单因素下的方差分析
2016-05-06 22:37
375 查看
在方差分析中,有三个基本的假设:
(1) 正态假设。对于因素的每个水平,其观测值都是来自正态总体的随机样本;
(2) 方差齐次假设。各个总体的方差相同;
(3) 独立假设。观测值之间都是独立的。
设试验中的因素A,有r个水平A1,A2,...,An,在每个水平下进行试验得到结果xi1,xi2,...,xini,i=1,2,...,r,其被看作是来自第i个正态总体xi∼N(μi,σ2),其中参数未知且每个样本都独立。从而单因素分析的数学模型可以表示为一种线性模型。
⎧⎩⎨⎪⎪xij=μ+αi+Eij;i=1,2,...,r,j=1,2,..,niEij∼N(0,σ2)且相互独立∑ri=1niαi=0
其中,μ是所有总体的均值,αi=μi−μ称为第i个水平的效应,Eij是随机误差。
1.正态性检验
在R语言中,使用Shapiro.test(x)可以对数据x进行正态性检验,参数x是要检验的数据集,它是长度在3~5000之间的向量。
2.方差齐次性检验
该方法是要检验数据在不同水平下,其方差是否相等。在R语言中,使用Bartlett.test()来实现。
方差分析的目的是,要比较因素A的r个水平下,试验结果是否有显著差异。以样本均值作为检验的标准,写出检验假设:
H0:α1=α2=...=αr,H1:α1,α2,...,αr不全相等
如果拒绝原假设H0,说明样本来自不同的正态总体,则由因素A的各个水平所造成均值的差异有统计意义;
如果不能拒绝原假设H0,说明样本来自相同的正态总体,因素的不同水平之间无差异。
案例1,某银行规定VIP客户的月均账户余额要达到100万元,并以此作为比较各个分行业绩的一项指标。这里的“分行”即为因子,账户余额是所要检验的指标,先从三个分行(对应三个水平A1、A2、A3)中,分别随机抽取7个VIP客户的账户,数据列在表(1)中。
表(1) 银行的三个分行A1、A2、A3
(a)正态性检验
//zheng.R
效果如下:
图(1) 正态性检验的结果
由图(1)知,P(A1)=0.948 > 0.05,不能拒绝原假设,
P(A2)=0.4607 > 0.05,不能拒绝原假设,
P(A3)=0.7724 > 0.05,不能拒绝原假设,
而原假设H0是变量x服从正态分布,即A1、A2、A3都服从正态分布。
(b)方差齐次性检测
//qi.R
效果如下:
图(2) 方差齐次性检测
由于P=0.9341 > 0.05,不能拒绝原假设,而原假设H0是样本是“齐次的”,即三个样都是等方差的。
(c) 单因素分析
当数据符合正态性,和方差齐次之后,使用aov()就可以进行方差分析了。
//fen.R
如图(3)、图(4)所示:
图(3) 方差分析结果
图(4) 三个分行A1、A2、A3的箱线图
在图(3)中,A表示因子,Residuals表示残差,
Df 表示自由度
SumSq 表示平方和
Mean Sq 表示均方和
F value F 表示F检验统计量的值
Pr(>F) 表示概率。
由于P=8.446e-10 < 0.05,说明拒绝原假设,即不同分行A1、A2、A3的经济业绩有显著差别。
同样,在图(4)中,可以看到三个分行的Me(中位数,箱线图里最粗的黑线,就是中位数,记为Me)是明显不同的,其中分行A1的Me=85,分行A2的Me=103,分行A3的Me=114,,也就是分行A1、A2、A3的经济业绩有显著差别。
(1) 正态假设。对于因素的每个水平,其观测值都是来自正态总体的随机样本;
(2) 方差齐次假设。各个总体的方差相同;
(3) 独立假设。观测值之间都是独立的。
设试验中的因素A,有r个水平A1,A2,...,An,在每个水平下进行试验得到结果xi1,xi2,...,xini,i=1,2,...,r,其被看作是来自第i个正态总体xi∼N(μi,σ2),其中参数未知且每个样本都独立。从而单因素分析的数学模型可以表示为一种线性模型。
⎧⎩⎨⎪⎪xij=μ+αi+Eij;i=1,2,...,r,j=1,2,..,niEij∼N(0,σ2)且相互独立∑ri=1niαi=0
其中,μ是所有总体的均值,αi=μi−μ称为第i个水平的效应,Eij是随机误差。
1.正态性检验
在R语言中,使用Shapiro.test(x)可以对数据x进行正态性检验,参数x是要检验的数据集,它是长度在3~5000之间的向量。
2.方差齐次性检验
该方法是要检验数据在不同水平下,其方差是否相等。在R语言中,使用Bartlett.test()来实现。
方差分析的目的是,要比较因素A的r个水平下,试验结果是否有显著差异。以样本均值作为检验的标准,写出检验假设:
H0:α1=α2=...=αr,H1:α1,α2,...,αr不全相等
如果拒绝原假设H0,说明样本来自不同的正态总体,则由因素A的各个水平所造成均值的差异有统计意义;
如果不能拒绝原假设H0,说明样本来自相同的正态总体,因素的不同水平之间无差异。
案例1,某银行规定VIP客户的月均账户余额要达到100万元,并以此作为比较各个分行业绩的一项指标。这里的“分行”即为因子,账户余额是所要检验的指标,先从三个分行(对应三个水平A1、A2、A3)中,分别随机抽取7个VIP客户的账户,数据列在表(1)中。
表(1) 银行的三个分行A1、A2、A3
(a)正态性检验
//zheng.R
x1=c(103,101,98,110,105,100,106) x2=c(113,107,108,116,114,110,115) x3=c(82,92,84,86,84,90,88) shapiro.test(x1) shapiro.test(x2) shapiro.test(x3)
效果如下:
图(1) 正态性检验的结果
由图(1)知,P(A1)=0.948 > 0.05,不能拒绝原假设,
P(A2)=0.4607 > 0.05,不能拒绝原假设,
P(A3)=0.7724 > 0.05,不能拒绝原假设,
而原假设H0是变量x服从正态分布,即A1、A2、A3都服从正态分布。
(b)方差齐次性检测
//qi.R
#方差齐性检验 x=c(x1,x2,x3) account=data.frame(x,A=factor(rep(1:3,each=7))) bartlett.test(x~A,data=account)
效果如下:
图(2) 方差齐次性检测
由于P=0.9341 > 0.05,不能拒绝原假设,而原假设H0是样本是“齐次的”,即三个样都是等方差的。
(c) 单因素分析
当数据符合正态性,和方差齐次之后,使用aov()就可以进行方差分析了。
//fen.R
a.aov=aov(x~A,data=account) summary(a.aov) plot(account$x~account$A)
如图(3)、图(4)所示:
图(3) 方差分析结果
图(4) 三个分行A1、A2、A3的箱线图
在图(3)中,A表示因子,Residuals表示残差,
Df 表示自由度
SumSq 表示平方和
Mean Sq 表示均方和
F value F 表示F检验统计量的值
Pr(>F) 表示概率。
由于P=8.446e-10 < 0.05,说明拒绝原假设,即不同分行A1、A2、A3的经济业绩有显著差别。
同样,在图(4)中,可以看到三个分行的Me(中位数,箱线图里最粗的黑线,就是中位数,记为Me)是明显不同的,其中分行A1的Me=85,分行A2的Me=103,分行A3的Me=114,,也就是分行A1、A2、A3的经济业绩有显著差别。
相关文章推荐
- R语言 R6Class 读取Ini文件
- R语言书籍的学习路线图
- R语言学习-统计之都
- R的若干基因及争论
- R语言初识
- 浅谈R语言的面向对象编程
- 查找一个list中各个数组的元素在一个固定数组中的位置, 并把位置信息记录到一个矩阵里
- ubuntu 启动 RStudio, 提示缺少libgstreamer-0.10.so.0
- 常用的分类评估--基于R语言
- r语言自带数据包
- 灰色系统模型GM(1,1)的R语言实现
- R语言实现两服务员并联服务系统简单随机模拟
- best tool for R
- R语言基础-矩阵和列表
- R语言基础绘图包--控制axis label位置--par(mgp)与mtext
- 如何学习R语言?
- 基于数据分析的评分系统改进
- R语言入门学习-搭建R语言环境
- R语言与机器学习-学习笔记2(数据探索及理解)
- R语言学习 apply