当前位置: 首页 > news >正文

excel统计分析——两因素无重复方差分析

参考资料:生物统计学

        从严格意义上讲,两因素试验都应当设置重复观测值,以便检验交互作用是否真实存在,对试验误差有更准确的估计,从而提高检验效率。但根据专业知识或先前的试验已经证明两个因素不存在交互作用时,试验可以不设置重复。

         对于A、B两个因素的无重复试验,设A因素有a个水平,B因素有b个水平,共有ab个组合,每个组合只有一个观测值,全部观测值数量为ab个。两因素无重复观测值数据的线性模型为:

x_{ij}=\mu+\alpha_{i}+\beta_{j}+\varepsilon _{ij}

其中,i=1,2,...,a,j=1,2,...,b,μ为总体平均数;\alpha_{i}A_{i}的效应,\beta_{j}B_{j}的效应,\varepsilon _{ij}为随机误差。

        设\mu_{i.}\mu_{.j}分别为A_{i}B_{j}各个水平的总体平均数,则\alpha_{i}=\mu_{i.}-\mu\beta_{j}=\mu_{.j}-\mu,且\sum_{i=1}^{a}\alpha_{i}=0\sum_{j=1}^{b}\beta_{j}=0

1、平方和的分解

      将B因素的b个水平作为A因素的b次重复,同时将A因素的a个水平作为B因素的a次重复,按照单因素平方和分解的方法,可以计算A因素的平方和SSA和B因素的平方和SSB。具体计算公式如下:

SS_T=\sum_{i=1}^{a}\sum_{j=1}^{b}x_{ij}^{2}-C=\sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\bar{x_{..}})^2

SS_A=\frac{1}{b}\sum_{i=1}^{a}T_{i.}^{2}-C=\sum_{i=1}^{a}\sum_{j=1}^{b}(\bar{x_{i.}}-\bar{x_{..}})^2

SS_B=\frac{1}{a}\sum_{j=1}^{b}T_{.j}^{2}-C=\sum_{j=1}^{b}\sum_{i=1}^{a}(\bar{x_{.j}}-\bar{x_{..}})^2

SS_e=SS_T-SS_A-SS_B

C=T^2/(ab)

2、自由度的分解

df_T=ab-1

df_A=a-1

df_B=b-1

df_e=(a-1)(b-1)=df_T-df_A-df_B

3、计算均方

MS_A=SS_A/df_A

MS_B=SS_B/df_{B}

MS_e=SS_e/df_e

4、计算F统计量

F_A=MS_A/MS_e

F_B=MS_B/MS_e

5、方差分析表

excel公式法计算如下:

excel数据分析工具操作如下:

1、选择数据分析工具中“方差分析:无重复双因素分析”

2、对话框中因为选择了行列标题,故“标记”复选框打对勾。

3、弹出结果如下:

相关文章:

  • VSCODE : SSH远程配置+免密登录
  • 模型 KANO卡诺模型
  • PCL 切片法实现点云模型的体积测量、面积测量(二)
  • 信息学奥赛一本通2067详解+代码
  • GRU算法
  • 介绍一下 MVC MVVM
  • 人工智能_机器学习092_使用三维瑞士卷数据_利用分层聚类算法进行瑞士卷数据三维聚类---人工智能工作笔记0132
  • 冰箱温度预测 C语言xdoj47
  • RLHF几大常用框架实践对比(trlx、deepspeedchat、colossalaichat)
  • SpringBoot灵活集成多数据源(定制版)
  • 【以题代复习】计算机网络 第三章
  • Debian安装k8s记录
  • Jenkins分布式实现: 构建弹性和可扩展的CI/CD环境!
  • 基于OpenAI的Whisper构建的高效语音识别模型:faster-whisper
  • 【教程】Typecho Joe主题开启并修复壁纸相册不显示问题
  • C++类中的特殊成员函数
  • CSS3 聊天气泡框以及 inherit、currentColor 关键字
  • Golang-长连接-状态推送
  • HTTP中GET与POST的区别 99%的错误认识
  • iOS帅气加载动画、通知视图、红包助手、引导页、导航栏、朋友圈、小游戏等效果源码...
  • js对象的深浅拷贝
  • Laravel Mix运行时关于es2015报错解决方案
  • Redux 中间件分析
  • SpringBoot几种定时任务的实现方式
  • spring学习第二天
  • underscore源码剖析之整体架构
  • 人脸识别最新开发经验demo
  • 使用前端开发工具包WijmoJS - 创建自定义DropDownTree控件(包含源代码)
  • 数据可视化之 Sankey 桑基图的实现
  • AI又要和人类“对打”,Deepmind宣布《星战Ⅱ》即将开始 ...
  • 数据可视化之下发图实践
  • # Pytorch 中可以直接调用的Loss Functions总结:
  • (env: Windows,mp,1.06.2308310; lib: 3.2.4) uniapp微信小程序
  • (笔记)Kotlin——Android封装ViewBinding之二 优化
  • (删)Java线程同步实现一:synchronzied和wait()/notify()
  • (十二)springboot实战——SSE服务推送事件案例实现
  • (轉貼) 蒼井そら挑戰筋肉擂台 (Misc)
  • ./include/caffe/util/cudnn.hpp: In function ‘const char* cudnnGetErrorString(cudnnStatus_t)’: ./incl
  • .bat批处理(一):@echo off
  • .NET Standard 的管理策略
  • .NET/C# 使用 SpanT 为字符串处理提升性能
  • .Net开发笔记(二十)创建一个需要授权的第三方组件
  • .NET使用存储过程实现对数据库的增删改查
  • @Autowired和@Resource装配
  • [3300万人的聊天室] 作为产品的上游公司该如何?
  • [acm算法学习] 后缀数组SA
  • [Android学习笔记]ScrollView的使用
  • [JS] node.js 入门
  • [Linux] 用LNMP网站框架搭建论坛
  • [Linux]——彻底学通权限
  • [loj#115] 无源汇有上下界可行流 网络流
  • [Matlab有限元分析] 2.杆单元有限元分析
  • [p4] Uncheckout other user‘s file?
  • [PostgreSQL的 SPI_接口函数]
  • [Python从零到壹] 五十三.图像增强及运算篇之直方图均衡化处理