警惕过多地假设检验。你对数据越 苛求，数据会越多地向你供认，但 在威逼下得到的供词，在科学询查 的法庭上是不容许的。 Stephen M.Stigler

第 9章 方差分析与试验设计 作者：中国人民大学统计学院 贾俊平 PowerPoint 统计学

统计应用 SARS病毒灭活疫苗临床试验 2004年12月5日，科技部、卫生部、国家食品药品监督管理局共同宣布：中国自主研制的SARS病毒灭活疫苗Ⅰ期临床试验圆满结束。经对36人的试验结果表明，36位受试者均未出现异常反应，其中24位接种疫苗的受试者全部产生了抗体，这表明我国自主研制的疫苗是安全有效的 2003年SARS疫情发生后，SARS疫苗的研制确定为重要任务之一。科技部积极组织协调，形成了由北京科兴生物制品有限公司、中国疾病预防控制中心病毒病预防控制所和中国医学科学院实验动物研究所共同组成的疫苗研制项目课题组，研究人员包括北京科兴生物制品有限公司、中国医学科学院实验动物研究所、中国疾病预防控制中心病毒病预防控制所、中日友好医院等部门在内的100多位科研人员和医生

统计应用 SARS病毒灭活疫苗临床试验 2004年1月19日，SARS病毒灭活疫苗获准进入Ⅰ期临床研究，本次试验共选择36名年龄在21岁到40岁的健康人作为志愿者，男女各18人，在中日友好医院接受了SARS疫苗临床研究。免疫接种分为16个单位和32个单位两种剂量，并设安慰剂对照组，各12人。这次SARS疫苗临床研究方案完全按照国际规范，采用知情同意、伦理审查、随机双盲等规范化操作 本次试验采用随机双盲的实验设计。受试者和参加临床试验或临床评价的研究人员或疫苗研制方的工作人员均不知道也不能识别受试者接受了何种注射(疫苗或安慰剂) 。在试验结束、完成数据清理、数据已达到可以接受水平，可由指定人员揭盲，打开密封的设盲信封，从而知道哪个受试者接种的是试验疫苗，哪个受试者接种的是安慰剂

9.1 方差分析引论 9.2 单因素方差分析 9.3 双因素方差分析 9.4 试验设计初步 第 9 章 方差分析与试验设计 9.1 方差分析引论 9.2 单因素方差分析 9.3 双因素方差分析 9.4 试验设计初步

学习目标 解释方差分析的概念 解释方差分析的基本思想和原理 掌握单因素方差分析的方法及应用 理解多重比较的意义 掌握双因素方差分析的方法及应用 掌握试验设计的基本原理和方法

9.1 方差分析引论 9.1.1 方差分析及其有关术语 9.1.2 方差分析的基本思想和原理 9.1.3 方差分析的基本假定 9.1 方差分析引论 9.1.1 方差分析及其有关术语 9.1.2 方差分析的基本思想和原理 9.1.3 方差分析的基本假定 9.1.4 问题的一般提法 9

为什么不做两两比较？ 设有四个总体的均值分别为m1 、 m2、m3 、 m4 ，要检验四个总体的均值是否相等，每次检验两个的作法共需要进行6次不同的检验，每次检验犯第一类错误的概率为，连续作6次检验犯第Ⅰ类错误的概率增加到1-(1-)6=0.265，大于0.05。相应的置信水平会降低到0.956=0.735 一般来说，随着增加个体显著性检验的次数，偶然因素导致差别的可能性也会增加，(并非均值真的存在差别) 方差分析方法则是同时考虑所有的样本，因此排除了错误累积的概率，从而避免拒绝一个真实的原假设

方差分析及其有关术语

什么是方差分析(ANOVA)? (analysis of variance) 检验多个总体均值是否相等 通过分析数据的误差判断各总体均值是否相等 研究分类型自变量对数值型因变量的影响 一个或多个分类型自变量 两个或多个 (k 个) 处理水平或分类 一个数值型因变量 有单因素方差分析和双因素方差分析 单因素方差分析：涉及一个分类的自变量 双因素方差分析：涉及两个分类的自变量

什么是方差分析? (例题分析) 【 例 】为了对几个行业的服务质量进行评价，消费者协会在4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 行业 观测值 零售业 旅游业 航空公司 家电制造业 1 2 3 4 5 6 7 57 66 49 40 34 53 44 68 39 29 45 56 51 31 21 65 77 58

什么是方差分析? (例题分析) 分析4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 什么是方差分析? (例题分析) 分析4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有显著差异

方差分析中的有关术语 因素或因子(factor) 水平或处理(treatment) 观察值 所要检验的对象 因子的不同表现 分析行业对投诉次数的影响，行业是要检验的因子 水平或处理(treatment) 因子的不同表现 零售业、旅游业、航空公司、家电制造业 观察值 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

方差分析中的有关术语 试验 总体 样本数据 这里只涉及一个因素，因此称为单因素4水平的试验 因素的每一个水平可以看作是一个总体 零售业、旅游业、航空公司、家电制造业是4个总体 样本数据 被投诉次数可以看作是从这4个总体中抽取的样本数据

方差分析的基本思想和原理

方差分析的基本思想和原理 (图形分析—散点图) 零售业 旅游业 航空公司 家电制造

方差分析的基本思想和原理 (图形分析—Mean/SD/1.96*SD箱线图)

方差分析的基本思想和原理 (图形分析) 从散点图上可以看出 行业与被投诉次数之间有一定的关系 不同行业被投诉的次数有明显差异 同一个行业，不同企业被投诉的次数也明显不同 家电制造被投诉的次数较高，航空公司被投诉的次数较低 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差不多相同，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 散点图观察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 这种差异可能是由于抽样的随机性造成的 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 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

方差分析的基本思想和原理 (两类误差) 随机误差 系统误差 因素的同一水平(总体)下，样本各观察值之间的差异 比如，同一行业下不同企业被投诉次数之间的差异 这种差异可以看成是随机因素的影响，称为随机误差 系统误差 因素的不同水平(不同总体)之间观察值的差异 比如，不同行业之间的被投诉次数之间的差异 这种差异可能是由于抽样的随机性所造成的，也可能是由于行业本身所造成的，后者所形成的误差是由系统性因素造成的，称为系统误差

方差分析的基本思想和原理 (误差平方和—SS) 数据的误差用平方和(sum of squares)表示 组内平方和(within groups) 因素的同一水平下数据误差的平方和 比如，零售业被投诉次数的误差平方和 只包含随机误差 组间平方和(between groups) 因素的不同水平之间数据误差的平方和 比如，4个行业被投诉次数之间的误差平方和 既包括随机误差，也包括系统误差

方差分析的基本思想和原理 (均方—MS) 平方和除以相应的自由度 若原假设成立，组间均方与组内均方的数值就应该很接近，它们的比值就会接近1 若原假设不成立，组间均方会大于组内均方，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，即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，也就是检验被投诉次数的差异主要是由于什么原因所引起的。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

方差分析的基本假定

方差分析的基本假定 每个总体都应服从正态分布 各个总体的方差必须相同 观察值是独立的 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 各个总体的方差必须相同 各组观察数据是从具有相同方差的总体中抽取的 比如，4个行业被投诉次数的方差都相等 观察值是独立的 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

方差分析中的基本假定 在上述假定条件下，判断行业对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4个正态总体的均值是否相等 如果4个总体的均值相等，可以期望4个样本的均值也会很接近 4个样本的均值越接近，推断4个总体均值相等的证据也就越充分 样本均值越不同，推断总体均值不同的证据就越充分

方差分析中的基本假定  如果原假设成立，即H0 ： m1 = m2 = m3 = m4 1  2  3  4 4个行业被投诉次数的均值都相等 意味着每个样本都来自均值为、方差为 2的同一正态总体 f(X) X 1  2  3  4

方差分析中的基本假定 若备择假设成立，即H1 ： mi (i=1,2,3,4)不全相等 3  1  2  4 至少有一个总体的均值是不同的 4个样本分别来自均值不同的4个正态总体 X f(X) 3  1  2  4

方差分析的基本假定 (图形分析—正态概率图)

问题的一般提法

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1 , 2, , k 表示 H0 ： 1  2  … k H1 ： 1 , 2 , ，k 不全相等 设1为零售业被投诉次数的均值，2为旅游业被投诉次数的均值，3为航空公司被投诉次数的均值，4为家电制造业被投诉次数的均值，提出的假设为 H0 ： 1  2  3  4 H1 ： 1 , 2 , 3 , 4 不全相等

9.2 单因素方差分析 9.2.1 数据结构 9.2.2 分析步骤 9.2.3 关系强度的测量 9.2.4 方差分析中的多重比较 9

单因素方差分析的数据结构 (one-way analysis of variance) 观察值 ( j ) 因素(A) i 水平A1 水平A2 … 水平Ak 1 2 : n x11 x21 … xk1 x12 x22 … xk2 : : : : x1n x2n … xkn

分析步骤 提出假设 构造检验统计量 统计决策

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 H0 ：m1 = m2 =…= mk 自变量对因变量没有显著影响 H1 ：m1 ，m2 ，… ，mk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

构造检验的统计量 构造统计量需要计算 水平的均值 全部观察值的总均值 误差平方和 均方(MS)

构造检验的统计量 (计算水平的均值) 假定从第i个总体中抽取一个容量为ni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 式中： ni为第 i 个总体的样本观察值个数 xij 为第 i 个总体的第 j 个观察值

构造检验的统计量 (计算全部观察值的总均值) 全部观察值的总和除以观察值的总个数 计算公式为

构造检验的统计量 (例题分析)

构造检验的统计量 (计算总误差平方和 SST) 全部观察值 与总平均值 的离差平方和 反映全部观察值的离散状况 其计算公式为 前例的计算结果 SST = (57-47.869565)2+…+(58-47.869565)2 =115.9295

构造检验的统计量 (计算组间平方和 SSA) 各组平均值 与总平均值 的离差平方和 反映各总体的样本均值之间的差异程度 该平方和既包括随机误差，也包括系统误差 计算公式为 前例的计算结果 SSA = 1456.608696

构造检验的统计量 (计算组内平方和 SSE ) 每个水平或组的各样本数据与其组平均值的离差平方和 反映每个样本各观察值的离散状况 该平方和反映的是随机误差的大小 计算公式为 前例的计算结果 SSE = 2708

构造检验的统计量 (三个平方和的关系) SST = SSA + SSE 总离差平方和(SST)、误差项离差平方和(SSE)、水平项离差平方和 (SSA) 之间的关系 SST = SSA + SSE 前例的计算结果 4164.608696=1456.608696+2708

构造检验的统计量 (计算均方MS) 各误差平方和的大小与观察值的多少有关，为消除观察值多少对误差平方和大小的影响，需要将其平均，这就是均方，也称为方差 由误差平方和除以相应的自由度求得 三个平方和对应的自由度分别是 SST 的自由度为n-1，其中n为全部观察值的个数 SSA的自由度为k-1，其中k为因素水平(总体)的个数 SSE 的自由度为n-k

构造检验的统计量 (计算均方 MS) 组间方差：SSA的均方，记为MSA，计算公式为 组内方差：SSE的均方，记为MSE，计算公式为

构造检验的统计量 (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H0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

构造检验的统计量 (F分布与拒绝域) a F 分布 F(k-1,n-k) 拒绝H0 不能拒绝H0 F 如果均值相等，F=MSA/MSE1

统计决策  将统计量的值F与给定的显著性水平的临界值F进行比较，作出对原假设H0的决策 根据给定的显著性水平，在F分布表中查找与第一自由度df1＝k-1、第二自由度df2=n-k 相应的临界值 F 若F>F ，则拒绝原假设H0 ，表明均值之间的差异是显著的，所检验的因素对观察值有显著影响 若F<F ，则不拒绝原假设H0 ，无证据表明所检验的因素对观察值有显著影响

单因素方差分析表 (基本结构) 误差来源 平方和 (SS) 自由度 (df) 均方(MS) F值 P值 F 临界值 组间 (因素影响) SSA k-1 MSA MSE 组内 (误差) SSE n-k 总和 SST n-1

单因素方差分析 (例题分析)

用Excel进行方差分析 (Excel分析步骤) 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【】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 用Excel进行方差分析

关系强度的测量

关系强度的测量 拒绝原假设表明因素(自变量)与观测值之间有显著关系 组间平方和(SSA)度量了自变量(行业)对因变量(投诉次数)的影响效应 当组间平方和比组内平方和(SSE)大，而且大到一定程度时，就意味着两个变量之间的关系显著，大得越多，表明它们之间的关系就越强。反之，就意味着两个变量之间的关系不显著，小得越多，表明它们之间的关系就越弱

关系强度的测量 变量间关系的强度用自变量平方和(SSA) 占总平方和(SST)的比例大小来反映 自变量平方和占总平方和的比例记为R2 ,即

关系强度的测量 (例题分析) R=0.591404 结论 行业(自变量)对投诉次数(因变量)的影响效应占总效应的34.9759%，而残差效应则占65.0241%。即行业对投诉次数差异解释的比例达到近35%，而其他因素(残差变量)所解释的比例近65%以上 R=0.591404，表明行业与投诉次数之间有中等以上的关系

方差分析中的多重比较 (multiple comparison procedures)

多重比较的意义 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方法，简写为LSD 3. 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

多重比较的步骤 提出假设 计算检验的统计量: 计算LSD 决策：若 ，拒绝H0；若 ，不拒绝H0 H0: mi=mj (第i个总体的均值等于第j个总体的均值) H1: mimj (第i个总体的均值不等于第j个总体的均值) 计算检验的统计量: 计算LSD 决策：若 ，拒绝H0；若 ，不拒绝H0

多重比较分析 (例题分析) 第1步：提出假设 检验1： 检验2： 检验3： 检验4： 检验5： 检验6：

方差分析中的多重比较 (例题分析) 第2步：计算检验统计量 检验1： 检验2： 检验3： 检验4： 检验5： 检验6：

方差分析中的多重比较 (例题分析) 第3步：计算LSD 检验1： 检验2： 检验3： 检验4： 检验5： 检验6：

方差分析中的多重比较 (例题分析) 第4步：作出决策 不能认为零售业与旅游业均值之间有显 著差异 不能认为零售业与航空公司均值之间有显著差异 不能认为零售业与家电业均值之间有显著差异 不能认为旅游业与航空业均值之间有显著差异 不能认为旅游业与家电业均值之间有显著差异 航空业与家电业均值有显著差异

9.3 双因素方差分析 9.3.1 双因素方差分析及其类型 9.3.2 无交互作用的双因素方差分析 9.3.3 有交互作用的双因素方差分析 9.3 双因素方差分析 9.3.1 双因素方差分析及其类型 9.3.2 无交互作用的双因素方差分析 9.3.3 有交互作用的双因素方差分析 9

双因素方差分析 (two-way analysis of variance) 分析两个因素(行因素row和列因素column)对试验结果的影响 如果两个因素对试验结果的影响是相互独立的，分别判断行因素和列因素对试验数据的影响，这时的双因素方差分析称为无交互作用的双因素方差分析或无重复双因素方差分析(two-factor without replication) 如果除了行因素和列因素对试验数据的单独影响外，两个因素的搭配还会对结果产生一种新的影响，这时的双因素方差分析称为有交互作用的双因素方差分析或可重复双因素方差分析 (two-factor with replication )

双因素方差分析的基本假定 每个总体都服从正态分布 各个总体的方差必须相同 观察值是独立的 对于因素的每一个水平，其观察值是来自正态分布总体的简单随机样本 各个总体的方差必须相同 对于各组观察数据，是从具有相同方差的总体中抽取的 观察值是独立的

无交互作用的双因素方差分析 (无重复双因素分析)

双因素方差分析 (例题分析) 【例】有4个品牌的彩电在5个地区销售，为分析彩电的品牌(品牌因素)和销售地区(地区因素)对销售量的影响，对每个品牌在各地区的销售量取得以下数据。试分析品牌和销售地区对彩电的销售量是否有显著影响？(=0.05) 不同品牌的彩电在5个地区的销售量数据 品牌因素 地区因素 地区1 地区2 地区3 地区4 地区5 品牌1 品牌2 品牌3 品牌4 365 345 358 288 350 368 323 280 343 363 353 298 340 330 260 333 308

数据结构

数据结构  是行因素的第i个水平下各观察值的平均值  是列因素的第j个水平下各观察值的平均值  是全部 kr 个样本数据的总平均值

分析步骤 (提出假设) 提出假设 对行因素提出的假设为 对列因素提出的假设为 H0：m1 = m2 = … = mi = …= mk (mi为第i个水平的均值) H1：mi (i =1,2, … , k) 不全相等 对列因素提出的假设为 H0： m1 = m2 = … = mj = …= mr (mj为第j个水平的均值) H1： mj (j =1,2,…,r) 不全相等

分析步骤 (构造检验的统计量) 计算平方和(SS) 总误差平方和 行因素误差平方和 列因素误差平方和 随机误差项平方和

分析步骤 (构造检验的统计量) SST = SSR +SSC+SSE

分析步骤 (构造检验的统计量) 计算均方(MS) 误差平方和除以相应的自由度 三个平方和的自由度分别是 总误差平方和SST的自由度为 kr-1 行因素平方和SSR的自由度为 k-1 列因素平方和SSC的自由度为 r-1 误差项平方和SSE的自由度为 (k-1)×(r-1)

分析步骤 (构造检验的统计量) 计算均方(MS) 行因素的均方，记为MSR，计算公式为 列因素的均方，记为MSC ，计算公式为 误差项的均方，记为MSE ，计算公式为

分析步骤 (构造检验的统计量) 计算检验统计量(F) 检验行因素的统计量 检验列因素的统计量

分析步骤 (统计决策)  将统计量的值F与给定的显著性水平的临界值F进行比较，作出对原假设H0的决策 若FR>F ，拒绝原假设H0 ，表明均值之间的差异是显著的，即所检验的行因素对观察值有显著影响 若FC > F ，拒绝原假设H0 ，表明均值之间有显著差异，即所检验的列因素对观察值有显著影响

双因素方差分析表 (基本结构) 误差来源 平方和 (SS) 自由度 (df) 均方(MS) F值 P值 F 临界值 行因素 SSR k-1 MSR MSE 列因素 SSC r-1 MSC 误差 SSE (k-1)(r-1) 总和 SST kr-1

双因素方差分析 (例题分析) 用Excel进行无重复双因素分析 提出假设 对品牌因素提出的假设为 对地区因素提出的假设为 H0：m1=m2=m3=m4 (品牌对销售量无显著影响) H1：mi (i =1,2, … , 4) 不全相等 (有显著影响) 对地区因素提出的假设为 H0：m1=m2=m3=m4=m5 (地区对销售量无显著影响) H1：mj (j =1,2,…,5) 不全相等 (有显著影响) 用Excel进行无重复双因素分析

双因素方差分析 (例题分析) 结论： FR＝18.10777>F＝3.4903，拒绝原假设H0，说明彩电的品牌对销售量有显著影响 FC＝2.100846< F＝3.2592，不拒绝原假设H0，无证据表明销售地区对彩电的销售量有显著影响

双因素方差分析 (关系强度的测量) 行平方和(SSR)度量了品牌这个自变量对因变量(销售量)的影响效应 列平方和(SSC)度量了地区这个自变量对因变量(销售量)的影响效应 这两个平方和加在一起则度量了两个自变量对因变量的联合效应 联合效应与总平方和的比值定义为R2 其平方根R反映了这两个自变量合起来与因变量之间的关系强度

双因素方差分析 (关系强度的测量) 例题分析 品牌因素和地区因素合起来总共解释了销售量差异的83.94% 其他因素(残差变量)只解释了销售量差异的16.06% R=0.9162，表明品牌和地区两个因素合起来与销售量之间有较强的关系

有交互作用的双因素方差分析 (可重复双因素分析)

可重复双因素分析 (例题) 【例】城市道路交通管理部门为研究不同的路段和不同的时间段对行车时间的影响，让一名交通警察分别在两个路段和高峰期与非高峰期亲自驾车进行试验，通过试验共获得了20个行车时间(单位：min)的数据，如下表。试分析路段、时段以及路段和时段的交互作用对行车时间的影响

交互作用的图示 (interaction) 路段与时段对行车时间的影响 交互作用 无交互作用 行车时间 路段1 路段2 高峰期 非高峰期

可重复双因素方差分析表 (基本结构) SSR k-1 MSR FR SSC r-1 MSC FC SSRC MSRC FRC SSE MSE 误差来源 平方和 (SS) 自由度 (df) 均方(MS) F值 P值 F 临界值 行因素 SSR k-1 MSR FR 列因素 SSC r-1 MSC FC 交互作用 SSRC (k-1)(r-1) MSRC FRC 误差 SSE Kr(m-1) MSE 总和 SST n-1 m为样本的行数

可重复双因素分析 (平方和的计算) 设： 为对应于行因素的第i个水平和列因素的第j个 水平的第l行的观察值 为行因素的第i个水平的样本均值 平组合的样本均值 为全部n个观察值的总均值

SST=SSR+SSC+SSRC+SSE 可重复双因素分析 (平方和的计算) 总平方和： 行变量平方和： 列变量平方和： 交互作用平方和： 误差项平方和： SST=SSR+SSC+SSRC+SSE

可重复双因素分析 (Excel检验步骤) 用Excel进行可重复双因素分析 第1步：选择“工具”下拉菜单，并选择【数据分析】选项 第2步：在分析工具中选择【素方差分析：可重复双因素分 析】，然后选择【确定】 第3步：当对话框出现时 在【输入区域】方框内键入数据区域(A1：C11) 在【】方框内键入0.05(可根据需要确定) 在【每一样本的行数】方框内键入重复试验次数(5) 在【输出选项】中选择输出区域 选择【确定】 用Excel进行可重复双因素分析

9.4 试验设计初步 9.4.1 完全随机化设计 9.4.2 随机化区组设计 9.4.3 因子设计 9

试验设计与方差分析

完全随机化设计

完全随机化设计 (completely randomized design) “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) 【例】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。为分析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

完全随机化设计 (例题分析) 试验数据： 单因素方差分析

完全随机化设计 (例题分析) 方差分析：

随机化区组设计

随机化区组设计 (randomized block design) 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 试验数据采用无重复双因素方差分析

随机化区组设计 (例题分析) 试验数据： 无重复双因素方差分析

随机化区组设计 (例题分析) 方差分析：

因子设计

因子设计 (factorial design) 感兴趣的因素有两个 如：小麦品种和施肥方式 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 试验数据采用可重复双因素方差分析

因子设计 (例题分析) 试验数据： 可重复双因素方差分析

因子设计 (例题分析) 方差分析：

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 双因素方差分析 试验设计与数据分析

结 束 THANKS