python 方差分析 样本量太大_【Python】统计科学之多因素方差分析

首页

专栏

python

文章详情

0

统计科学之多因素方差分析

张俊红发布于 10 分钟前

01.前言

在前面我们讲过简单的单因素方差分析，这一篇我们讲讲双因素方差分析以及多因素方差分析，双因素方差分析是最简单的多因素方差分析。

单因素分析就是只考虑一个因素会对要比较的均值产生影响，而多因素分析是有多个因素会对均值产生影响。

需要注意的是一个因素可能会有不同的水平值，即不同的取值。比如要判断某一款药对某种病症有没有效果，服用不同的剂量效果应该是不一样的，虽然因素都是服药这一个因素，但是不同的药剂量代表不同的水平。

双因素(多因素)方差分析又可以分为两种，一种是有交互作用的，一种是没有交互作用的。啥意思呢？什么是交互作用呢？

比如我们大家所熟知的，牛奶和药是不可以一起吃的，如果单独喝牛奶有助于身体蛋白质的补充，如果单独吃药可以有助于治疗病症，但是牛奶和药同时吃就会把两者的作用抵消掉。这种两者之间的相互作用就可以理解成是交互作用，当然了，有的时候交互是正向呢，有的时候是负向的。

02.无交互作用方差分析

现在有如下一份不同品牌不同地区的产品销量数据表，想要看一下不同品牌和不同地区这两个因素是否对销量有显著性影响：

我们先来看看无交互作用的双因素方差分析具体怎么做呢，所谓的无交互也就是假设品牌和地区之间是没有交互作用的，相互不影响，只是彼此单独对销量产生影响。

前面单因素方差分析中，我们是用F值去检验显著性的，多因素方差分析也同样是用F值.

F = 组间方差/组内方差。

对于没有交互作用的多因素，可以单纯理解为多个单因素。也就是你可以单独去看品牌对销量的影响，然后再单独去看地区对销量的影响。

那单独怎么看呢？这就回到了我们前面讲过的单因素方差分析。

我们先来计算品牌的组内平方和:

SSA = (每个品牌的均值 - 全部销量均值)^2*每个品牌内样本数

= (344.20-328.45)^2*5 + (347.80-328.45)^2*5 + (337.00-328.45)^2*5 + (284.80-328.45)^2*5

= 13004.55

我们再来计算地区的组内平方和:

SSB = (每个地区的均值 - 全体销量均值)^2*每个地区内样本数

= (339.00-328.45)^2*4 + (330.25-328.45)^2*4 + (339.25-328.45)^2*4 + (318.25-328.45)^2*4

= 2011.7

接着我们来计算全部平方和：

SST = (每个值-总体均值)^2

= 17888.95

除此之外还有一个平方和：

SSE = SST - SSA - SSB

这部分