ANOVA 3131
(
yij−Yi)
=(
yij −Yˆi) ( )
+ Yˆi−Yi =(
yij−µˆ−αˆi)
+(
µˆ−µ) (
+ ai−αˆi)
( ) ( ) ( ) ( )
∑∑
− =∑∑
− − + −∑
+∑
− =i j i j i i
i i i i
i ij
i
ij Y y p p
y 2 µˆ αˆ 2 µˆ µ 2 αˆ α 2
( ) ( ) ( )
=
∑ ∑
yij − yi⋅ + y⋅⋅−∑
pi +∑
p yi i⋅− y⋅⋅− i ii j
i
2 2 2
µ α
χ σ2 e2
( ) ( )
pi pi r
i i
=
∑
− + + −∑
1 1 1Fisher-Cochran-tétel mind
( )
2 2 e2i
i i
i y y
p − −α =χ σ
∑
⋅ ⋅⋅0 :
H0 αi =
( )
2 2 e2i i i
A p y y
S =
∑
⋅− ⋅⋅ =χ σ( )
R e
i i
i j
i ij
R p r
y y
s χν2σ2
2
2 =
−
−
=
∑
∑∑
⋅( )
2 2 e2i j
i ij
R y y
S =
∑∑
− ⋅ =χ σ( )
A e r
i
i i
A r
y y p
s 1 χν2σ2
2 2
1 =
−
−
=
∑
= ⋅ ⋅⋅
2 2 0
R A
s F = s
ANOVA 3333
Két faktor szerinti ANOVA Két faktor szerinti ANOVA
Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden „cellában” azonos számú ismétlés (kiegyensúlyozott terv).
A terv szerkezete miatt a faktorok hatását egymásétól függetlenül vizsgálhatjuk.
treatment
A B C D
I 0.310 0.820 0.430 0.450 0.450 1.100 0.450 0.710 0.460 0.880 0.630 0.660 0.430 0.720 0.760 0.620 poison II 0.360 0.920 0.440 0.560 0.290 0.610 0.350 1.020 0.400 0.490 0.310 0.710 0.230 1.240 0.400 0.380 III 0.220 0.300 0.230 0.300 0.210 0.370 0.250 0.360 0.180 0.380 0.240 0.310
2. példa
(Box-Hunter-Hunter: Statistics for Experimenters, J. Wiley, 1978, p. 165) poison.sta
ANOVA 3535 1
2 3
1 2 3 4
TREATMEN 0.0
0.2 0.4 0.6 0.8 1.0 1.2 1.4
ijk ij
yijk =µ +ε
méreg (i) kezelés (j)
ismétlés (k)
Modell i=1,…,r; j=1,…,q, k=1,…,p
48 4 4 3⋅ ⋅ =
=
=rqp N
ijk ij
yijk =µ +ε átlag-modell
34 12
11 0:
H µ =µ =⋅ ⋅⋅=µ (mind azonos)
ANOVA 3737 ijk
ij j i
yijk =µ+α +β +αβ +ε
az i-edik méreg a j-edik kezelés kölcsönhatás
hatása hatása
ijk ij j i
yijk =µ+α +β +αβ +ε hatás-modell r
i H0A:αi =0, =1,...,
q j
H0B: βj =0, =1,...,
q j
r i
H0AB: αβij =0, =1,..., ; =1,...,
ANOVA-táblázat
3⋅4⋅(4-1)=36
Az eltérés forrása
eltérés- -négyzetösszeg
szabadsági fok
szórásnégyzet F A hatása
(sorok közötti) SA qp
(
yi y)
i
=
∑
⋅⋅− ⋅⋅⋅ 2 r-1 s SA r
A 2
= −1 sA2 sR2 B hatása
(oszlopok
közötti) SB rp
(
yj y)
j
=
∑
⋅ ⋅− ⋅⋅⋅ 2 q-1 s SB q
B 2
= −1 sB2 sR2 AB kölcsönhatás
( )
S
p y y y y
AB
ij i j
j i
=
=
∑ ∑
⋅− ⋅⋅− ⋅ ⋅+ ⋅⋅⋅ 2 (r-1)·(q-1)( )
( )
s S
r q
AB
AB 2
1 1
= − − sAB2 sR2
Maradék (csoportokon
belüli) SR
(
yijk yij)
k j i
=
∑ ∑ ∑
− ⋅ 2 rq(p-1)( )
s S
R rq p
R 2
= 1
−
Teljes S
(
yijk y)
k j i 0
=
∑ ∑ ∑
− ⋅⋅⋅ 2 rqp-1ANOVA 3939 Univariate Tests of Significance for SURVIVAL (Poison)
Sigma-restricted parameterization Effective hypothesis decomposition Effect
SS Degr. of Freedom
MS F p
Intercept POISON TREATMEN POISON*TREATMEN Error
11.03042 1 11.03042 495.9194 0.000000 1.03301 2 0.51651 23.2217 0.000000 0.92121 3 0.30707 13.8056 0.000004 0.25014 6 0.04169 1.8743 0.112251 0.80073 36 0.02224
Advanced Linear/Nonlinear Models>
>General Linear
Models>Factorial ANOVA>
Means fülön: Observed, weighted, Plot
Summary fülön: All effects
Vertical bars denote 0.95 confidence intervals
POISON 1 POISON 2 POISON 3
1 2 3 4
TREATMEN 0.0
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
SURVIVAL
Tests of Homogeneity of Variances (Poison) Effect: POISON*TREATMEN
Hartley F-max
Cochran C
Bartlett Chi-Sqr.
df p
SURVIVAL 678.6000 0.423741 45.13689 11 0.000005
Levene's Test for Homogeneity of Variances (Poison) Effect: POISON*TREATMEN
Degrees of freedom for all F's: 11, 36 MS
Effect MS Error
F p
SURVIVAL 0.024601 0.005069 4.853537 0.000144
Homoszkedaszticitás σe2 =konst ? More results>Assumptions fülön: Homogeneity of variances
ANOVA 4141 Dependent variable: SURVIVAL
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Predicted Values -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 0.5
Raw Residuals
A reziduumok vizsgálata
Residuals1 fülön: Pred. & resid.
σy ~ yα
=
= ≠
=
∫
− −1 ha ln
1
1 ha α
α
α α
y dy y
y ytr
dy ky dytr = −α
( )
y dydy 2σ2 dydy 2y2αVar
tr y
tr
tr
=
=
( )
ytr =konstVar ha yα =konst
dy dytr
Box-Cox transzformáció
ANOVA 4343
α λ=1-α transzformáció
2 -1 1 / y
1.5 -0.5 1 / y
1 0 ln y
0.5 0.5 y
0 1 (nincs transzformáció)
=
= ≠
=
∫
− −1 ha ln
1
1 ha α
α
α α
y dy y
y ytr
lnsd = -0.9528+1.977*x
-1.8 -1.6 -1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
lnmean -4.5
-4.0 -3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5
lnsd
σy ~ yα lnσy =k+αlny egyenest kell illeszteni
≈2 α
~ y2
σy
ANOVA 4545
Lambda versus SSE(lambda) Dependent variable: SURVIVAL
Indep.:
The intersection of the 95% C.I line with the SSE line marks the 95% confidence limits For the best lambda
Lambda
SSE(lambda)
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
0 1 2 3 4 5 6
95% C.I.
Box-Cox transzformáció
ytr = yλFile>Open: (Program Files>StatSoft>Statistica8>Examples>Macros>
>Analysis Examples>BoxCox)
−1 λ ≈
Normal Probability Plots of Residuals Dependent Variable: SURVIVAL
Indep.:
Lambda=1 (No Transformation)
Residual
z-Value
-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 -3
-2 -1 0 1 2 3
Lambda=-1
Residual
z-Value
-2.5 -2.0
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5 2.0 -3
-2 -1 0 1 2 3
ANOVA 4747 Box Plot of multiple variables grouped by TREATMEN
Spreadsheet1 5v*16c
Median; Box: 25%-75%; Whisker: Non-Outlier Range
1.000 2.000 3.000
1 2 3 4
TREATMEN 0
1 2 3 4 5 6
POISON*TREATMEN; Weighted Means Current effect: F(6, 36)=1.0904, p=.38673
Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals
POISON 1 POISON 2 POISON 3
1 2 3 4
TREATMEN -1
0 1 2 3 4 5 6 7
recsurv: =1/survival
ANOVA 4949 Univariate Tests of Significance for Recsurv (Poison)
Sigma-restricted parameterization Effective hypothesis decomposition Effect
SS Degr. of Freedom
MS F p
Intercept POISON TREATMEN POISON*TREATMEN Error
330.0892 1 330.0892 1374.881 0.000000 34.8771 2 17.4386 72.635 0.000000 20.4143 3 6.8048 28.343 0.000000 1.5708 6 0.2618 1.090 0.386733
8.6431 36 0.2401
A hatások még kifejezettebbek (F értékei nagyobbak), a kölcsönhatáshoz tartozó p 0.112 helyett 0.387 lesz.
Dependent variable: Recsurv
0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
Predicted Values -1.0
-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
Raw Residuals
Dependent variable: Recsurv
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Expected Normal Value
.01 .05 .15 .35 .55 .75 .95 .99