excel统计分析——两向分组资料的协方差分析

2024-04-03 05:36

本文主要是介绍excel统计分析——两向分组资料的协方差分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

参考资料:生物统计学

        两向分组资料,是含协变量无重复观测值的两因素方差分析资料,协方差分析的步骤与单向分组资料的完全相同,只是进行平方和与自由度的分解时,处理部分需分解为两项。

        若试验设有k个处理,每个处理n个重复,则kn对观测值可以按两向进行分组,其数据一般模式如下:

        与两因素方差分析平方和的分解类似,总乘积和分解为三部分:

SP_T=\sum \sum(x-\bar{x})(y-\bar{y})=\sum \sum xy-T_xT_y/(kn)       df_T=nk-1

SP_c=k\sum(\bar{x_{.j}}-\bar{x})(\bar{y_{.j}}-\bar{y})=\sum(T_{x_{.j}}T_{y_{.j}})/k-T_xT_y/(kn)      df_c=n-1 

SP_g=n\sum(\bar{x_{i.}}-\bar{x})(\bar{y_{i.}}-\bar{y})=\sum(T_{x_{i.}}T_{y_{i.}})-T_xT_y/(kn)      df_g=k-1

SP_e=SP_T-SP_c-SP_g          df_e=(n-1)(k-1)

 分析案例如下:

1、计算平方和与乘积和

2、方差分析

        方差分析结果表示:不同区组间的x和y均无显著差异,但不同处理间的x和y差异均为极显著。

        若y和x无关,则上述推断是正确的;如果y和x有关,则不一定正确。因此,首先应明确y和x有无线性关系。

3、线性回归分析

        回归分析结果显示:y与x存在显著的线性回归关系,因此需要对y值进行矫正,并对矫正平均数进行显著性检验,才能确定不同区组或处理对y的效应。

4、矫正平均数的显著性检验

        检验处理的矫正平均数\bar{y_i}'的差异显著性时,需将处理间和误差项的df、SS和SP相加以代替总df、SS和SP;

        检验区组的矫正平均数\bar{y_j}'的差异显著性时,需将区组间和误差项的df、SS和SP相加以代替总df、SS和SP。

        区组只是局部控制的一种手段,在结果分析上只需剔除其影响,而不必对其效应进行研究,因此这里仅对处理的矫正平均之间的差异显著性进行检验。

        虽然我们可以通过误差项回归系数b^*来计算出各处理的矫正平均数,即:\bar{y_i}'=\bar{y_i}+7.6976(\bar{x_i}-3.7714)。但由于我们显著性检验结果显示处理间差异未达到显著性水平,说明各处理矫正平均数之间无显著差异,因而不需要再对各校正平均数间进行多重比较。

这篇关于excel统计分析——两向分组资料的协方差分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/872027

相关文章

python使用Akshare与Streamlit实现股票估值分析教程(图文代码)

《python使用Akshare与Streamlit实现股票估值分析教程(图文代码)》入职测试中的一道题,要求:从Akshare下载某一个股票近十年的财务报表包括,资产负债表,利润表,现金流量表,保存... 目录一、前言二、核心知识点梳理1、Akshare数据获取2、Pandas数据处理3、Matplotl

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

MySQL 内存使用率常用分析语句

《MySQL内存使用率常用分析语句》用户整理了MySQL内存占用过高的分析方法,涵盖操作系统层确认及数据库层bufferpool、内存模块差值、线程状态、performance_schema性能数据... 目录一、 OS层二、 DB层1. 全局情况2. 内存占js用详情最近连续遇到mysql内存占用过高导致

Python进行JSON和Excel文件转换处理指南

《Python进行JSON和Excel文件转换处理指南》在数据交换与系统集成中,JSON与Excel是两种极为常见的数据格式,本文将介绍如何使用Python实现将JSON转换为格式化的Excel文件,... 目录将 jsON 导入为格式化 Excel将 Excel 导出为结构化 JSON处理嵌套 JSON:

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1

Olingo分析和实践之ODataImpl详细分析(重要方法详解)

《Olingo分析和实践之ODataImpl详细分析(重要方法详解)》ODataImpl.java是ApacheOlingoOData框架的核心工厂类,负责创建序列化器、反序列化器和处理器等组件,... 目录概述主要职责类结构与继承关系核心功能分析1. 序列化器管理2. 反序列化器管理3. 处理器管理重要方

Python使用openpyxl读取Excel的操作详解

《Python使用openpyxl读取Excel的操作详解》本文介绍了使用Python的openpyxl库进行Excel文件的创建、读写、数据操作、工作簿与工作表管理,包括创建工作簿、加载工作簿、操作... 目录1 概述1.1 图示1.2 安装第三方库2 工作簿 workbook2.1 创建:Workboo