随机区组化实验设计（RCBD）和线性模型（Linear Models）

Fixed effects or Random effects

10个人服用药物，10个不同的个体的血压不同，即随机效应；

总的看这种药物是不是有效果——固定效应。使用单因素方差分析，双因素方差分析等。

1.效应值是否感兴趣 

2.因子是否含有信息量     e.g.,放牧是不是对草场有影响（并不关注每家每户增加收益有多少）

3.设计实验时有没有人为的操控    如果是，这就是固定效应

 （？）总的平方和-随机效应的平方和

比较随机平方和和中间平方和占的比例

完全随机实验设计

优势：最高自由度（不涉及随机区组化），统计功效比较强（简单方差分析即可）

缺点：潜在环境干扰很大（左侧公路，右边池塘都存在干扰），误差棒较大

容易出现二类错误（因为统计方法的选用，模糊了原有的差异性），忽视了原有的格局。

从左到右，干旱到湿润，施肥效应的影响被环境遮掩掉了，应该把土壤含水量也考虑进去，无论是SWC还是施肥都能对粮食产量产生促进作用

环境梯度影响遮蔽了原有差异（调查区域常绿树木应该高于落叶，但因高低海拔差异，误差棒很大）

设计三个block，低海拔测常绿阔叶，中海拔选取一个样方，高海拔同样选取一个样方（上等马对上等马）。通过block，控制环境梯度产生的差异

同样对树种、海拔产生的高度差异感兴趣。可以把海拔也作为一个影响的固定效应。如果不关注，应该把海拔设成随机效应

怎么去掉产生影响的随机因子（潜在变量产生的方差）

通过分组，设计成类似田忌赛马中的分组，把潜在环境变量产生的影响扣除掉。

随机区组化实验设计（RCBD），是野外试验首先要考虑选择的实验设计方法。

 室内试验——为了避免光照、摆放位置、高度等因素产生的影响，也可以通过RCBD，尽可能均匀化，控制误差来源，帮助我们得到显著的结果。

设计Block的目的，使得Block内部的条件差不多，而Block之间的差异尽可能的大（上图Bolok竖着排）

野外实验——设计的时候，形状尽可能规律规整（正方形），使得Block内部的差异尽可能的小。多变的

e.g., 根据小花草玉梅幼苗的株高（表征长势情况），1-20高度排序，最高的两个一个施肥，一个不施肥，依次递推。把株高作为环境变量，作为随机效应排序的依据。

 线性混合效应模型（lmer函数拟合）https://blog.csdn.net/weixin_43645790/article/details/125478197https://blog.csdn.net/weixin_43645790/article/details/125478197

Y~Treatment + [Block/Treatment]

 一堆样方绑成一个Block，每个Block里面都有配套的处理（e.g.,每个Block里面都有施氮肥、施磷肥、不施肥）  一亩地有6个Block，每个Block有3个Treatment

（假如实验设计本身含有Block，在写模型的时候不可以删除）

数据比较多，计算的时候费时多，比较麻烦

劣势：1.df、R2有时候不好计算      2.把混合线性模型纳入SEM（结构方程模型）比较麻烦，后续才较好的解决了。

F值表示处理之间的差异，期望越大越好

分子：组间差异

分母：误差平方和Error SS     

除以自由度(error df)，防止方差膨胀。减小样本量膨胀导致的数据的变异，产生一个无量纲的数

左侧柱图，Treatment小；Error大，对应的自由度大，F值小

右侧柱图，设置Block后，Block本身又会解释一些误差平方和，而这块就在Error块中。这使得分母大幅度减小，使得F统计量变大，倾向于得到一个大的F数值，帮助我们更容易得到一个显著的统计结果。Error对应的自由度被带走一部分，Error-Block=剩余的新自由度。

可能出现假重复的问题：扩大化科学问题

调查东岗、定远、兴隆山草地森林农田的差异——从三个地点间的差异扩大到全球草地农田森林的差异

线性模型（Linear Models）

交互效应、模型筛选

y=ax+b

两组数据可以T检验t.test()

也可以用线性模型回归（regression lm）实现同样的结果   lm(Height~Gender,data=size)

ANOVA  自变量分组

Linear model  无组可分

线性回归时，也可以通过ANOVA检验误差平方和、总平方和、回归平方和    回归平方和占总平方和的比例，得出R2

通过X2和X1斜率   比较两个变量是否有交互效应

存在交互——即X1影响Y取决于X2的情况    

三种类型，命名为A、B、C。   命名为123，带有量纲，可以比较加减（×）

两组数据   因子型变量   0和1 是无量纲的数据，相除相乘无意义，可以使用

R里面数据读入时，必须把数值型变量转换为因子型变量

Y表示人的身高，a表示刚出生时的身高，b1男性每年长多少厘米，ei误差项

女孩  （1）+0岁时截距的差异b2+斜率的差异b3(X.1)=（a+b2）+(b1+b3)X+ei

b2大小表征0岁是男女生身高的差异，b3男女生长斜率差异

通过b3检验这两者之间存在的差异，是否显著       显著差异，有交互效应    

b3显著大于/小于0，二者斜率不同，存在交互效应

举例

 温度影响与游泳速度的差异

本身两种鱼因身体结构的差异，就存在游泳速度差异，两种鱼游泳速度随温度增长也不同

 D列，两种鱼，一种为0，一种为1

检验三个假设

H01：检验b1=0，第一种鱼游泳速度是否会随着水温变化

H02：检验b2=0，两种鱼在某一给定温度下游泳速度是否差异

H03：检验b3=0，两种鱼随温度变化，游泳速度变化是否有差异

参数估计时的均值  估计值Estimate         ±（95%置信区间）1.96×SE=0，其P值就是0.05

22.4405±1.96×3.4841，离0很大，即P值很大1.55e-05

估计值与实际值之间的标准误Std.Error（SE）

 t value  P值

第一行  Intercept（截距）  a=22.440      第一种鱼的0°游泳速度，即截距

第二行 Temperature            b1=1.015     第一种鱼游泳速度随温度变化，斜率b1

第三行 Species Trout           b2=18.356   第二种鱼与第一种鱼的截距差值b2

第四行 Species Trout ：Temperature   b3=1.626   第二种鱼与第一种鱼的斜率差值b3，P值为2.68e-05，即两种鱼游泳速度随温度变化的差异显著

线性回归 回归平方和和误差平方和那个占比更大，

R2 统计得出，表征看回归平方和/误差平方和是否显著

显示出截距和斜率存在多大的差距，斜率的差异b3是否显著

 e.g., 氮磷存在显著交互作用

（氮影响生物量，磷影响生物量，同时氮和磷交互着影响生物量）——氮对生物量的影响依赖于是否添加磷

对于交互效应，符合边界性原则——用到交互效应，必须先说明主效应

提问：氮处理，磷处理，氮磷交互处理建立SEM模型

piecewisedSEM包（分段结构方程模型）—multigroup函数

multigroup(
  modelList,
  group,
  standardize = "scale",
  standardize.type = "latent.linear",
  test.type = "III"
)

 先固定磷的水平，有无磷

1.有磷，氮对因子的SEM

2.无磷，氮对因子的SEM

固定磷来分组检验   不要把N/P/NP放在一个SEM，不同情况建立SEM，路径更容易看出是否有交互差异。