【概率论与数理统计(研究生课程)】知识点总结10(方差分析)

原文地址：【概率论与数理统计(研究生课程)】知识点总结10(方差分析)

单因素方差分析

$H_0:{\mu }_1={\mu }_2=\cdots ={\mu }_n;H_1:{\mu }_1,{\mu }_2,\cdots ,{\mu }_n$不全相等

方差分析表

方差来源	平方和	自由度	均方	F比
因素A	$S_A^2$	$f_A=r-1$	$M{S}_A=\frac{S_A^2}{f_A}$	$F=\frac{M{S}_A}{M{S}_e}$
误差e	$S_e^2$	$f_e=n-r$	$M{S}_e=\frac{S_e^2}{f_e}$
总和	$S_T^2=S_A^2+S_e^2$	$f_T=f_A+f_e=n-1$

$$\begin{array}{rl}{S}_A^2& =\sum _{i=1}^r{m}_i({\bar{y}}_{i\cdot }-\bar{y}{)}^2=\sum _{i=1}^r{m}_i{\bar{y}}_{i\cdot }^2-n{\bar{y}}^2,f_A=r-1\\ S_e^2& =\sum _{i=1}^r\sum _{j=1}^m(y_{ij}-{\bar{y}}_{i\cdot }{)}^2=\sum _{i=1}^r(n_i-1)S_i^2=S_T^2-S_A^2,f_e=n-r\\ S_T^2& =\sum _{i=1}^r\sum _{j=1}^{m_i}(y_{ij}-\bar{y}{)}^2=\sum _{i=1}^r\sum _{j=1}^{m_i}{y}_{ij}^2-n{\bar{y}}^2,f_T=n-1\end{array}$$

一般来说，如果题目中没有告诉任何表中信息，通过先求$S_A^2$、再求$S_T^2$、最后求$S_e^2$的顺序求解。
$S_e^2$中$S_i^2$是每个因素的样本方差。

对给定的$\alpha$可作出如下判断：

1. 如果$F>F_{\alpha }(f_A,f_e)$，则认为因素A显著
2. 若$F\le F_{\alpha }(f_A,f_e)$，则说明因素A不显著

关系强度

$$R^2=\frac{S_A^2}{S_T^2}$$

$R$表明了自变量与因变量之间的关系强度。

多重比较问题

若果上述问题拒绝原假设，即均值不全相等，那究竟是哪几个之间不相等？通过对总体均值之间的配对比较来进一步检验到底哪些均值之间存在差异。

多重比较方法有很多种，这里介绍费希尔提出的最小显著差异方法$LSD$，具体步骤如下：

1. 提出原假设和备择假设：$H_0:{\mu }_i={\mu }_j;H_1:{\mu }_i\ne {\mu }_j$
2. 构造统计量$\frac{{\bar{y}}_{i\cdot }-{\bar{y}}_{j\cdot }-({\mu }_i-{\mu }_j)}{\sqrt{(\frac{1}{m_i}+\frac{1}{m_j})M{S}_e}}\sim t(n-r)$
3. 计算${\bar{y}}_{i\cdot }-{\bar{y}}_{j\cdot }$和$LSD$，其中$LSD$计算公式为：$LSD=t_{\frac{\alpha }{2}}(n-r)\sqrt{M{S}_e(\frac{1}{m_i}+\frac{1}{m_j})}$
4. 根据显著性水平$\alpha$做出决策，如果$|{\bar{y}}_{i\cdot }-{\bar{y}}_{j\cdot }|>LSD$则拒绝原假设，否则接受原假设。

双因素方差分析

检验假设： $H_{01}:{\alpha }_1={\alpha }_2=\cdots ={\alpha }_r=0;H_{02}:{\beta }_1={\beta }_2=\cdots ={\beta }_s=0$

方差分析表

方差来源	平方和	自由度	均方	F比
因素A	$S_A^2$	$f_A=r-1$	$M{S}_A=\frac{S_A^2}{f_A}$	$F_A=\frac{M{S}_A}{M{S}_e}\sim F(r-1,(r-1)(s-1))$
因素B	$S_B^2$	$f_B=s-1$	$M{S}_B=\frac{S_B^2}{f_B}$	$F_B=\frac{M{S}_B}{M{S}_e}\sim F(s-1,(r-1)(s-1))$
误差e	$S_e^2$	$f_e=(r-1)(s-1)$	$M{S}_e=\frac{S_e^2}{f_e}$
总和	$S_T^2=S_A^2+S_e^2$	$f_T=f_A+f_B+f_e=rs-1$

$$\begin{array}{rl}{S}_A^2& =s\sum _{i=1}^r({\bar{y}}_{i\cdot }-\bar{y}{)}^2=s\sum _{i=1}^r{\bar{y}}_{i\cdot }^2-rs{\bar{y}}^2,f_A=r-1\\ S_B^2& =r\sum _{j=1}^s({\bar{y}}_{\cdot j}-\bar{y}{)}^2=r\sum _{j=1}^s{\bar{y}}_{\cdot j}^2-rs{\bar{y}}^2,f_B=s-1\\ S_e^2& =\sum _{i=1}^r\sum _{j=1}^s(y_{ij}-{\bar{y}}_{i\cdot }-{\bar{y}}_{\cdot j}+\bar{y}{)}^2=S_T^2-S_A^2-S_B^2,f_e=(r-1)(s-1)\\ S_T^2& =\sum _{i=1}^r\sum _{j=1}^s(y_{ij}-\bar{y}{)}^2=\sum _{i=1}^r\sum _{j=1}^s{y}_{ij}^2-rs{\bar{y}}^2,f_T=rs-1\end{array}$$

对给定的$\alpha$:

1. $H_{01}$的拒绝域为：$F_A\ge F_{\alpha }(r-1,(r-1)(s-1))$
2. $H_{02}$的拒绝域为：$F_B\ge F_{\alpha }(s-1,(r-1)(s-1))$

关系强度

$$R^2=\frac{S_A^2+S_B^2}{S_T^2}$$

$R$表明了两个自变量合起来与因变量之间的关系强度。