底哪些均值之间存在差异。 可采用Fisher提出的最小显著差异法，简写为LSD。 LSD方法是对检验两个总体均值是否相等的𝑡检验方法的总体方差估计加以修正(用MSE来代替)而得到的。

方差分析中多重比较的步骤 提出假设 计算检验统计量： 𝑥 𝑖 − 𝑥 𝑗 计算LSD 决策： 𝐻 0 ： 𝜇 𝑖 = 𝜇 𝑗 (第𝑖个总体的均值等于第𝑗个总体的均值) 𝐻 1 ： 𝜇 𝑖 ≠ 𝜇 𝑗 (第𝑖个总体的均值不等于第𝑗个总体的均值) 计算检验统计量： 𝑥 𝑖 − 𝑥 𝑗 计算LSD 𝐿𝑆𝐷= 𝑡 𝛼 2 𝑀𝑆𝐸( 1 𝑛 𝑖 + 1 𝑛 𝑗 ) 决策： 若 𝑥 𝑖 − 𝑥 𝑗 >𝐿𝑆𝐷，拒绝 𝐻 0 ；若 𝑥 𝑖 − 𝑥 𝑗 <𝐿𝑆𝐷，不拒绝 𝐻 0 。

方差分析中的多重比较(例题分析) 第1步：提出假设 检验1： 𝐻 0 ： 𝜇 1 = 𝜇 2 ， 𝐻 1 ： 𝜇 1 ≠ 𝜇 2 检验2： 𝐻 0 ： 𝜇 1 = 𝜇 3 ， 𝐻 1 ： 𝜇 1 ≠ 𝜇 3 检验3： 𝐻 0 ： 𝜇 1 = 𝜇 4 ， 𝐻 1 ： 𝜇 1 ≠ 𝜇 4 检验4： 𝐻 0 ： 𝜇 2 = 𝜇 3 ， 𝐻 1 ： 𝜇 2 ≠ 𝜇 3 检验5： 𝐻 0 ： 𝜇 2 = 𝜇 4 ， 𝐻 1 ： 𝜇 2 ≠ 𝜇 4 检验6： 𝐻 0 ： 𝜇 3 = 𝜇 4 ， 𝐻 1 ： 𝜇 3 ≠ 𝜇 4

第2步：计算检验统计量 检验1： 𝑥 1 − 𝑥 2 = 49−48 =1 检验2： 𝑥 1 − 𝑥 3 = 49−35 =14 检验1： 𝑥 1 − 𝑥 2 = 49−48 =1 检验2： 𝑥 1 − 𝑥 3 = 49−35 =14 检验3： 𝑥 1 − 𝑥 4 = 49−59 =10 检验4： 𝑥 2 − 𝑥 3 = 48−35 =13 检验5： 𝑥 2 − 𝑥 4 = 48−59 =11 检验6： 𝑥 3 − 𝑥 4 = 35−59 =24

第3步：计算LSD 检验1： 𝐿𝑆𝐷 1 =2.093× 142.526316×( 1 7 + 1 6 ) =13.90 检验1： 𝐿𝑆𝐷 1 =2.093× 142.526316×( 1 7 + 1 6 ) =13.90 检验2： 𝐿𝑆𝐷 2 =2.093× 142.526316×( 1 7 + 1 5 ) =14.63 检验3： 𝐿𝑆𝐷 3 = 𝐿𝑆𝐷 2 =14.63 检验4： 𝐿𝑆𝐷 4 =2.093× 142.526316×( 1 6 + 1 5 ) =15.13 检验5： 𝐿𝑆𝐷 5 = 𝐿𝑆𝐷 4 =15.13 检验6： 𝐿𝑆𝐷 6 =2.093× 142.526316×( 1 5 + 1 5 ) =15.80

第4步：作出决策 𝑥 1 − 𝑥 2 =1<13.90，不能认为零售业与旅游业均值之间有显著差异； 𝑥 1 − 𝑥 2 =1<13.90，不能认为零售业与旅游业均值之间有显著差异； 𝑥 1 − 𝑥 3 =14<14.63，不能认为零售业与航空公司均值之间有显著差异； 𝑥 1 − 𝑥 4 =10<14.63，不能认为零售业与家电制造业均值之间有显著差异； 𝑥 2 − 𝑥 3 =13<15.13，不能认为旅游业与航空公司均值之间有显著差异； 𝑥 2 − 𝑥 4 =11<15.13，不能认为旅游业与家电制造业均值之间有显著差异； 𝑥 3 − 𝑥 4 =24>15.80，航空公司与家电制造业均值之间有显著差异； 返回6.2目录

6.3教学要求 了解完全随机设计、随机化区组设计、因子的概念及三者的区别

6.3 试验设计初步 完全随机化设计 一 二 随机化区组设计 因子设计 三 转到本章小结

一、完全随机化设计 “处理”被随机地指派给试验单元的一种设计 “处理”是指可控制的因素的各个水平 “试验单元(experiment unit)”是接受“处理”的对象或实体 在试验性研究中，感兴趣的变量是明确规定的，因此，研究中的一个或多个因素可以被控制，使得数据可以按照因素如何影响变量来获取 对完全随机化设计的数据采用单因素方差分析。

完全随机化设计(例题分析) 一家种业开发股份公司研究出3个新的小麦品种：品种1、品种2、品种3。为研究不同品种对产量的影响，需要选择一些地块，在每个地块种上不同品种的小麦，然后获得产量数据进行分析。这一过程就是试验设计的过程。 这里的“小麦品种”就是试验因子或因素，品种1、品种2、品种3就是因子的3个不同水平，称为处理； 假定选取3个面积相同的地块，这里的“地块”就是接受处理的对象或实体，称为试验单元； 将每个品种随机地指派给其中的一个地块，这一过程就是随机化设计过程。

试验数据

方差分析 返回6.3目录

二、随机化区组设计 先按一定规则将试验单元划分为若干同质组，称为“区组(block)”，再将各种处理随机地指派给各个区组。 比如在上面的例子中，首先根据土壤的好坏分成几个区组，假定分成4个区组：区组1、区组2、区组3、区组4，每个区组中有三个地块 在每个区组内的3个地块以抽签的方式决定所种的小麦品种 分组后再将每个品种（处理）随机地指派给每一个区组的设计就是随机化区组设计 试验数据分析采用无交互作用的双因素方差分析

随机化区组设计(例题分析) 试验数据

方差分析 返回6.3目录

三、因子设计 感兴趣的因素有两个，如：小麦品种和施肥方式 考虑两个因素(可推广到多个因素)的搭配试验设计称为因子设计 假定有甲、乙两种施肥方式，这样3个小麦品种和两种施肥方式的搭配共有3×2=6种。如果我们选择30个地块进行实验，每一种搭配可以做5次试验，也就是每个品种(处理)的样本容量为5，即相当于每个品种(处理)重复做了5次试验 考虑两个因素(可推广到多个因素)的搭配试验设计称为因子设计 该设计主要用于分析两个因素及其交互作用对试验结果的影响 试验数据的分析采用有交互作用的双因素方差分析

因子设计(例题分析) 试验数据

方差分析 返回6.3目录

本章小结 方差分析(ANOVA)的概念 方差分析的思想和原理 方差分析中的基本假设 单因素方差分析 试验设计

Thanks for attention. Any questions?