哪些方法中用到了方差分析

⑴ 什麼是方差分析方差分析包括哪些類型

所獲得的數據按某些項目分類後，再分析各組數據之間有無差異的方法。例如給植物施用幾種肥料，調查分析作物產量在不同肥料處理之間有無真正的差異時一般常採用方差分析法。通過各個數據資料之間所顯示的偏差與各組群資料中認為是屬於誤差范圍內的偏差進行比較，來測驗各組資料之間有無顯著差異存在。通常用方差（variance）表示偏差程度的量，先求某一群體的平均值與實際值差數的平方和，再用自由度除平方和所得之數即為方差（普通自由度為實測值的總數減1）。組群間的方差除以誤差的方差稱方差比，以發明者R.A.Fisher的第一字母F表示。將F值查對F分布表，即可判明實驗中組群之差是僅僅偶然性的原因，還是很難用偶然性來解釋。換言之，即判明實驗所得之差數在統計學上是否顯著。方差分析也適用於包含多因子的試驗，處理方法也有多種。在根據試驗設計所進行的實驗中，方差分析法尤為有效。

⑵ 方差分析的分類舉例

1、單因素方差分析：

是用來研究一個控制變數的不同水平是否對觀測變數產生了顯著影響。這里，由於僅研究單個因素對觀測變數的影響，因此稱為單因素方差分析。

例如，分析不同施肥量是否給農作物產量帶來顯著影響，考察地區差異是否影響婦女的生育率，研究學歷對工資收入的影響等。這些問題都可以通過單因素方差分析得到答案。

單因素方差分析的第一步是明確觀測變數和控制變數。例如，上述問題中的觀測變數分別是農作物產量、婦女生育率、工資收入；控制變數分別為施肥量、地區、學歷。

單因素方差分析的第二步是剖析觀測變數的方差。方差分析認為：觀測變數值的變動會受控制變數和隨機變數兩方面的影響。據此，單因素方差分析將觀測變數總的離差平方和分解為組間離差平方和和組內離差平方和兩部分，用數學形式表述為：SST=SSA+SSE。

單因素方差分析的第三步是通過比較觀測變數總離差平方和各部分所佔的比例，推斷控制變數是否給觀測變數帶來了顯著影響。

單因素方差分析基本步驟：

提出原假設；選擇檢驗統計量；計算檢驗統計量的觀測值和概率P值；給定顯著性水平，並作出決策。

2、雙因素方差分析

雙因素方差分析（Double factor variance analysis) 有兩種類型：一個是無交互作用的雙因素方差分析，它假定因素A和因素B的效應之間是相互獨立的，不存在相互關系；另一個是有交互作用的雙因素方差分析，它假定因素A和因素B的結合會產生出一種新的效應。

例如，若假定不同地區的消費者對某種品牌有與其他地區消費者不同的特殊偏愛，這就是兩個因素結合後產生的新效應，屬於有交互作用的背景；否則，就是無交互作用的背景。這里介紹無交互作用的雙因素方差分析。

雙因素方差分析的基本思想：通過分析研究中不同來源的變異對總變異的貢獻大小，從而確定可控因素對研究結果影響力的大小。

3、多因素方差分析

多因素方差分析實質也採用了統計推斷的方法，其基本步驟與假設檢驗完全一致 。

（1）提出原假設

多因素方差分析的第一步是明確觀測變數和若干個控制變數，並在此基礎上提出原假設。

多因素方差分析的原假設是：各控制變數不同水平下觀測變數各總體的均值無顯著性差異，控制變數各效應和交互作用效應同時為0，即控制變數和它們的交互作用沒有對觀測變數產生顯著影響。

（2）觀測變數方差的分解

在多因素方差分析中，觀測變數取值的變動會受到三個方面的影響：第一，控制變數獨立作用的影響，指單個控制變數獨立作用對觀測變數的影響；第二，控制變數交互作用的影響，指多個控制變數相互搭配後對觀測變數產生的影響；

第三，隨機因素的影響，主要指抽樣誤差帶來的影響。基於上述原則，多因素方差分析將觀測變數的總變差分解為(以兩個控制變數為例)：SST=SSA+SSB+SSAB+SSE。

其中，SST為觀測變數的總變差；SSA、SSB分別為控制變數A、B獨立作用引起的變差；SSAB為控制變數A、B兩兩交互作用引起的變差；SSE為隨機因素引起的變差。通常稱SSA+SSB+SSAB為主效應，SSAB為N向(N-WAY)交互效應，SSE為剩餘。

（3）比較觀測變數總離差平方和各部分所佔的比例，計算檢驗統計量的觀測值和相伴概率P值

多因素方差分析的第三步是通過比較觀測變數總離差平方和各部分所佔的比例，推斷控制變數以及控制變數的交互作用是否給觀測變數帶來了顯著影響。

容易理解，在觀測變數總離差平方和中，如果SSA所佔比例較大，則說明控制變數A是引起觀測變數變動的主要因素之一，觀測變數的變動可以部分地由控制變數A來解釋；反之，如果SSA所佔比例較小，則說明控制變數A不是引起觀測變數變動的主要因素，觀測變數的變動無法通過控制變數A來解釋。對SSB和SSAB同理。

在多因素方差分析中，控制變數可以進一步劃分為固定效應和隨機效應兩種類型。其中，固定效應通常指控制變數的各個水平是可以嚴格控制的，它們給觀測變數帶來的影響是固定的；隨機效應是指控制變數的各個水平無法作嚴格的控制，它們給觀測變數帶來的影響是隨機的。一般來說，區分固定效應和隨機效應比較困難。

由於這兩種效應的存在，多因素方差分析模型也有固定效應模型和隨機效應模型之分。這兩種模型分解觀測變數變差的方式是完全相同的，主要差別體現在檢驗統計量的構造方面。多因素方差分析採用的檢驗統計量仍為F統計量。如果有A、B兩個控制變數，通常對應三個F檢驗統計量。

4．給定顯著性水平，並做出決策

給定顯著性水平，與檢驗統計量的相伴概率P值作比較。在固定效應模式中，如果FA的相伴概率P值小於或等於給定的顯著性水平，則應拒絕原假設，認為控制變數A不同水平下觀測變數各總體均值有顯著差異，控制變數A的各個效應不同時為0，控制變數A的不同水平對觀測變數產生了顯著影響；

相反，如果FA的相伴概率P值大於給定的顯著性水平，則不應拒絕原假設，認為控制變數A不同水平下觀測變數各總體均值無顯著差異，控制變數A的各個效應同時為0，控制變數A的不同水平對觀測變數沒有產生顯著影響。對控制變數B和A、B交互作用的推斷同理。在隨機模型中，應首先對A、B的交互作用是否顯著進行推斷，然後再分別依次對A、B的效應進行檢驗。