1、 学习的时间和性别. 两个都是组间 (独立样本) 变量. ANOVA 亦可用于分析包含组内 (重复测量) 因素的研究设计,同时包含组间和组内因素的混合设计(e.g. 假设上例中我们对复习时间超过半年的学员纵向研究。性别是组内变量,学习的时间是组间变量). 什么是因素?什么是水平?在方差分析中,因素就是自变量. 包含一个自变量的研究称为单因素设计(single-factor design). 具有多于一个自变量研究称为因素设计(factorial design). 请举一个单因素设计的例子请前一个例子上再将这个改为多因素设计构成因素的个别处理条件称为因素的水平. 性别这个因素的水平?上述研究称为
2、因素设计, 两个组间因素,培训的经历这个因素有 3 个水平,专业这个因素有2个水平 (称为 3 X 2 组间设计). ANOVA的逻辑 与假设检验的逻辑是同样的, 只是具体内容有变化 step 1: 陈述 H0 (和H1 ?) ,确定标准: = ?step 2: ANOVA 检验总是 单尾step 3: 指出检验的df (有两个 df) step 4: 查表找出临界 F统计量 step 5: 对于样本,计算 F统计量 step 6: 比较 F统计量 和临界 F统计量step 7: 对于H0 作出结论 单因素, 独立测量研究设计的例子 检验三个不同的学习方法的效应。将学生随机分配到3个处理组 方
3、法 A:让学生只读课本, 不去上课.方法 B:上课,记笔记,不读课本.方法 C:不读课本,不去上课, 只看别人的笔记Step 1: 陈述假设和设定标准 (选择 a) H0: 1 = 2 = 3 H1: 其中一个组与另一个(或更多)的组均值不同。备择假设 可能的形式很多:1不等于 2 = 3 1 = 3 不等于 2 1 = 2 不等于 3 1 不等于 2 不等于 3 因此,只需给出虚无假设就够了 step 2: ANOVA 检验总是单尾. 因为不存在负的方差. F分布表也只有单侧的Alpha.(F分布图) step 3: 找出检验的 df. 注意要考虑几个 df step 4: 从表找出临界 F
4、统计量 与 t分布表类似, F分布表也是描述一族 F分布. 需要用到两个df,用一个找出正确的行另一个找出正确的列.上面一行对应于 = 0.05, 下面一行对应于 = 0.01. step 5: 计算样本 的F统计量观测值概念的水平的讨论:ANOVA 非常类似 两个独立样本的 t检验 tobs = 得到的样本均值间差异 期望的机会差异 对于 ANOVA检验统计量 (称为 F比率) 类似 F = 样本均值间方差 (差异) 期望的机会(误差)方差(差异) 为什么用方差?因为有多于两个组. 如何计算一个分数来描述差异间分布? 差异不能够分割, 但是方差能够分割。这就是ANOVA -方差分析名字的由来
5、. 首先考虑方差的来源. 什么造成样本的不同(处理间变异) ?处理/组效应 - 处理造成的差异个体差异效应 - 个体差异变异随机误差 每一个样本内部的变异 (处理内变异) 个体差异效应F比率 可以表达为:F比率 =样本均值间的方差 (差异) 期望的机会 (误差)方差(差异) F比率 =处理间方差 处理内方差F比率 = 处理效应 + 个体差异 + 随机误差 个体差异 + 随机误差注意: 有时分母叫做误差部分,其量度了由于机会造成的方差 如果 H0 为真,处理效应的值应该如何?H0: 1 = 2 = 3如果没有差异, 效应方差 = 0如果效应方差 = 0, F比率值?F比率 = 0 + 个体差异
6、+ 随机误差 = 1.0 个体 差异 + 随机误差 如果 H0 为假, F比率应该大于 1. step 6: 比较 F统计量的观测值与临界 F统计量 如果 F统计量的观测值 (Fobs) 在统计上显著地大于 1.0 则拒绝 H0 ANOVA的专用符号 K = 处理条件(或组)的数目n = 每一个组的数目(如果它们相等) ni = 第i组的数目(如果 它们不等) N = ni = 总的样本容量Ti = Xij G = Xij =总的和G-bar = G / N = 总的均值SSi = 每一个组的和方 = (Xij - Xi)2 在上例中:X2 = 106G = 30 = 总的和N = 15 =
7、总的样本容量G-bar = 30/15 = 2 = 总的均值K = 3 =处理条件 (或组) 的数目 ANOVA的过程和例题 F比率 = 处理间方差 处理内方差 需要找出两个方差. 最基本公式s2 = SS/df. SS和 = X2 - (G2/N) SS和 = 106 - (302/15) =106 - 60 = 46需要将其分解为组间变异和组内变异. SS和 = SS组间 + SS组内 如何得到SS组内? 将每一个组SS相加 SSwithin = SS每一个 处理内部 = SSi = 6 + 6 + 4 = 16 如何得到SS组间?快捷的方法是:SS和- SS组内若数据足够,不推荐用这种方
8、法,因为:无法检查计算错误未涉及SS组间是如何组成. 直接计算 SS组间的两个公式 :定义公式和计算公式SS和 = SS组间 + SS组内 = 16 + 30 = 46 s2 = SS/df. 已计算出SS, 找出 df:共有两个 (或三个) 自由度, 一个组间方差df,一个组内方差df (以及一个总的 df). df和 = N - 1 df组内 = = N - K df组间= K - 1 df和 = df组内 + df组间 在例子中:df组内 = 15 - 3 = 12 df组间= 3 - 1 = 2 df和 = 15 - 1 = 14, = 12 + 2 现在计算方差. 这里称为均方. 方
9、差 = 均方 = MS = SS/df MS组间= SS组间/df组内 - 上例中 = 30/2 = 15 有时 MS组间称为误差的均方.MS组内 = MS误差 =误差的均方 = SS组内/df组内 上例中 = 16/12 = 1.33 F比率 = 处理间方差 = MS组间 处理内方差 MSw组间 上例中的F比率是: 15/1.33 = 11.28 方差分析表 查 F表 确定 Fcrit 查 F表 确定 Fcrit 对假设作出结论 df组间 = 分子的dfdf组内 = 分母的df (误差) 上例中:df组内 = 12; df组间 = 2 如果选择 a = .05, Fcrit = 3.88如果
10、选择 a = .01, Fcrit = 6.93 F比率的观测值11.28大于 Fcrit., 所以拒绝 H0 (m1 = m2 = m3). 报告结果 F(df组间,df组内) = Fobs, p ?单因素方差分析发现学习方法有显著的效应, F(2,12) = 11.28, p 0.01. 事后检验(Post hoc tests) ANOVA 的结果是检验H0: 1 = 2 = 3 ,这是一个两点 (拒绝/不拒绝) 决策. 并未提供哪个备择假设得到支持. 也就是说, 只知道一些组与其它组不同, 但并知道差别在哪些组之间. 所以从ANOVA得到显著差异的结果 (拒绝H0)后,一定要做作 事后检
11、验. 事后检验 使我们能够比较各组, 发现差异产生在什么地方. 事后检验就是比较每一个处理组与另一个处理组, 一次比较两个. 这称为成对比较. 在上例中, 可以比较 1 与 2, 1与 3, 以及 2与 3. 这样的做法有没有问题?每一个比较 都是一个单独的假设检验, 每一个都有犯I类错误的风险. 所以,比较对数越多, 作结论的风险越大。即容易发现实际不存在的差异。 这称为实验导致的(experimentwise)alpha 水平 (或族系(familywise) 误差) EW = 1 - (1 - a)c c = 比较对数 对于上述例子, 如果选择 a = 0.05 作3 对比较 EW =
12、1 - (1 - a)c = 1 - (.95)3 = 1 - .857 = .143 I类错误的机会增加到14.7%而不再是5%,多数事后检验设计中都控制了实验导致误差. 这里介绍两个事后检验: Tukeys HSD 检验 (honestly差异显著性) 检验和 Scheff 检验. Tukeys HSD 检验 可以计算出单一的值确定处理均值间的最小差异,考查此差异在统计上是否显著. 此检验要求各组有相等的样本容量. HSD = q * sqrt(MS组内/n)q 值 可以从表中查出(附表6). 需要用到K和 df组内, 以及EW在上例中 (用EW = .05):HSD = q * sqrt
13、(MS组内/n)=(3.77) sqrt(1.33/5) = (3.77)(.516) = 1.94 比较 1: H0: 1 = 2 2 -1 = 4.0 - 1.0 = 3.0 HSD = 1.94 0.0,不能 拒绝 H0 比较 3: 2 = 32 -3 = 4.0 - 1.0 = 3.0 3.0, 拒绝 H0 所以 B 与 A 和 C不同,而A 与 C 没有差异Scheffe检验 用F比率检验差异. 这是最保守的检验 (降低 I类错误的风险, 但增加II类错误的风险). 特别适用于n 不等的情况重新计算 MS组间, 每次只检验一个比较.注意:用整体的 df组间 和整体的MS组内 SS组间 = 52/5+202/5-252/10 = 22.5 MS组间 = = 22.5/2 = 11.25 MS组内 = = 16/12 = 1.33 F比率
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1