excel统计分析——方差分析总述

参考资料：生物统计学

        当比较两个样本的均值时，用t检验；但当需要比较的样本均值拓展到三个或更多时，如果用多次t检验，不仅费时费力，而且犯第一类错误的概率随着样本数量提高也会大幅提高。因此，英国统计学家Fisher提出了方差分析，用以解决两个以上均值差异显著性的检验问题。
        与t检验不同，方差分析将全部观测值作为一个整体来看待，把数据的变异总量分解为不同变异原因引起的若干部分，比如处理分量和误差分量，然后进行F检验，判断处理的变异是否显著地大于随机误差引起的变异，从而站在全局高度来判断试验处理是否显著有效。
        方差分析实质上是关于观测值变异源的数量分析，不仅适用于单因素试验，也适用于两个或以上因素及综合性试验设计得到的试验结果，具有强大的分析各因素的主效应、交互作用以及误差效应的功能；方差分析还能与回归分析结合使用，分析初始条件对处理效应的影响，使检验的效率得到极大提高。

方差分析的基本思路：
       通过试验获得一批数据，可以计算其总平均数，也可以计算不同处理的平均数，每一个观测值与总平均数间的差异是数据的总变异，同一处理的每一观测值与该处理平均数间的差异称为组内变异，不同处理平均数间的差异称为组间变异。
       组内变异是由随机误差引起的，而组间变异是由随机误差和处理效应共同引起的。如果不存在处理效应，则组间变异与组内变异会比较接近；如果存在处理效应，则组间变异会明显大于组内变异。
       方差分析就是通过将数据的总变异分解为组间变异和组内变异，然后比较检验组间变异相对于组内变异的悬殊程度。通常用方差描述数据的变异性，由于两个方差之比服从F分布，故可用F检验来检测组间变异和组内变异的比值是否显著。
       F检验时全局性的分析，当处理效应显著时，需在统一的误差背景（使用同一个标准误）下进行平均数间的多重比较，以确定任意两个平均数间的变异显著性。

方差分析的基本假定

1、效应可加性

        效应可加性指处理效应和重复效应可加，才能将总变异准确拆分为各种原因引起的变异，并确定各变异的方差相对于误差方差的比值，对试验结果作出正确的F检验。

2、误差正态性

        误差正态性值试验误差是服从正态分布N(0,σ2）且独立的随机变量。方差分析只能估计随机误差，要求每个观测值均围绕其平均值呈正态分布。顺序排列或系统抽样的资料不能进行方差分析。

正态性检验可参照之前的文章：

excel统计分析——Q-Q图_excel 分位数图-CSDN博客

excel统计分析——P-P图_probability-probability plot-CSDN博客

excel统计分析——偏度、峰度-CSDN博客

excel统计分析——S-W正态性检验-CSDN博客

excel统计分析——K-S正态性检验-CSDN博客

excel统计分析——CVM正态性检验-CSDN博客

excel统计分析——A-D正态性检验-CSDN博客

excel统计分析——Lilliefors正态性检验-CSDN博客

3、方差同质性

        方差同质性指各处理的方差应同质，要求试验处理不影响随机误差的方差。方差分析将各处理的变异（组内变异）合并得到一个共同的误差方差并用于检验各处理效应的显著性即平均数间的多重比较，必然要求所有处理具有一个共同的方差。

多个方差的同质性检验参考：

excel统计分析——Levene方差齐性检验_excel怎么做levene检验-CSDN博客

excel统计分析——Bartlett方差齐性检验_bartlett球形检验excel实现-CSDN博客

excel统计分析——Hartley方差齐性检验_hartley检验方法-CSDN博客

excel统计分析——Cochran‘s C 方差齐性检验-CSDN博客