拉丁方设计的spss分析

上机操作4：拉丁方设计的spss分析

习题：采用拉丁方对草莓品种进行比较试验，分析不同品种之间的产量是否存在显著性差异。

草莓品种试验产量（kg/株）

解：1.假设 H0：不同品种之间的产量不存在显著的影响； H A：不同品种之间的产量存在显著的影响。

2.定义变量，输入数据：在变量视图中写入变量名称“产量”、“行区组”、“列区组”“品种”，宽度均为8，小数均为0。并在数据视图依次输入变量。“A”“B”“C”“D”“E”和“Ⅰ”“Ⅱ”“Ⅲ”“Ⅳ”“Ⅴ”分别用“1”“2”“3”“4”“5”表示。

3．分析过程：

（1）正态分布检验：

工具栏“图形”——“P-P图”，在“变量”中放入“产量”，“检验分布”为“正态”，“确定”。

（2）方差齐性检验：

a.工具栏“分析”——“比较均值”——“单因素ANOVA”。

b.在“因变量”中放入“产量”，在“固定因子”中分别放入“品种”。

c.点击“选项”，在“统计量”中点击“描述性”和“方差同质性检验”，“继续”。

d.“确定”。

（3）显著性差异检验：

a.工具栏“分析”——“常规线性模型”——“单变量”。

b.在“因变量”中放入“产量”，在“固定因子”中分别放入“品种”、“行区组”和“列区组”。

c.点击“模型”，“定制”，将“品种”“行区组”和“列区组”放入“模型”下。在“建立项”中选择“主效应”，“继续”。

d.点击“两两比较”，将“品种”放入“两两比较检验”中，点击“假定方差齐性”中的“LSD”“Tukey”和“Duncan”。

4.生成图表，输出结果分析：

（1）正态分布检验：

P-P图中数据点都分布在一条直线上，所以产量符合正态分布。

（2）方差齐性检验：

表1-1

表1-2

由表1-1可知，品种C的产量均值最大。由表1-2可知，P＞0.05，所以不同品种的产量方差不存在显著性差异，方差齐性。

（3）显著性差异检验：

表1-3

由表1-3可知，P品种＜0.01，P行区组＞0.05，P列区组＞0.05，所以不同品种的产量之间存在显著性差异，所以推翻H0，接受H A。不同行区组和不同列区组之间不存在显著性差异。

表1-4

表1-5

由表1-4可知，品种A、B、D、E的产量之间不存在显著性差异，品种C的产量和品种A、B、D、E的产量之间存在显著性差异；由表1-5可知，品种C的产量均值最大，并且与品种A、B、D、E 的产量之间存在显著性差异。产量均值关系：C＞A＞B＞D=E。

方差分析和试验设计

6方差分析与试验设计 在研究一个或多个分类型自变量与一个数值型因变量之间的关系时，方差分析就是其中主要方法之一。检验多个总体均值是否相等的统计方法。 所要检验的对象称为因素。因素的不同表现称为水平。每个因子水平下得到的样本数据称为观测值。 随机误差：在同一行业（同一总体）下，样本的各观测值是不同的。抽样随机性造成。 系统误差：在不同一行业（不同一总体）下，样本的各观测值也是不同的。抽样随机性和行业本身造成的。 组内误差：衡量因素在同一行业（同一总体）下样本数据的误差。只包含随机误差。 组间误差：衡量因素在不同一行业（不同一总体）下样本数据的误差。包含随机误差、系统误差。 方差分析的三大假设： 每个总体服从正态分布； 每个总体的方差必须相同； 观测值是独立的； 单因素方差分析（F分布） 数据结构：表示第i个水平（总体）的第j个的观测值。（i列j行）分析步骤： 1提出假设。自变量对因变量没有显著影响 不完全相等自变量对因变量有显著影响 2构造检验的统计量 计算因素各水平的均值（各水平样本均值） 计算全部观测值的总均值（总体均值） 计算误差平方和： 总误差平方和SST：全部观测值与总平均值得误差平方和。 水平项误差平方和SSA：各组平均值与总平均值得误差平方和。组间平方和。 误差项平方和SSE：各样本数据与其组平均值误差的平方和。组内平方和。 SST=SSA+SSE

A B C D E F G 1 误差来源 平方和自由度均方F 值P 值 F 临界值2SS df MS 3组间（因素 来源）SSA k-1MSA MSA/MSE 4组内（误差）SSE n-k MSE 5 总和 SST n-1 计算统计量 各平方和除以它们对应的自由度，这一结果称为均方。 SST 的自由度为（n-1），其中n 为全部观测值的个数。 SSA 的自由度为（k-1），其中k 为因素水平的个数。（组数-1） SSE 的自由度为（n-k ）。 SSA 的均方（组间均方）为 SSE 的均方（组内均方）为 3统计决策 在给定的显著性水平α下，查表得临界值 若，有显著影响； 若，无显著影响； 4方差分析表

方差分析与试验设计

第10章 方差分析与试验设计 三、选择题 1. Ｃ 2. Ｂ 3. Ａ 4. Ｂ 5. Ｃ 1.方差分析的主要目的是判断 （ ）。 Ａ. 各总体是否存在方差 Ｂ. 各样本数据之间是否有显著差异 Ｃ. 分类型自变量对数值型因变量的影响是否显著 Ｄ. 分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是 （ ）。 Ａ. 组间平方和除以组内平方和 Ｂ. 组间均方除以组内均方 Ｃ. 组间平方除以总平方和 Ｄ. 组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为 （ ）。 Ａ. 随机误差 Ｂ. 非随机误差 Ｃ. 系统误差 Ｄ. 非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为 （ ）。 Ａ. 组内误差 Ｂ. 组间误差 Ｃ. 组内平方 Ｄ. 组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 6. Ａ 7. Ｄ 8. Ｄ 9. Ａ 10.Ａ 6.组内误差是衡量某一水平下样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定 （ ）。 Ａ. 每个总体都服从正态分布 Ｂ. 各总体的方差相等 Ｃ. 观测值是独立的 Ｄ. 各总体的方差等于0 8.在方差分析中，所提出的原假设是210:μμ=H = ···=k μ，备择假设是（ ） Ａ. ≠≠H 211:μμ···k μ≠ Ｂ. >>H 211:μμ···k μ> Ｃ. <

如何理解拉丁方实验设计

如何理解“拉丁方实验设计”(邓涛) 近来，不少学生问到拉丁方设计如何理解的问题，而且提出不同教材的表述也不一样.为了不去一一解答，我这里再结合《应用实验心理学》上的表述作一说明. 我的基本看法是：拉丁方实验设计与区组实验设计一样，都是为了平衡额外变量，以防止这些额外变量成为混淆因子，破坏实验研究的内部效度.如果简化点来解释，一般来说，区组实验设计多用于对一个额外变量的平衡，如被试因素、时间顺序因素、空间位置因素等；拉丁方实验设计则可以看成是区组设计的扩展，即扩展到可以平衡两个额外变量（当然，如果设计巧妙，也可以达到对多于两个额外变量的平衡，但那也是在二维平衡模式上变化出来的）.为了说明，拉丁方设计及其与区组设计的联系，我们先说一说区组设计. 区组实验设计是在考察自变量影响效应的实验中，考虑到一个额外变量的影响，将这个额外变量作为区组变量，对其在各种实验处理条件下产生的影响进行平衡，同时将该区组变量引起的变异从残差中分离出来. 比如，限于实验室条件，研究者开展某一实验研究时每天只能为4名被试进行测试，实验处理也有四个水平：A1、A2、A3、A4.如果认为不在每周中的同一天进行测试，可能会引起测试结果的变化，这种影响又是比较重要的.于是可以将测试时间作为区组变量，即把同一天接受测试的被试看作是一个区组.这样就可以形成一个区组实验设计，如表2-8所示. 表2-8 四种实验处理的随机区组实验设计 现在我们进一步设想： 假如，在每天的实验中，一次只能测试一人，每天参加实验的四名被试只能分别在下午2～3点、3～4点、4～5点和5～6点的四个时段接受测试，而测试时段不同也可能会造成结果变化.这样一来，每一种实验处理条件安排的时段就也要取得平衡才行，你不能每天都在2点钟安排所有被试接受A1处理条件，或3点钟接受A1处理条件.于是，研究中采用测试天和测试时段两方面因素的平衡方法安排实验，构成了一个单因素的拉丁方实验设计，设计模式如图2-9所示.在这一设计中，测试是在星期几、测试是在每一天的哪一时段，这两个额外变量就都取得了很好的平衡. 从这一例子可以看出，拉丁方（latin square）是一个含P行P列，把P个实验处 理分配给P×P方格的管理方案，它便于在 复杂研究程序中有条理地管理各个工作单 元，并平衡两种额外变量的影响.在工农业 生产实验和心理与教育研究中，拉丁方都得到普遍应用.在这种实验设计中，首先根据自变量处理的水平数确定两个额外变量的水平数，然后利用两个额外变量的各个水平结合在一起构造一个拉丁方格，最后再将自变量的不同处理平衡地安排在这个方格中，就构成了一个研究方案，其结果要保证自变量的每一个水平在拉丁方格的每一行和每一列都出现且只出现一次.很明显，在这种设计中，自变量的水平数或水平结合数、额外变量的水平数必须相等.

正交试验设计及其方差分析

第三节正交试验设计及其方差分析 在工农业生产和科学实验中，为改革旧工艺，寻求最优生产条件等，经常要做许多试验，而影响这些试验结果的因素很多，我们把含有两个以上因素的试验称为多因素试验.前两节讨论的单因素试验和双因素试验均属于全面试验（即每一个因素的各种水平的相互搭配都要进行试验），多因素试验由于要考虑的因素较多，当每个因素的水平数较大时，若进行全面试验，则试验次数将会更大.因此，对于多因素试验，存在一个如何安排好试验的问题.正交试验设计是研究和处理多因素试验的一种科学方法，它利用一套现存规格化的表——正交表，来安排试验，通过少量的试验，获得满意的试验结果. 1.正交试验设计的基本方法 正交试验设计包含两个内容：（1）怎样安排试验方案；（2）如何分析试验结果.先介绍正交表. 正交表是预先编制好的一种表格.比如表9-17即为正交表L4(23),其中字母L表示正交，它的3个数字有3种不同的含义： (1) L4（23）表的结构：有4行、3列，表中出现2个反映水平的数码1，2. 列数 ↓ L4 （23） ↑↑ 行数水平数 （2）L4（23）表的用法：做4次试验，最多可安排2水平的因素3个. 最多能安排的因素数 ↓ L4(23) ↑↑ 试验次数水平数 (3) L4（23）表的效率：3个2水平的因素.它的全面试验数为23=8次，使用正交表只需从8次试验中选出4次来做试验，效率是高的. L4(23) ↑↑ 实际试验数理论上的试验数 正交表的特点： （1）表中任一列，不同数字出现的次数相同.如正交表L4(23)中，数字1，2在每列中均出现2次. （2）表中任两列，其横向形成的有序数对出现的次数相同.如表L4（23）中任意两列，

第10章 方差分析与试验设计

第10章 方差分析与试验设计 三、选择题 1.方差分析的主要目的是判断 （ ）。 Ａ. 各总体是否存在方差 Ｂ. 各样本数据之间是否有显著差异 Ｃ. 分类型自变量对数值型因变量的影响是否显著 Ｄ. 分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是 （ ）。 Ａ. 组间平方和除以组内平方和 Ｂ. 组间均方除以组内均方 Ｃ. 组间平方除以总平方和 Ｄ. 组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为 （ ）。 Ａ. 随机误差 Ｂ. 非随机误差 Ｃ. 系统误差 Ｄ. 非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为 （ ）。 Ａ. 组内误差 Ｂ. 组间误差 Ｃ. 组内平方 Ｄ. 组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 6.组内误差是衡量某一水平下样本数据之间的误差，它 （ ）。 Ａ. 只包括随机误差 Ｂ. 只包括系统误差 Ｃ. 既包括随机误差，也包括系统误差 Ｄ. 有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定 （ ）。 Ａ. 每个总体都服从正态分布 Ｂ. 各总体的方差相等 Ｃ. 观测值是独立的 Ｄ. 各总体的方差等于0 8.在方差分析中，所提出的原假设是210:μμ=H = ···=k μ，备择假设是（ ） Ａ. ≠≠H 211:μμ···k μ≠ Ｂ. >>H 211:μμ···k μ> Ｃ. <

第八章常用试验设计的方差分析

第八章 常用试验设计的方差分析 8.1 多因素随机区组试验和单因素随机区组试验的分析方法有何异同？多因素随机区组试验处理项的自由度和平方和如何分解？怎样计算和测验因素效应和互作的显著性，正确地进行水平选优和组合选优？ 8.2 裂区试验和多因素随机区组试验的统计分析方法有何异同？在裂区试验中误差E a 和E b 是如何计算的，各具什么意义？如何估计裂区试验中的缺区?裂区试验的线性模型是什么？ 8.3 有一大豆试验，A 因素为品种，有A 1、A 2、A 3、A 4 4个水平，B 因素为播期，有B 1、B 2、B 3 3个水平，随机区组设计，重复3次，小区计产面积25平方米，其田间排列和产量(kg )如下图，试作分析。 区组Ⅰ 区组Ⅱ 区组Ⅲ [答案： e MS 0.31，F 测验：品种、播期极显著，品种×播期不显著] 8.4 有一小麦裂区试验，主区因素A ，分A1(深耕)、A2(浅)两水平，副区因素B ，分B1(多肥)、B2(少肥)两水平，重复3次，小区计产面积15平方米，其田间排列和产量(假设数字)如下图，试作分析。 区组Ⅰ 区组Ⅱ 区组Ⅲ [答案： a E MS =0.58， b E MS =2.50，F 测验：A 和B 皆显著，A ×B 不显著] 8.5 设若上题小麦耕深与施肥量试验为条区设计，田间排列和产量将相应如下图，试作分

析，并与裂区设计结果相比较)。 B 1 B 1B 2 B 2 B 2B 1 [答案： A E MS =0.58， B E MS =1.75， c E MS =3.25，F 测验A 、B 均显著，A ×B 不显著] 8.6 江苏省淮南地区夏大豆区域试验部分资料摘录如下： 试点 年份 区组 CK 19—15 31—15 4—1 21—16 试点1 1977年 Ⅰ 134 160 168 226 196 Ⅱ 146 180 156 170 190 Ⅲ 148 206 188 216 200 1978年 Ⅰ 220 264 280 212 168 Ⅱ 228 260 276 208 156 Ⅲ 208 220 300 260 148 试点2 1977年 Ⅰ 137 236 197 196 155 Ⅱ 173 207 178 192 179 Ⅲ 110 171 223 208 125 1978年 Ⅰ 179 201 150 195 186 Ⅱ 182 224 189 203 191 Ⅲ 207 262 187 210 183 各年各点均为随机区组设计，试分析此试验结果。 [答案： 2 =3.67，e MS =406.06，Fv=12.89，Fvs=1.88，Fvy=5.18，Fvsy=10.35] 8.7 在药物处理大豆种子试验中，使用了大中小三种类型种子，分别用五种浓度、两种处理时间进行试验处理，播种后45天对每种各取两个样本，每个样本取10株测定其干物重，求其平均数，结果如下表。试进行方差分析。 处理时间A 种子类型C 浓度B B 1(0×10-6) B 2(10×10-6) B 3(20×10-6) B 4(30×10-6) B 5(40×10-6) A 1(12小时) C 1(小粒) 7.0 12.8 22.0 21.3 24.4 6.5 11.4 21.8 20.3 23.2 C 2(中粒) 13.5 13.2 20.4 19.0 24.6 13.8 14.2 21.4 19.6 23.8 C 3(大粒) 10.7 12.4 22.6 21.3 24.5 10.3 13.2 21.8 22.4 24.2 A 2(24小时) C 1(小粒) 3.6 10.7 4.7 12.4 13.6 1.5 8.8 3.4 10.5 13.7

常见的实验设计与计算举例

常见的实验设计与举例 一、单因素实验设计 单因素完全随机设计、单因素随机区组设计、单因素拉丁方实验设计和单因素重复测量实验设计是四种基本的实验设计，复杂的实验设计大多都是在这四种形式上的组合。研究者根据不同的研究假设、实验目的与条件使用不同的实验设计，但无论哪种实验设计都有一个共同的目标，即控制无关变异，使误差变异最小。 1.完全随机设计研究中有一个自变量，自变量有两个或多个水平，采用随机化方法，通过随机分配被试给各个实验处理，以期实现各个处理的被试之间在统计上无差异，这种设计每个（组）被试只接受一个水平的处理。完全随机实验的方差分析中，所有不能由处理效应解释的变异全部被归为误差变异，因此，处理效应不够敏感。 例：研究阅读理解随着文章中的生字密度的增加而下降。自变量为生字密度，共有四个水平：5:1、10:1、15:1、20:1，因变量是被试的阅读理解测验分数。实验实施时，研究者将32名被试随机分为四个组，每组被试阅读一种生字密度的文章，并回答阅读理解测验中有关文章内容的问题。 完全随机实验设计实施简单，接受每个处理水平的被试数量可以不等，但需要被试的数量较大，且被试个体差异带来的无关变异混杂在组内变异中，从而使实验较为不敏感。完全随机实验数据的统计分析，如果是单因素两组设计，采用独立样本t检验；如果是单因素完全随机多组设计则采用一元方差分析（One -Way ANOV A）。 2.随机区组设计研究中有一个自变量，自变量有两个或多个水平，研究中还有一个无关变量，也有两个或多个水平，并且自变量的水平与无关变量的水平之间没有交互作用。当无关变量是被试变量时，一般首先将被试在这个无关变量上进行匹配，然后将他们随机分配给不同的实验处理。 例：仍以文章的生字密度对阅读理解影响的研究为例，但由于考虑到学生的智力可能对阅读理解测验分数产生影响，但它又不是该实验感兴趣的因素，于是研究者采用单因素随机区组设计，在实验实施前，研究者首先给32个学生做了智力测验，并按智力测验分数将学生分为8个区组，然后随机分配每个区组内的4个同质被试分别阅读一种生字密度的文章。

拉丁方设计

拉丁方设计 ----------------------------------------------------------------- “拉丁方”的名字最初是由R、A、Fisher给出的。拉丁方设计（latin square design）是从横行和直列两个方向进行双重局部控制，使得横行和直列两向皆成单位组，是比随机单位组设计多一个单位组的设计。在拉丁方设计中，每一行或每一列都成为一个完全单位组，而每一处理在每一行或每一列都只出现一次，也就是说，在拉丁方设计中，试验处理数=横行单位组数=直列单位组数=试验处理的重复数。在对拉丁方设计试验结果进行统计分析时，由于能将横行、直列二个单位组间的变异从试验误差中分离出来，因而拉丁方设计的试验误差比随机单位组设计小，试验精确性比随机单位组设计高。 拉丁方设计又叫平衡对抗设计(baIanced design)、轮换设计。这三个名称是从其模式、作用和方法三个不同的角度来说明这种设计的意义。 所谓平衡对抗设计，是指在实验中，由于前一个实验处理往往会影响后一个实验处理的效果，而该实验设计的作用就在于提供对实验处理顺序的控制，使实验条件均衡，抵消由于实验处理的先后顺序的影响而产生的顺序误差，因而也可称之为抵消法设计。 所谓轮换设计，是指在实验中，由于学习的首因效应，先实验的内容，被试容易记住；又因为学习的近因效应，对于刚刚学过的内容，被试回忆的效果一般也较好。因此、在实验方法上，有必要使不同实验条件出现的先后顺序轮换，使情境条件以及先后顺序对各个实验组的机会均等，打破顺序界限。 所谓拉丁方设计，是指平衡对抗设计的结构模式，犹如拉丁字母构成的方阵。例如四组被试接受A、B、C、D四种处理，其实验模式为： 上述模式表可以看出，每种处理即表中的字母在每一行和每一列都出现了一次而且仅出现了一次。像这样的一个方阵列就称为一个拉丁方。要构成一个拉丁方，必须使行数等于列数，并且两者都要等于实验处理的种数。 在只有两个实验处理的情况下，通常采用的平衡对抗设计是以ABBA的顺序来安排实验处理的顺序。或者把单组被试分为两半．一半按照ABBA的顺序实施处理，另一半按照BAAB 的顺序实施处理。 一、拉丁方简介 （一）拉丁方——以n个拉丁字母A，B，C……，为元素，作一个n阶方阵，若这n 个拉丁方字母在这n阶方阵的每一行、每一列都出现、且只出现一次，则称该n阶方阵为n×n 阶拉丁方。 例如：2×2阶、3×3阶拉丁方。

第六章--方差分析与正交试验设计讲解学习

第六章 方差分析与正交试验设计 在生产实践和科学研究中，经常要分析各种因素对试验指标是否有显著的影响。例如，工业生产中，需要研究各种不同的配料方案对生产出的产品的质量有无显著差异，从中筛选出较好的原料配方；农业生产中，为了提高农作物的产量，需要考察不同的种子、不同数量的肥料对农作物产量的影响，并从中确定最适宜该地区种植的农作物品种和施肥数量。 要解决诸如上述问题，一方面需要设计一个试验，使其充分反映各因素的作用，并力求试验次数尽可能少，以便节省各种资源和成本；另一方面就是要对试验结果数据进行合理的分析，以便确定各因素对试验指标的影响程度。 §6.1 单因素方差分析 仅考虑一个因素A 对试验指标有无显著影响，可以让A 取r 个水平：r A A A ,,,21 ，在水平i A 下进行i n 次试验，称为单因素试验，试验结果观测数据ij x 列于下表： 并设在水平i A 下的数据i in i i x x x ,,21来自总体),(~2 i i N X ，),,2,1(r i 。 检验如下假设： r H 210:， r H ,,,:211 不全相等 检验统计量为 ),1(~) /() 1/(r n r F r n S r S F e A 其中2 1 2 11)()(x x n x x S i r i i r i n j i A i ，称为组间差平方和。 211 )(i r i n j ij e x x S i ，称为组内差平方和。

这里 r i i n n 1 ， i n j ij i i x n x 1 1 ， r i n j ij i x n x 111。 对于给定的显著性水平)05.001.0(或 ，如果),1(r n r F F ，则拒绝0H ，即认为因素A 对试验指标有显著影响。 实际计算时，可事先对原始数据作如下处理： b a x x ij ij 再进行计算，不会影响F 值的大小。 例1 试分析三种不同的菌型对小白鼠的平均存活日数影响是否显著？ 解：30,11,9,10,3321 n n n n r 16.6,27.7,22.7,4321 x x x x 43.70)()(21 2 11 x x n x x S i r i i r i n j i A i ， 74.137)(211 i r i n j ij e x x S i 49.5)27,2(90.601.0 F F ，说明三种不同菌型的伤寒病菌对小白鼠的平均存活日数的影响高度显著。 §6.2 双因素方差分析 同时考察两个因素A 和B 对试验指标有无显著影响，可以让A 取r 个水平： r A A A ,,,21 ，让B 取s 个水平：s B B B ,,,21 ，在各种水平配合),(j i B A 下进行试验， 称为双因素试验。 一、无交互作用的双因素方差分析 在每一种水平配合),(j i B A 下作一次试验，称为无交互作用的双因素试验，试验结果观测数据ij x 列于下表：

拉丁方试验设计

拉丁方试验设计 拉丁方试验设计在统计上控制两个不相互作用的外部变量并且操纵自变量。每个外部变量或分区变量被划分为一个相等数目的区组或级别，自变量也同样被分为相同数目的级别。它是从横行和直列两个方向进行双重局部控制，使得横行和直列两向皆成单位组，是比随机单位组设计多一个单位组的设计。在拉丁方设计中，每一行或每一列都成为一个完全单位组，而每一处理在每一行或每一列都只出现一次，也就是说，在拉丁方设计中，试验处理数=横行单位组数=直列单位组数=试验处理的重复数。 拉丁方——以n个拉丁字母A，B，C……，为元素，作一个n 阶方阵，若这n个拉丁方字母在这n阶方阵的每一行、每一列都出现、且只出现一次，则称该n阶方阵为n×n阶拉丁方。第一行与第一列的拉丁字母按自然顺序排列的拉丁方，叫标准型拉丁方。 拉丁方设计一般用于5~8个处理的试验，设计的基本要求：必须是三个因素的试验，且三个因素的水平数相等；三因素间是相互独立的，均无交互作用；各行、列、字母所得实验数据的方差齐（F 检验）。 试验设计的步骤：根据主要处理因素的水平数，确定基本型拉丁方，并从专业角度使另外两个次要因素的水平数与之相同；先将基本型拉丁方随机化，然后按随机化后的拉丁方阵安排实验。可通过对拉丁方的任两列交换位置或任两行交换位置实现随机化；规定

行、列、字母所代表的因素与水平，通常用字母表示主要处理因素。 数据处理的相关理论：拉丁方设计实验结果的分析，是将两个单位组因素与试验因素一起，按三因素试验单独观测值的方差分析法进行。将横行单位组因素记为A ，直列单位组因素记为B ，处理因素记为C ，横行单位组数、直列单位组数与处理数记为r ，对拉丁方试验结果进行方差分析的数学模型为： ),,2,1()()(r k j i x k ij k j i k ij ===++++=εγβαμ 式中:μ为总平均数；i α为第i 横行单位组效应；j β为第j 直列单位组效应，）（k γ为第k 处理效应。单位组效应i α、j β通常是随机的，处理效应）（k γ通常是固定的，且有01=∑=r k k γ；)(k ij ε为随机误差，相互独立， 且都服从），（20σN 。 平方和与自由度划分式为： e C B A T SS SS SS SS SS +++= e C B A T v v v v v +++= 矫正数：22/..r x C = 总平方和：C x SS k ij T -=∑2 )( 横行平方和：C r x SS i A -=∑/2. 直列平方和：C r x SS j B -=∑/2. 处理平方和：C r x SS k C -=∑/2)( 误差平方和：C B A T e SS SS SS SS SS ---= 总自由度：12-=r v T 横行自由度：1-=r v A

利用SPSS_进行方差分析以及正交试验设计

实验设计与分析课程论文 题目利用SPSS 软件进行方差分析和正交试验设计 学院 专业 年级 学号 姓名 2012年6月29日

一、SPSS 简介 SPSS 是世界上最早的统计分析软件，1984年SPSS 总部首先推出了世界上第一个统计分析软件微机版本SPSS/PC+，开创了SPSS 微机系列产品的开发方向，极大地扩充了它的应用范围，并使其能很快地应用于自然科学、技术科学、社会科学的各个领域，世界上许多有影响的报刊杂志纷纷就SPSS 的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价与称赞。 SPSS 的基本功能包括数据管理、统计分析、图表分析、输出管理等等。SPSS 统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类，每类中又分好几个统计过程，比如回归分析中又分线性回归分析、曲线估计、Logistic 回归、Probit 回归、加权估计、两阶段最小二乘法、非线性回归等多个统计过程，而且每个过程中又允许用户选择不同的方法及参数。SPSS 也有专门的绘图系统，可以根据数据绘制各种图形。SPSS 的分析结果清晰、直观、易学易用，而且可以直接读取EXCEL 及DBF 数据文件，现已推广到多种各种操作系统的计算机上，它和SAS 、BMDP 并称为国际上最有影响的三大统计软件。 SPSS 输出结果虽然漂亮，但不能为WORD 等常用文字处理软件直接打开，只能采用拷贝、粘贴的方式加以交互。这可以说是SPSS 软件的缺陷。 二、方差分析 例如 某高原研究组将籍贯相同、年龄相同、身高体重接近的30名新战士随机分为三组，甲组为对照组，按常规训练，乙组为锻炼组，每天除常规训练外，接受中速长跑与健身操锻炼，丙组为药物组，除常规训练外，服用抗疲劳药物，一月后测定第一秒用力肺活量(L)，结果见表。试比较三组第一秒用力肺活量有无差别。对照组为组一，锻炼组为组二，药物组为组三。 第一步：打开 SPSS 软件 表1 三组战士的第一秒用力肺活量(L) 对照组 锻炼组 药物组 合计 3.25 3.66 3.44 3.32 3.64 3.62 3.29 3.48 3.48 3.34 3.64 3.36 3.16 3.48 3.52 3.64 3.20 3.60 3.60 3.62 3.32 3.28 3.56 3.44 3.52 3.44 3.16 3.26 3.82 3.28

拉丁方试验设计

拉丁方试验设计的具体实例 拉丁方试验设计 拉丁方试验设计在统计上控制两个不相互作用的外部变量并且操纵自变量。每个外部变量或分区变量被划分为一个相等数目的区组或级别，自变量也同样被分为相同数目的级别。它是从横行和直列两个方向进行双重局部控制，使得横行和直列两向皆成单位组，是比随机单位组设计多一个单位组的设计。在拉丁方设计中，每一行或每一列都成为一个完全单位组，而每一处理在每一行或每一列都只出现一次，也就是说，在拉丁方设计中，试验处理数=横行单位组数=直列单位组数=试验处理的重复数。 拉丁方——以n个拉丁字母A，B，C……，为元素，作一个n 阶方阵，若这n个拉丁方字母在这n阶方阵的每一行、每一列都出现、且只出现一次，则称该n阶方阵为n×n阶拉丁方。第一行与第一列的拉丁字母按自然顺序排列的拉丁方，叫标准型拉丁方。 拉丁方设计一般用于5~8个处理的试验，设计的基本要求：①必须是三个因素的试验，且三个因素的水平数相等；②三因素间是相互独立的，均无交互作用；③各行、列、字母所得实验数据的方差齐（F 检验）。 试验设计的步骤：①根据主要处理因素的水平数，确定基本型拉丁方，并从专业角度使另外两个次要因素的水平数与之相同；②先将基本型拉丁方随机化，然后按随机化后的拉丁方阵安排实验。可通过对拉丁方的任两列交换位置或任两行交换位置实现随机化；③规定

行、列、字母所代表的因素与水平，通常用字母表示主要处理因素。 数据处理的相关理论：拉丁方设计实验结果的分析，是将两个单位组因素与试验因素一起，按三因素试验单独观测值的方差分析法进行。将横行单位组因素记为A ，直列单位组因素记为B ，处理因素记为C ，横行单位组数、直列单位组数与处理数记为r ，对拉丁方试验结果进行方差分析的数学模型为： ),,2,1()()(r k j i x k ij k j i k ij ===++++=εγβαμ 式中:μ为总平均数；i α为第i 横行单位组效应；j β为第j 直列单位组效应，）（k γ为第k 处理效应。单位组效应i α、j β通常是随机的，处理效应）（k γ通常是固定的，且有01=∑=r k k γ；)(k ij ε为随机误差，相互独立， 且都服从），（20σN 。 平方和与自由度划分式为： e C B A T SS SS SS SS SS +++= e C B A T v v v v v +++= 矫正数：22/..r x C = 总平方和：C x SS k ij T -=∑2 )( 横行平方和：C r x SS i A -=∑/2. 直列平方和：C r x SS j B -=∑/2. 处理平方和：C r x SS k C -=∑/2)( 误差平方和：C B A T e SS SS SS SS SS ---= 总自由度：12-=r v T 横行自由度：1-=r v A

单因素实验设计

单因素实验设计 单因素实验设计是指在实验中只有一个研究因素，即研究者只分析一个因素对效应指标的作用，但单因素实验设计并不是意味着该实验中只有一个因素与效应指标有关联。单因素实验设计的主要目标之一就是如何控制混杂因素对研究结果的影响。常用的控制混杂因素的方法有完全随机设计、随机区组设计和拉丁方设计等。 一、完全随机设计 1.概念与特点 又称单因素设计或成组设计，是医学科研中最常用的一种研究设计方法，它是将同质的受试对象随机地分配到各处理组进行实验观察，或从不同总体中随机抽样进行对比研究。该设计适用面广，不受组数的限制，且各组的样本含量可以相等，也可以不相等，但在总体样本量不变的情况下，各组样本量相同时的设计效率最高。 例如：为了研究煤矿粉尘作业环境对尘肺的影响，将18只大鼠随机分到甲、乙、丙3组，每组6只，分别在地面办公楼、煤炭仓库和矿井下染尘，12周后测量大鼠全肺湿重（g），通过评价不同环境下大鼠全肺平均湿重推断煤矿粉尘对作用尘肺的影响，具体的随机分组可以如下实施： 第一步：将18只大鼠编号：1，2，3， (18) 第二步：可任意设置种子数，但应作为实验档案记录保存（本例设置spss11.0软件的种子数为200）； 第三步：用计算机软件一次产生18个随机数，每个随意数对应一只老鼠（本例用spss11.0软件采用均匀分布最大值为18时产成的18个随机数）； 第四步：最小的6个随机数对应编号的大鼠为甲组，排序后的第7个至第12个随机数随因编号为乙组，最大的6个随机数对应编号的大鼠为丙组（结果见表1）。 表1 分配结果 编号 1 2 3 4 5 6 7 8 9 3.75 8.75 16.29 11.12 5.49 3.98 13.64 16.71 1.69 随机 数 组别甲乙丙乙乙甲丙丙甲 编号10 11 12 13 14 15 16 17 18 13.62 16.36 2.12 4.74 11.54 3.98 0.13 17.35 16.38 随机 数 组别丙丙甲乙乙甲甲丙丙 2.随机数的产生方法 （1）随机数字表：如附表13（马斌荣，医学统计学，第4版），这是一个由0～9十个数字组成60行25列的数字表。说这些数字是随机的，是因为十个数字出现的频率近似相同，且出现的次序也没有规律。欲获得随机数，则事先根据研究性质确定随机数的位数，然后任意指定行和列，按事先确定的方向和方法读取随机数。如：将符合实验要求的20只动物随

第10章__方差分析与试验设计

第10章方差分析与试验设计 三、选择题 1.Ｃ 2.Ｂ 3.Ａ 4.Ｂ 5.Ｃ 1.方差分析的主要目的是判断（）。 Ａ.各总体是否存在方差 Ｂ.各样本数据之间是否有显著差异 Ｃ.分类型自变量对数值型因变量的影响是否显著 Ｄ.分类型因变量对数值型自变量的影响是否显著 2.在方差分析中，检验统计量Ｆ是（）。 Ａ.组间平方和除以组内平方和Ｂ.组间均方除以组内均方 Ｃ.组间平方除以总平方和Ｄ.组间均方除以总均方 3.在方差分析中，某一水平下样本数据之间的误差称为（）。 Ａ.随机误差Ｂ.非随机误差Ｃ.系统误差Ｄ.非系统误差 4.在方差分析中，衡量不同水平下样本数据之间的误差称为（）。 Ａ.组内误差Ｂ.组间误差Ｃ.组内平方Ｄ.组间平方 5.组间误差是衡量不同水平下各样本数据之间的误差，它（）。 Ａ.只包括随机误差 Ｂ.只包括系统误差 Ｃ.既包括随机误差，也包括系统误差 Ｄ.有时包括随机误差，有时包括系统误差 6.Ａ 7.Ｄ8.Ｄ9.Ａ10.Ａ 6.组内误差是衡量某一水平下样本数据之间的误差，它（）。 Ａ.只包括随机误差 Ｂ.只包括系统误差 Ｃ.既包括随机误差，也包括系统误差 Ｄ.有时包括随机误差，有时包括系统误差 7.在下面的假定中，哪一个不属于方差分析中的假定（）。 Ａ.每个总体都服从正态分布Ｂ.各总体的方差相等 Ｃ.观测值是独立的Ｄ.各总体的方差等于0 8.在方差分析中，所提出的原假设是0:=···= ，备择假设是（） 12 k Ａ.1:12···kＢ.1:12···k Ｃ. 1:···kＤ.1:1,2,···,k不全相等 12 9.单因素方差分析是指只涉及（）。 Ａ.一个分类型自变量Ｂ.一个数值型自变量 Ｃ.两个分类型自变量Ｄ.两个数值型因变量 10.双因素方差分析涉及（）。 Ａ.两个分类型自变量Ｂ.两个数值型自变量 Ｃ.两个分类型因变量Ｄ.两个数值型因变量 11.Ｂ12.Ｃ

拉丁方试验和统计方法

拉丁方试验和统计方法

第十三章拉丁方试验和统计方法 知识目标： ●掌握拉丁方试验设计方法； ●掌握拉丁方试验结果统计分析方法。 技能目标： ●学会拉丁方试验设计； ●学会拉丁方试验结果统计分析。 第一节拉丁方试验设计 一、拉丁方设计 将k个不同符号排成k列，使得每一个符号在每一行、每一列都只出现一次的方阵，叫做k×k 拉丁方。应用拉丁方设计（latin square design）就是将处理从纵横二个方向排列为区组(或重复)，使每个处理在每一列和每一行中出现的次数相等（通常一次），即在行和列两个方向都进

行局部控制。所以它是比随机区组多一个方向局部控制的随机排列的设计，因而具有较高的精确性。 二、拉丁方设计步骤 拉丁方设计的特点是处理数、重复数、行数、列数都相等。如图13-1为5×5拉丁方，它的每一行和每一列都是一个区组或一次重复，而每一个处理在每一行或每一列都只出现一次，因此，它的处理数、重复数、行数、列数都等于5。 C D A E B E C D B A B A E C D A B C D E D E B A C

拉丁方试验设计的步骤如下： （1）选择标准方标准方是指代表处理的字母，在第一行和第一列均为顺序排列的拉丁方。如图13-2。 A B C D E B A E C D C D A E B D E B A C E C D B A 在进行拉丁方设计时，首先要根据试验处理数k从标准方表中选定一个k×k的标准方。例如处理数为5，那么需要选定一个5×5的标准方，

如图13-2。随后我们要对选定的标准方的行、列和处理进行随机化排列。本例处理数为5，因此根据随机数字表任选一页中的一行，除去0、6以上数字和重复数字，满5个为一组，要得到这样的3组5位数。假设得到的3随机数字为14325，53124，41235。 （2）列随机用第一组5个数字14325调整列顺序，即把第4列调至第2列，第2列调至第4列，其余列不动。如图13-3。 （3）行随机用第二组5个数字53124调整行顺序，即把第5行调至第1行，第3行调至第2行，第1行调至第3行，第2行调至第4行，第4行调至第5行。如图13-3。 （4）处理随机将处理的编号按第三组5 （2）列随机 （按14325排列） 1 4 3 （3）行随 机 （按53124 排列） （4）处理 随机 （按4＝A， 1＝B，2＝ C，3＝D，5图13-3 拉丁方试验设计步骤图

试验设计案例方差分析

1、通过以下试验设计案例总结“正交试验设计的基本程序和步骤”。 案例：为了研究啤酒酵母最适合的自溶条件，选择3因素3水平正交试验。因素有温度℃（A）和pH（B），加酶量（C）3个，试验指标为蛋白质含量，试验指标越大越好。选用L9(34) 正交表，试验方案和结果如下表，试作方差分析，并找出啤酒酵母最适合的自溶条件。 4

1、明确试验目的，确定试验指标：找出啤酒酵母最适合的自溶条件，可用蛋白质含量作为本试验的试验指标。 2挑因素，选水平：影响啤酒酵母最适合的自溶条件的因素有温度、pH和加酶量3个，分别用A、B、C表示，并且每个因素都取3个水平，因此，此次选取3因素3水平正交试验。 3、选择合适的正交表：根据所选取的实验因素和实验水平数，决定该实验选取L9(34) 正交表。 4、进行表头设计（表1-1） 表1-1 由于此试验不考察因素之间的交互作用，所以采用不考察交互作用的方差分析法进行实验结果发差分析，并且此试验无重复试验，所以采用不考察交互作用的方差分析法中的无重复试验的方差分析。结果如表1-3

本例a=b=c=3,各因素每一水平的重复次数m=3，总处理次数为9次(n). ②平方和与自由度的分解。 平方和的分解： 矫正数 C=()2 i x n ∑=2T n =65.2/9=477.8596 总平方和 SS T =2i x ∑-C=6.252+4.972+…+8.952-C =530.89-477.8596=53.0304 A 因素平方和 SS A =2iA K m ∑-C=（15.762+18.572+31.252）/3-C =523.2617-477.8596=45.4021 B 因素平方和 SS B = 2iB K m ∑-C=（25.182+21.412+18.992）/3-C =484.3469-477.8596=6.4873 C 因素平方和 SS C = 2 iC K m ∑-C=（22.652+21.452+21.482）/3-C =478.1718-477.8596=0.3122 误差平方和 SS e = SS T -SS A -SS B -SS C =53.0304-45.4021-6.4873-0.3122=0.8288 对于空列也可用同样方法计算平方和： 空列平方和 SS D =2iD K m ∑-C=（20.742+21.872+22.972）/3-C =478.6884-477.8596=0.8288 自由度的分解： 总自由度 df T =n-1=9-1=8 A 因素 df A =a-1=3-1=2 B 因素 df B =b-1=3-1=2 C 因素 df C =c-1=3-1=2 误差 df e =df T -df A -df B -df C =8-2-2-2=2 显然，误差的自由度等于各空白列自由度之和，正交表中各列的自由度为该列的水平数减1。 ③F 测验。方差分析的结果见表1-4。由方差分析的结果可知，A 因素（温度）的F 值 显著，说明A 因素对蛋白质含量有显著的影响 表1-4 方差分析表 变异来源 SS df MS F F α

拉丁方设计

拉丁方的应用注意事项 一：当实验的动物数量较少的时候 二：当需要排除单位组因素所产生的系统误差对实验造成的影响的时候。（在后面有详细的例子会对该问题就行阐述）。 三;主要是为了消除单位组内的实验单位之间的差异 而对于拉丁方的定义是什么呢？ 如果有n个字母排列起来，将他们分成一个矩阵，这n个字母在n排和n列当中只能出现一次，我们称之为n阶方程为n×n阶拉丁方。 第一行第一列都是按照顺序来排列的拉丁方叫做基本拉丁方或标准拉丁方。 拉丁方实验的优点

①精确度高:他比随即组多设置了一个单位组因素，因此横列和竖列两个单位组的变异则从实验误差当中分离了出来，误差小，而且精确度较高，在动物较少的情况下可以选择。 ②实验结果的分析非常的方便 ③尤其是适合做大型动物或者成本比较高，数量较少的一些动物实验，因此反刍动物的实验用的比较多。 拉丁方实验设计可用于处理三因素的实验，行因素和列因素考虑在内，而不考虑其他的外来因素时所使用的方法。 拉丁方实验的缺点 ①因为在处理的过程当中，横列、竖列、实验处理数等都必须要相等，因此在处理数这一环节收到了比较大的影响，处理数多了工作量大，处理数少了影响检验的灵敏性。因此此实验设计就缺乏灵活性，实验空间缺乏延展性，而且重复过多。 ②注意是否有交互影响，例如做钙与磷对泌乳的影响时，他们都会对奶牛的泌乳量产生影响，但是还可能会产生交互影响，发挥1+1＞2的效果。还有就是例如前一阶段做的奶牛的泌乳实验，用的某种微量元素或者添加剂，在做下一阶段实验时还要考虑到是否有残留效应。 为了研究夏季蛋鸭圈舍当中不同的温度对蛋鸭的生产性能的影响，我们将温度分为了A、B、C、D、E，5个，这5种温度分别在5个圈舍内起作用，对应的圈舍为1、2、3、4、5，由于鸭群和温度对于它的

实验六 拉丁方试验设计

实验六拉丁方实验设计 实验目的 了解拉丁方实验设计的基本方法及数据的分析方法。 实验工具 Spss中的Analyze →General linear Model →Univariate。 知识准备 一、拉丁方设计的概念 将k个不同符号排成k列，使得每一个符号在每一行、每一列都只出现一次的方阵，叫做k×k拉丁方。利用拉丁方阵进行实验设计的方法叫做拉丁方设计。最初设计实验方案时，拉丁方阵用拉丁字母组成的方阵来表示。后来，尽管方阵中的元素改用了字母、阿拉伯数字或其它的符号，人们仍称这种实验方案为拉丁方实验。 拉丁方设计的特点是处理数、重复数、行数、列数都相等。如图6.47为4×4拉丁方，它的每一行和每一列都是一个区组或一次重复，而每一个处理在每一行或每一列都只出现一次，因此，它的处理数、重复数、行数、列数都等于4。 拉丁方设计的特点： 重复数＝处理数＝列数＝横行数；每个处理在横行的区组内或列的区组内都能出现一次，从两个方向都可看成重复，排列呈方形；两个方向的排列都是随机的，从两个方向进行局部控制，试验精确度较高。 缺点：处理数＝重复数，若处理过多，重复随之增多，使实验工作量过大。一般不宜超过8个处理。若处理数过少，方差分析时的自由度过小，影响分析结果的精确性。由于重复数与处理数必须相等，缺乏灵活性。 二、拉丁方设计步骤 （1）根据因素的水平数选择标准方。标准方是指代表处理的字母，在第一行和第一列均为顺序排列的拉丁方。如图6.48。

在进行拉丁方设计时，首先要根据实验处理数k 从标准方表中选定一个k×k 的标准方。例如处理数为5时，则需要选一个5×5的标准方，如图6.48所示。随后我们要对选定的标准方的行、列和处理进行随机化排列。本例处理数是5，因此根据随机数字表任选一页中的一行，除去0、6以上数字和重复数字，满5个为一组，要得到这样的3组5位数。假设得到的3组随机数字为14325，53124，41235。 （2）列随机。根据第一组5个数字14325调整列的顺序，即把第4列调至第2列，第2列调至第4列，其余列不动。如图6.49所示。 （3）行随机。根据第二组5个数字53124调整行的顺序，即把第5行调至第1行，第3行调至第2行，第1行调至第3行，第2行调至第4行，第4行调至第5行。如图6.49。 （4）处理随机。将处理的编号按第三组5个数字41235的顺序进行随机排列。即4号=A ，1号=B ，2号=C ，3号=D ，5号=E 。因此经过随机重排的拉丁方中A 处理用4，B 处理用1，C 处理用2，D 处理用3，E 处理用5。如图6.49。 三、拉丁方实验结果的统计分析 拉丁方差实验结果可以用两种表格表示：一是纵横区组两向表，二是各处理的单向分组表。