方差分析【单/双因素方差分析】

文章目录

  • 方差分析
      • 一、单因素方差分析(Analysis of Variance)
        • 1.方差分析在做什么?
        • 2.方差分析的思路:
        • 3.方差分析中的计算:
        • 4.构造F统计量:
      • 二、双因素方差分析(Two-way ANOVA)
        • 1.双因素方差分析在做什么?
        • 2.双因素方差探讨三个问题:
        • 3.双因素方差分析的检验思路
        • 4.双因素方差分析中的计算方法
        • 5.构造F统计量

方差分析

一、单因素方差分析(Analysis of Variance)

1.方差分析在做什么?
  • 比较不同分组(通常组别大于等于3)之间均值是否存在显著差异,如果组别是两组,直接使用t检验就可以;
  • n个分类,它们的某一些特征值的平均值,是否有显著区别;
    • 分类:因素(factor or independent variable)。是分类型变量,且类别大于3;
  • n个分类,它们的某一特征值的平均值,是否有显著区别;
    • 特征值(dependent variable):连续型变量;

在这里插入图片描述
在这里插入图片描述

2.方差分析的思路:
  • 数据整体波动(sum of squares total):组内波动与组间波动
  • 组内波动:
    • 某一分组内,个体特征值的离散程度
    • Sum of Squares Within,SSW
    • 例子:协和医学院学生考试成绩的离散程度
  • 组间波动:
    • 不同分组之间,分组特征值的平均值的离散程度
    • Sum of Squares Between,SSB
    • 例子:协和医学院、北大医学院、哈弗医学院,学生考试成绩均值的离散程度v

在这里插入图片描述
在这里插入图片描述

结论:

组间波动占整体越大,组内波动占整体越小,各组均值相等的可能性越小

组内波动占整体越大,组间波动占整体越小,各组均值相等的可能性越大

3.方差分析中的计算:
  • SST:

在这里插入图片描述

  • SSW:

在这里插入图片描述

  • SSB

在这里插入图片描述

  • 整体波动 = 组内波动 + 组间波动

在这里插入图片描述

4.构造F统计量:

在这里插入图片描述

  • 自由度

在这里插入图片描述

如果F统计量很大(例如:F统计量对应的P值小于0.05),意味着SSB显著的大于SSW,有理由认为各分组之间的平均值存在显著差异,拒绝原假设;

如果F统计量很小(例如:F统计量对应的P值大于0.05),意味着SSB不显著的大于SSW,有理由认为各分组之间的平均值不存在显著差别,接受原假设;

二、双因素方差分析(Two-way ANOVA)

1.双因素方差分析在做什么?

根据两个因素进行分组时,不同分组之间特征值的平均值是否相等。

  • 特征值:连续变量(例如:播放量、成绩)
  • 因素:分类型变量(例如:视频分区、学历、院校、性别)
  • 分类组别不一定大于3
2.双因素方差探讨三个问题:
  • 问题一:根据第一个因素进行分组时,不同分组之间的特征均值是否相等
    • 原假设:第一个因素对特征值没有显著影响
    • 备择假设:第一个因素对特征值均值存在显著影响
  • 问题二:根据第二个因素进行分组时,不同分组之间的特征均值是否相等
    • 原假设:第一个因素对特征值没有显著影响
    • 备择假设:第一个因素对特征值均值存在显著影响
  • 问题三:第一个因素和第二个因素的交互效应,是否对不同分组之间的特征值均值产生影响
    • 原假设:交换效应对特征值均值没有显著影响
    • 备择假设:交互效应对特征值均值存在显著影响
3.双因素方差分析的检验思路
  • 第一步:计算出因素一波动、因素波动、交互项波动、误差波动

  • 第二步:分别将因素一波动、因素二波动、交互项波动、与误差项波动进行比较

    • 因素一波动 v.s. 误差项波动进行比较
    • 因素二波动 v.s. 误差项波动进行比较
    • 交互项波动 v.s. 误差项波动进行比较

计算五个波动

  • 数据整体波动(sum of squares total)
  • 第一个因素所带来的波动(sum of squares first factor)
  • 第二个因素所带来的波动(sum of squares secon factor)
  • 两个因素交互项所带来的波动(sum of squares interaction)
  • 误差项所带来的波动(sum of squares error)

在这里插入图片描述

  • 例子:
  • 在这里插入图片描述
  • 在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
4.双因素方差分析中的计算方法
  • 数据整体波动:

    每个个体的数值减去总体的平均值的平方和
    在这里插入图片描述

  • 第一个因素所带来的波动

    认为的构造一组数据,使得它只有由性别引起的波动,而没有由其他因素引起的波动。
    在这里插入图片描述

  • 第二个因素所带来的波动

    人为的构造一组数据,使得它只有由医学院引起的波动而没有由其他因素引起的波动;

    在这里插入图片描述

  • 交互项所带来的波动

    交互项所带来的波动 = 模型波动 - 因素一波动 - 因素二波动

    • 模型波动

在这里插入图片描述

在这里插入图片描述

  • 误差项所带来的波动
    • 模型所不能解释的波动,个体取值减去模型所能解释的取值
    • 模型所能解释的取值:如果某个个体,只受性别和学校影响,不受其他因素的影响,个体取值应该为所在性别和学校的平均值

在这里插入图片描述

5.构造F统计量

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

根据F统计量,查找对应的p值,如果小于0.05,则表明因素显著的影响特征值,如果大于0.05或者大于提前设置的临界值,则表明因素对特征值取值没有显著的影响。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/857757.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

时序预测 | Matlab基于Transformer多变量时间序列多步预测

目录 效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab基于Transformer多变量时间序列多步预测; 2.多变量时间序列数据集(负荷数据集),采用前96个时刻预测的特征和负荷数据预测未来96个时刻的负荷数据; 3…

53【场景作图】纵深感

1 想清楚什么是前 什么是后 如果背景虚化,就不要处理地很平面,如果很平面,就留一个清晰的边缘 2 重叠 遮挡 被遮挡的物体会更远

Java中的内存管理:从堆到栈的深入解析

Java中的内存管理:从堆到栈的深入解析 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天,我将为大家详细介绍Java中的内存管理&#x…

微信小程序在独立分包中安装自定义依赖组件,构建自定义 npm 依赖

在微信小程序app.json文件中创建一个独立分包 然后在分包文件夹下 创建一个 package.json文件,在文件中添加你要安装的依赖文件及版本 在终端中开始安装依赖:npm i 依赖安装完成后,会产生一个 node_modules文件 需要项目的根目录下的projec…

动态规划:基本概念

Dynamic Programming 动态规划(Dynamic Programming, DP) 是一种算法设计技巧,通常用来解决具有重叠子问题和最优子结构性质的问题。它通过将问题分解为更小的子问题,逐步解决这些子问题并将结果存储起来,以避免重复计…

【深度学习】python之人工智能应用篇——图像生成技术(二)

说明: 两篇文章根据应用场景代码示例区分,其他内容相同。 图像生成技术(一):包含游戏角色项目实例代码、图像编辑和修复任务的示例代码和图像分类的Python代码示例 图像生成技术(二)&#xff1a…

外星人Alienware m18R1 原厂Windows11系统

装后恢复到您开箱的体验界面,包括所有原机所有驱动AWCC、Mydell、office、mcafee等所有预装软件。 最适合您电脑的系统,经厂家手调试最佳状态,性能与功耗直接拉满,体验最原汁原味的系统。 原厂系统下载网址:http://w…

Redis源码学习:从头开始掌握Redis核心设计

Redis 代码整体架构 了解 Redis 代码的整体架构将帮助我们快速定位各个功能模块对应的代码文件,并全面了解 Redis 的功能。 Redis 目录结构 Redis 的源码总目录下包含四个子目录:deps、src、tests 和 utils。每个目录都有其特定的作用。通过了解目录结…

React逻辑复用的方式都有哪些

在日常开发中,能够优雅的复用组件和逻辑,是优秀开发者的职责。在react中,复用逻辑的方式有很多,可以适用于不同的业务场景。今天说三个比较有代表性的,Render Props、HOC、Hooks Render Props 创建一个接受函数作为其…

PyQt学习之简介

1.Python图形界面称为程序的用户交互界面,英文称之为 UI (user interface) Tkinter 基于Tk的Python库,Python官方采用的标准库,优点是作为Python标准库、稳定、发布程序较小,缺点是控件相对较少。 wxPython 基于wxWidgets的Py…

“拿来主义”学习边框动画(附源码)

“拿来主义”学习边框动画,附源码,CV可用 扫码关注:小拾岁月,发送 “边框动画”,获取源码。 需求分析 从边框的旋转动画,我们可以看出,可以在按钮元素的下方添加给 360旋转 的元素。同时&…

观察者模式(大话设计模式)C/C++版本

观察者模式 扩展&#xff1a;观察者模式——委托 C 参考&#xff1a;https://www.cnblogs.com/Galesaur-wcy/p/15905936.html #include <iostream> #include <list> #include <memory> #include <string> using namespace std;// Observer类 抽象观…

人工智能导论笔记

有关知识表示和推理的零碎知识点 人工智能导论复习题和概念-CSDN博客 机器学习篇 机器学习分类&#xff08;根据样本数据是否带有标签&#xff09;&#xff1a;监督的机器学习、无监督的机器学习、半监督学习。 监督学习又称为“有教师学习”。在监督学习中&#xff0c;模型…

MySQL 面试突击指南:核心知识点解析2

事务并发可能引发的问题 MySQL 是一个客户端/服务器架构的软件,对于同一个服务器来说,可以有多个客户端与之连接,每个客户端与服务器连接后,可以称为一个会话(Session)。每个客户端都可以在自己的会话中向服务器发出请求语句,一个请求语句可能是某个事务的一部分,也就…

在 RK3568 上构建 Android 11 模块:深入解析 m、mm、mmm 编译命令

目录 Android 编译系统概述编译命令简介 环境准备使用 m、mm、mmm 编译模块编译整个源码树编译单个模块编译指定目录下的模块 高级应用并行编译清理编译结果编译特定配置 在 Android 开发中&#xff0c;特别是在 RK3568 这样的高性能平台上&#xff0c;有效地编译和管理模块是确…

什么是距离选通型水下三维激光扫描仪?(下)

距离选通激光水下成像的发展 距离选通激光成像技术始于上世纪60年代&#xff0c;受制于高性能脉冲激光器和选通成像器件发展的制约&#xff0c;激光距离选通成像技术在随后的二十年发展缓慢&#xff0c;直到20世纪90年代&#xff0c;随着硬件技术的不断成熟&#xff0c;该技术…

Prompt 提示词工程:翻译提示

近期在对计算机学习时&#xff0c;许多内容需要看原始的英文论文&#xff0c;对于我这种学渣来说特别不友好&#xff0c;&#x1f937;&#x1f3fb;‍♀️无奈只能一边看翻译&#xff0c;一边学习。 之前有搜到过专门的翻译工具&#xff0c;无奈都是按照字数算费用的&#xf…

【FreeRTOS】删除任务 用遥控器控制音乐

参考《FreeRTOS入门与工程实践(基于DshanMCU-103).pdf》 学习视频&#xff1a;【FreeRTOS入门与工程实践 --由浅入深带你学习FreeRTOS&#xff08;FreeRTOS教程 基于STM32&#xff0c;以实际项目为导向&#xff09;】 【精准空降到 01:22】 https://www.bilibili.com/video/BV1…

模拟原神圣遗物系统-小森设计项目,设计圣遗物词条基类

项目分析 首先需要理解圣遗物的方方面面 比如说圣遗物主词条部分和副词条部分都有那些特点 稍等一会&#xff1a;原神&#xff0c;启动&#xff01; 在此说明了什么&#xff1f; 这是完全体 &#xff1a;主副 词条都有 如果 升级直接暴击率 那么就留点 或者是另外的元素充能 …

关于笔记本电脑连接电源时触摸板失灵、卡顿、乱飘的问题

目录 前言 问题原因 解决方法 前言 我查阅了相关的资料和方法如下&#xff08;很感谢这位楼主大佬提供的问题所在&#xff09;&#xff1a; 问题原因 解决方法 那么解决方法无非就是几种&#xff08;方法仅供参考&#xff0c;不排除一些危险性&#xff09;&#xff1a; 1…