方差的n次分析gydF4y2Ba
返回向量gydF4y2BapgydF4y2Ba-values,每项一个,用于multiway (gydF4y2BangydF4y2Ba-方式)方差分析(ANOVA),以检验多因素对向量的平均值的影响gydF4y2BapgydF4y2Ba
= anovan (gydF4y2BaygydF4y2Ba
,gydF4y2Ba集团gydF4y2Ba
)gydF4y2BaygydF4y2Ba
.gydF4y2Ba
anovangydF4y2Ba
还显示了一个显示标准方差分析表的图表。gydF4y2Ba
返回向量gydF4y2BapgydF4y2Ba-values for multiway (gydF4y2BangydF4y2Ba-way)使用由一个或多个指定的附加选项的方差分析gydF4y2BapgydF4y2Ba
= anovan (gydF4y2BaygydF4y2Ba
,gydF4y2Ba集团gydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba名称,值gydF4y2Ba
对参数。gydF4y2Ba
例如,您可以指定哪个预测器变量是连续的(如果有的话),或者使用平方和的类型。gydF4y2Ba
[gydF4y2Ba
返回单元格数组中的ANOVA表(包括因子标签)gydF4y2BapgydF4y2Ba
,gydF4y2Ba资源描述gydF4y2Ba
) = anovan (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba资源描述gydF4y2Ba
用于前面语法中指定的任何输入参数。属性将方差分析表的文本版本复制到剪贴板gydF4y2Ba复制文本gydF4y2Ba
项gydF4y2Ba编辑gydF4y2Ba菜单。gydF4y2Ba
[gydF4y2Ba
返回一个gydF4y2BapgydF4y2Ba
,gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2Ba统计数据gydF4y2Ba
) = anovan (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba统计数据gydF4y2Ba
结构,可用于执行gydF4y2Ba多重比较检验gydF4y2Ba,这使您能够确定哪些组的意思是显著不同的。可以使用gydF4y2BamultcomparegydF4y2Ba
通过提供gydF4y2Ba统计数据gydF4y2Ba
结构作为输入。gydF4y2Ba
[gydF4y2Ba
中,返回方差分析计算中使用的主要和交互术语gydF4y2BapgydF4y2Ba
,gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2Ba统计数据gydF4y2Ba
,gydF4y2Ba条款gydF4y2Ba
) = anovan (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba条款gydF4y2Ba
.gydF4y2Ba
加载样例数据。gydF4y2Ba
Y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]';G1 = [1 2 1 2 1 2 1 2 1 2];g2 = {gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba};g3 = {gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba};gydF4y2Ba
ygydF4y2Ba
响应向量是和吗gydF4y2Bag1gydF4y2Ba
,gydF4y2Bag2gydF4y2Ba
,gydF4y2Bag3gydF4y2Ba
是分组变量(因子)。每个因素有两个层次,每一个观察gydF4y2BaygydF4y2Ba
是由多个因素水平组合确定的。例如,观察gydF4y2Bay (1)gydF4y2Ba
与第一级因素有关吗gydF4y2Bag1gydF4y2Ba
、水平gydF4y2Ba“嗨”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
,和水平gydF4y2Ba“可能”gydF4y2Ba
的因素gydF4y2Bag3gydF4y2Ba
.同样,观察gydF4y2Bay (6)gydF4y2Ba
与第二级因素有关吗gydF4y2Bag1gydF4y2Ba
、水平gydF4y2Ba“嗨”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
,和水平gydF4y2Ba“6月”gydF4y2Ba
的因素gydF4y2Bag3gydF4y2Ba
.gydF4y2Ba
测试所有因素水平的响应是否相同。gydF4y2Ba
p = anovan (y, {g1, g2, g3})gydF4y2Ba
p =gydF4y2Ba3×1gydF4y2Ba0.4174 0.0028 0.9140gydF4y2Ba
在方差分析表中,gydF4y2BaX1gydF4y2Ba
,gydF4y2BaX2gydF4y2Ba
,gydF4y2BaX3gydF4y2Ba
对应于因子gydF4y2Bag1gydF4y2Ba
,gydF4y2Bag2gydF4y2Ba
,gydF4y2Bag3gydF4y2Ba
,分别。的gydF4y2BapgydF4y2Ba-value 0.4174表示因子水平1和水平2的平均响应gydF4y2Bag1gydF4y2Ba
没有明显的不同。类似地,gydF4y2BapgydF4y2Ba-值0.914表示水平的平均响应gydF4y2Ba“可能”gydF4y2Ba
和gydF4y2Ba“6月”gydF4y2Ba
,的因素gydF4y2Bag3gydF4y2Ba
没有明显的不同。然而,gydF4y2BapgydF4y2Ba-值0.0028小到足以得出两个水平的平均响应显著不同的结论,gydF4y2Ba“嗨”gydF4y2Ba
和gydF4y2Ba“罗”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
.默认情况下,gydF4y2BaanovangydF4y2Ba
计算gydF4y2BapgydF4y2Ba-values只用于三个主要效果。gydF4y2Ba
测试两因素的相互作用。这一次指定变量名。gydF4y2Ba
P = anovan(y,{g1 g2 g3},gydF4y2Ba“模型”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba,gydF4y2Ba“varnames”gydF4y2Ba,{gydF4y2Bag1的gydF4y2Ba,gydF4y2Ba“g2”gydF4y2Ba,gydF4y2Ba“g3”gydF4y2Ba})gydF4y2Ba
p =gydF4y2Ba6×1gydF4y2Ba0.0347 0.0048 0.2578 0.0158 0.1444 0.5000gydF4y2Ba
交互项用gydF4y2Bag1 * g2gydF4y2Ba
,gydF4y2Bag1 * g3gydF4y2Ba
,gydF4y2Bag2 * g3gydF4y2Ba
在方差分析表中。前三个条目gydF4y2BapgydF4y2Ba
是gydF4y2BapgydF4y2Ba-values用于主效果。最后三项是gydF4y2BapgydF4y2Ba-values用于双向交互。的gydF4y2BapgydF4y2Ba-value为0.0158表示相互作用gydF4y2Bag1gydF4y2Ba
和gydF4y2Bag2gydF4y2Ba
是显著的。的gydF4y2BapgydF4y2Ba-值分别为0.1444和0.5,表明对应的交互作用不显著。gydF4y2Ba
加载样例数据。gydF4y2Ba
负载gydF4y2BacarbiggydF4y2Ba
该数据测量了406辆汽车。的变量gydF4y2BaorggydF4y2Ba
展示了汽车的产地gydF4y2Ba当gydF4y2Ba
显示了汽车是什么时候生产的。gydF4y2Ba
研究汽车的里程是如何取决于生产时间和地点的。还包括模型中的双向交互。gydF4y2Ba
p = anovan(MPG,{org when},gydF4y2Ba“模型”gydF4y2Ba2,gydF4y2Ba“varnames”gydF4y2Ba,{gydF4y2Ba“起源”gydF4y2Ba,gydF4y2Ba“制造日期”gydF4y2Ba})gydF4y2Ba
p =gydF4y2Ba3×1gydF4y2Ba0.0000 0.0000 0.3059gydF4y2Ba
的gydF4y2Ba“模型”,2gydF4y2Ba
名称-值对参数表示双向交互。的gydF4y2BapgydF4y2Ba-value对于交互项,0.3059,是不小的,表明很少有证据表明制造时间(gydF4y2Ba制造日期gydF4y2Ba
)取决于汽车是在哪里制造的(gydF4y2Ba起源gydF4y2Ba
).然而,产地和生产日期的主要影响是显著的gydF4y2BapgydF4y2Ba值是0。gydF4y2Ba
加载样例数据。gydF4y2Ba
Y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]';G1 = [1 2 1 2 1 2 1 2 1 2];g2 = {gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“嗨”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba;gydF4y2Ba“罗”gydF4y2Ba};g3 = {gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“可能”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba;gydF4y2Ba“6月”gydF4y2Ba};gydF4y2Ba
ygydF4y2Ba
响应向量是和吗gydF4y2Bag1gydF4y2Ba
,gydF4y2Bag2gydF4y2Ba
,gydF4y2Bag3gydF4y2Ba
是分组变量(因子)。每个因素有两个层次,每一个观察gydF4y2BaygydF4y2Ba
是由多个因素水平组合确定的。例如,观察gydF4y2Bay (1)gydF4y2Ba
与第一级因素有关吗gydF4y2Bag1gydF4y2Ba
、水平gydF4y2Ba“嗨”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
,和水平gydF4y2Ba“可能”gydF4y2Ba
的因素gydF4y2Bag3gydF4y2Ba
.同样,观察gydF4y2Bay (6)gydF4y2Ba
与第二级因素有关吗gydF4y2Bag1gydF4y2Ba
、水平gydF4y2Ba“嗨”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
,和水平gydF4y2Ba“6月”gydF4y2Ba
的因素gydF4y2Bag3gydF4y2Ba
.gydF4y2Ba
测试所有因素水平的响应是否相同。还计算多个比较测试所需的统计信息。gydF4y2Ba
[~,~,stats] = anovan(y,{g1 g2 g3},gydF4y2Ba“模型”gydF4y2Ba,gydF4y2Ba“互动”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba“varnames”gydF4y2Ba,{gydF4y2Bag1的gydF4y2Ba,gydF4y2Ba“g2”gydF4y2Ba,gydF4y2Ba“g3”gydF4y2Ba});gydF4y2Ba
的gydF4y2BapgydF4y2Ba-value为0.2578表示水平的平均响应gydF4y2Ba“可能”gydF4y2Ba
和gydF4y2Ba“6月”gydF4y2Ba
的因素gydF4y2Bag3gydF4y2Ba
没有明显的不同。的gydF4y2BapgydF4y2Ba-value = 0.0347表示水平的平均响应gydF4y2Ba1gydF4y2Ba
和gydF4y2Ba2gydF4y2Ba
的因素gydF4y2Bag1gydF4y2Ba
是明显不同的。类似地,gydF4y2BapgydF4y2Ba-value = 0.0048表示水平的平均响应gydF4y2Ba“嗨”gydF4y2Ba
和gydF4y2Ba“罗”gydF4y2Ba
的因素gydF4y2Bag2gydF4y2Ba
是明显不同的。gydF4y2Ba
执行多重比较测试,找出哪组因素gydF4y2Bag1gydF4y2Ba
和gydF4y2Bag2gydF4y2Ba
是明显不同的。gydF4y2Ba
结果= multcompare(统计,gydF4y2Ba“维度”gydF4y2Ba[1, 2])gydF4y2Ba
结果=gydF4y2Ba6×6gydF4y2Ba1.000 2.0000 -6.8604 -4.4000 -1.9396 0.0280 1.000 3.0000 4.4896 6.9500 9.4104 0.0177 1.000 4.0000 6.1396 8.6000 11.0604 0.0143 2.0000 3.0000 8.8896 11.3500 13.8104 0.0108 2.0000 4.0000 10.5396 13.0000 15.4604 0.0095 3.0000 4.0000 -0.8104 1.6500 4.1104 0.0745gydF4y2Ba
multcomparegydF4y2Ba
比较两个分组变量的组(水平)组合,gydF4y2Bag1gydF4y2Ba
和gydF4y2Bag2gydF4y2Ba
.在gydF4y2Ba结果gydF4y2Ba
矩阵中,数字1对应的组合水平gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
,数字2对应水平的组合gydF4y2Ba2gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
.同样,数字3对应的是水平组合gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba罗gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
,数字4对应水平的组合gydF4y2Ba2gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba罗gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
.矩阵的最后一列包含gydF4y2BapgydF4y2Ba值。gydF4y2Ba
例如,矩阵的第一行显示了级的组合gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
是否与水平组合具有相同的平均响应值gydF4y2Ba2gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
.的gydF4y2BapgydF4y2Ba该检验对应的-value为0.0280,说明均值响应存在显著性差异。您还可以在图中看到这个结果。蓝色条表示水平组合的平均响应比较区间gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
.红条是其他组组合的平均反应的比较区间。红色条与蓝色条没有重叠,这表示水平组合的平均响应gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba嗨gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
显著不同于其他组组合的平均反应。gydF4y2Ba
您可以通过单击组对应的比较间隔来测试其他组。你点击的栏变成蓝色。有显著差异的组用红色表示。没有显著差异的组用灰色条表示。例如,如果您点击的比较间隔为组合级别gydF4y2Ba1gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba罗gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
,为组合水平的比较间隔gydF4y2Ba2gydF4y2Ba
的gydF4y2Bag1gydF4y2Ba
和水平gydF4y2Ba罗gydF4y2Ba
的gydF4y2Bag2gydF4y2Ba
重叠,因此是灰色的。相反,其他比较间隔是红色的,表示显著差异。gydF4y2Ba
ygydF4y2Ba
- - - - - -gydF4y2Ba样本数据gydF4y2Ba示例数据,指定为数值向量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
集团gydF4y2Ba
- - - - - -gydF4y2Ba分组变量gydF4y2Ba分组变量,即因素和因素水平的观察gydF4y2BaygydF4y2Ba
,指定为单元格数组。每一个细胞gydF4y2Ba集团gydF4y2Ba
包含一组因素级别,确定在gydF4y2BaygydF4y2Ba
关于其中一个因素。每个单元格中的列表可以是类别数组、数字向量、字符矩阵、字符串数组或字符向量的单列单元格数组,并且必须具有相同数量的元素gydF4y2BaygydF4y2Ba
.gydF4y2Ba
默认情况下,gydF4y2BaanovangydF4y2Ba
将所有分组变量视为固定效果。gydF4y2Ba
例如,在一项研究中,你想调查性别、学校和教育方法对小学生学业成功的影响,那么你可以指定分组变量如下。gydF4y2Ba
例子:gydF4y2Ba{“性别”,“学校”,“方法”}gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
指定可选的逗号分隔对gydF4y2Ba名称,值gydF4y2Ba
参数。gydF4y2Ba的名字gydF4y2Ba
参数名和gydF4y2Ba价值gydF4y2Ba
是对应的值。gydF4y2Ba的名字gydF4y2Ba
必须出现在引号内。您可以按如下顺序指定几个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba
.gydF4y2Ba
“阿尔法”,0.01,“模型”,“互动”、“sstype”,2gydF4y2Ba
指定gydF4y2BaanovangydF4y2Ba
使用第二类平方和计算主效应和双向交互的99%置信限和p值。gydF4y2Ba
“α”gydF4y2Ba
- - - - - -gydF4y2Ba显著性水平gydF4y2Ba置信界限的显著性水平,由逗号分隔的对组成gydF4y2Ba“α”gydF4y2Ba
和0到1范围内的标量值。对于一个值α,置信水平是100*(1 -α)%。gydF4y2Ba
例子:gydF4y2Ba“阿尔法”,0.01gydF4y2Ba
对应99%置信区间gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
“连续”gydF4y2Ba
- - - - - -gydF4y2Ba连续预测器的指标gydF4y2Ba连续预测器的指标,表示应将哪些分组变量视为连续预测器而不是分类预测器,指定为逗号分隔的一对,由gydF4y2Ba“连续”gydF4y2Ba
一个指标向量。gydF4y2Ba
例如,如果有三个分组变量,并且第二个是连续的,那么可以如下指定。gydF4y2Ba
例子:gydF4y2Ba“连续”,[2]gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
“显示”gydF4y2Ba
- - - - - -gydF4y2Ba指标显示方差分析表gydF4y2Ba“上”gydF4y2Ba
(默认)|gydF4y2Ba“关闭”gydF4y2Ba
指示符来显示ANOVA表,指定为逗号分隔的对,由gydF4y2Ba“显示”gydF4y2Ba
和gydF4y2Ba“上”gydF4y2Ba
orgydF4y2Ba“关闭”gydF4y2Ba
.当gydF4y2Ba“显示”gydF4y2Ba
是gydF4y2Ba“关闭”gydF4y2Ba
,gydF4y2BaanovangydF4y2Ba
只返回输出参数,而不以图形形式显示标准ANOVA表。gydF4y2Ba
例子:gydF4y2Ba“显示”,“关闭”gydF4y2Ba
“模型”gydF4y2Ba
- - - - - -gydF4y2Ba模型类型gydF4y2Ba“线性”gydF4y2Ba
(默认)|gydF4y2Ba“互动”gydF4y2Ba
|gydF4y2Ba“全部”gydF4y2Ba
|gydF4y2Ba整型值gydF4y2Ba|gydF4y2Ba计算矩阵gydF4y2Ba模型的类型,指定为逗号分隔的对,由gydF4y2Ba“模型”gydF4y2Ba
其中之一是:gydF4y2Ba
“线性”gydF4y2Ba
——默认gydF4y2Ba“线性”gydF4y2Ba
模型只计算gydF4y2BapgydF4y2Ba的零假设值gydF4y2BaNgydF4y2Ba主要的影响。gydF4y2Ba
“互动”gydF4y2Ba
- - -gydF4y2Ba“互动”gydF4y2Ba
模型计算gydF4y2BapgydF4y2Ba零假设的值gydF4y2BaNgydF4y2Ba主要影响及gydF4y2Ba
双因素交互。gydF4y2Ba
“全部”gydF4y2Ba
- - -gydF4y2Ba“全部”gydF4y2Ba
模型计算gydF4y2BapgydF4y2Ba零假设的值gydF4y2BaNgydF4y2Ba所有层次的主要影响和交互作用。gydF4y2Ba
整数-取值为整型gydF4y2BakgydF4y2Ba, (gydF4y2BakgydF4y2Ba≤gydF4y2BaNgydF4y2Ba)为模型类型,gydF4y2BaanovangydF4y2Ba
方法计算所有交互级别gydF4y2BakgydF4y2Ba水平。例如,值3表示主效应加上两个或三个因素的交互作用。的值gydF4y2BakgydF4y2Ba= 1,gydF4y2BakgydF4y2Ba= 2等于gydF4y2Ba“线性”gydF4y2Ba
和gydF4y2Ba“互动”gydF4y2Ba
规范,分别。的值gydF4y2BakgydF4y2Ba=gydF4y2BaNgydF4y2Ba等于gydF4y2Ba“全部”gydF4y2Ba
规范。gydF4y2Ba
术语矩阵-术语定义的矩阵具有与输入相同的形式gydF4y2Bax2fxgydF4y2Ba
函数。所有参赛作品必须是gydF4y2Ba0gydF4y2Ba
orgydF4y2Ba1gydF4y2Ba
(没有更高的权力)。gydF4y2Ba
为了更精确地控制主术语和交互术语gydF4y2BaanovangydF4y2Ba
计算时,您可以指定一个矩阵,其中包含要包含在方差分析模型中的每个主项或交互项的一行。每一行使用向量定义一个项gydF4y2BaNgydF4y2Ba0和1。下表说明了因子的3因子方差分析的编码gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaCgydF4y2Ba.gydF4y2Ba
矩阵的行gydF4y2Ba | 方差分析的术语gydF4y2Ba |
---|---|
|
主要的术语gydF4y2Ba一个gydF4y2Ba |
|
主要的术语gydF4y2BaBgydF4y2Ba |
|
主要的术语gydF4y2BaCgydF4y2Ba |
|
相互作用项gydF4y2BaABgydF4y2Ba |
|
相互作用项gydF4y2Ba交流gydF4y2Ba |
|
相互作用项gydF4y2Ba公元前gydF4y2Ba |
|
相互作用项gydF4y2Ba美国广播公司gydF4y2Ba |
例如,如果有三个因素gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaCgydF4y2Ba,gydF4y2Ba'model',[0 1 0;0 0 1;0 1 1]gydF4y2Ba
,然后gydF4y2BaanovangydF4y2Ba
测试主要效果gydF4y2BaBgydF4y2Ba和gydF4y2BaCgydF4y2Ba,以及交互效应gydF4y2Ba公元前gydF4y2Ba,分别。gydF4y2Ba
生成项矩阵的一种简单方法是修改gydF4y2Ba条款gydF4y2Ba
输出,它使用上面描述的格式对当前模型中的术语进行编码。如果gydF4y2BaanovangydF4y2Ba
返回gydF4y2Ba[0 1 0;0 0 1;0 1 1]gydF4y2Ba
为gydF4y2Ba条款gydF4y2Ba
例如,没有显著的交互作用gydF4y2Ba公元前gydF4y2Ba,然后你可以重新计算单因素方差分析gydF4y2BaBgydF4y2Ba和gydF4y2BaCgydF4y2Ba通过指定gydF4y2Ba[0 1 0;0 0 1]gydF4y2Ba
为gydF4y2Ba模型gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba'model',[0 1 0;0 0 1;0 1 1]gydF4y2Ba
例子:gydF4y2Ba“模型”、“互动”gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
“嵌套”gydF4y2Ba
- - - - - -gydF4y2Ba嵌套关系gydF4y2Ba分组变量之间的嵌套关系,指定为逗号分隔的对,由gydF4y2Ba“嵌套”gydF4y2Ba
和一个矩阵gydF4y2Ba米gydF4y2Ba0和1的集合,也就是。gydF4y2Ba米gydF4y2Ba(gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba) = 1 if变量gydF4y2Ba我gydF4y2Ba嵌套在变量中gydF4y2BajgydF4y2Ba.gydF4y2Ba
不能在连续变量中指定嵌套。gydF4y2Ba
例如,如果有两个分组变量District和School,其中School嵌套在District中,那么可以如下表示这种关系。gydF4y2Ba
例子:gydF4y2Ba“嵌套”,[0 0、1 0]gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
“随机”gydF4y2Ba
- - - - - -gydF4y2Ba随机变量指标gydF4y2Ba随机变量的指示符,表示哪些分组变量是随机的,指定为由gydF4y2Ba“随机”gydF4y2Ba
一个指标向量。默认情况下,gydF4y2BaanovangydF4y2Ba
将所有分组变量视为固定的。gydF4y2Ba
anovangydF4y2Ba
如果交互项中的任何变量是随机的,则将交互项视为随机的。gydF4y2Ba
例子:gydF4y2Ba“随机”,[3]gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
“sstype”gydF4y2Ba
- - - - - -gydF4y2Ba平方和的类型gydF4y2Ba“h”gydF4y2Ba
平方和的类型,指定为逗号分隔的对gydF4y2Ba“sstype”gydF4y2Ba
和下面的:gydF4y2Ba
1 - I型平方和。减少残差平方和,通过将该项加入一个已经包含前面所列项的拟合而得到。gydF4y2Ba
2 -二类平方和。通过将该项添加到由所有不包含该项的其他项组成的模型中而得到的残差平方和的减少gydF4y2Ba
3 -型平方和。减少残差平方和通过将该项添加到包含所有其他项的模型中而得到的减少,但其影响受限于使模型可估计的通常“西格玛限制”gydF4y2Ba
“h”gydF4y2Ba
——层次模型。类似于类型2,但具有连续和分类因子,用于确定术语的层次结构。gydF4y2Ba
任何一项的平方和是通过比较两个模型来确定的。对于一个包含主要影响但没有交互作用的模型,值gydF4y2BasstypegydF4y2Ba
仅影响对不平衡数据的计算。gydF4y2Ba
假设您正在用两个因素及其交互拟合一个模型,术语按顺序出现gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba.让gydF4y2BaRgydF4y2Ba·表示模型的残差平方和。所以,gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)为拟合整个模型的残差平方和,gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba)为拟合主效应的残差平方和gydF4y2Ba一个gydF4y2Ba只有,gydF4y2BaRgydF4y2Ba(1)是仅拟合均值的残差平方和。三种平方和类型如下:gydF4y2Ba
术语gydF4y2Ba | 第一类平方和gydF4y2Ba | 第二种平方和gydF4y2Ba | 第三类平方和gydF4y2Ba |
---|---|---|---|
一个gydF4y2Ba |
RgydF4y2Ba(1) -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2BaBgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)gydF4y2Ba |
BgydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaABgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)gydF4y2Ba |
ABgydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)gydF4y2Ba |
RgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba) - - -gydF4y2BaRgydF4y2Ba(gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba)gydF4y2Ba |
类型3平方和的模型有施加的sigma限制。这意味着,比如说,在拟合中gydF4y2BaRgydF4y2Ba(gydF4y2BaBgydF4y2Ba,gydF4y2BaABgydF4y2Ba),数组gydF4y2BaABgydF4y2Ba效果被限制为0以上gydF4y2Ba一个gydF4y2Ba对于每一个值gydF4y2BaBgydF4y2Ba,在gydF4y2BaBgydF4y2Ba对于每一个值gydF4y2Ba一个gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“sstype”、“h”gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
“varnames”gydF4y2Ba
- - - - - -gydF4y2Ba分组变量名称gydF4y2BaX1, X2,…,XNgydF4y2Ba
(默认)|gydF4y2Ba字符矩阵gydF4y2Ba|gydF4y2Ba字符串数组gydF4y2Ba|gydF4y2Ba字符向量的单元数组gydF4y2Ba分组变量的名称,指定为逗号分隔的对,由gydF4y2Ba“varnames”gydF4y2Ba
字符矩阵,字符串数组,或者字符向量的单元格数组。gydF4y2Ba
例子:gydF4y2Bavarnames,{“性别”,“城市”}gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
pgydF4y2Ba
- - - - - -gydF4y2BapgydF4y2Ba值gydF4y2BapgydF4y2Ba-values,作为vector返回。gydF4y2Ba
输出向量gydF4y2BapgydF4y2Ba
包含gydF4y2BapgydF4y2Ba的零假设值gydF4y2BaNgydF4y2Ba指定的主要效果和任何交互条件。元素gydF4y2Ba(1页)gydF4y2Ba
包含了gydF4y2BapgydF4y2Ba-值为零假设,样本在所有水平的因素gydF4y2Ba一个gydF4y2Ba来自同一群体;元素gydF4y2Ba(2页)gydF4y2Ba
包含了gydF4y2BapgydF4y2Ba-值为零假设,样本在所有水平的因素gydF4y2BaBgydF4y2Ba来自同一群体;等等。gydF4y2Ba
例如,如果有三个因素gydF4y2Ba一个gydF4y2Ba,gydF4y2BaBgydF4y2Ba,gydF4y2BaCgydF4y2Ba,gydF4y2Ba'model',[0 1 0;0 0 1;0 1 1]gydF4y2Ba
,则输出向量gydF4y2BapgydF4y2Ba
包含了gydF4y2BapgydF4y2Ba-对主效应的零假设值gydF4y2BaBgydF4y2Ba和gydF4y2BaCgydF4y2Ba还有交互效应gydF4y2Ba公元前gydF4y2Ba,分别。gydF4y2Ba
一个足够小的gydF4y2BapgydF4y2Ba-值对应于一个因素表明至少一组平均值与另一组平均值显著不同;也就是说,这个因素有一个主要的影响。如果gydF4y2BapgydF4y2Ba-value小于0.05或0.01。gydF4y2Ba
资源描述gydF4y2Ba
——方差分析表gydF4y2Ba方差分析表,作为单元格数组返回。ANOVA表有7列:gydF4y2Ba
列名gydF4y2Ba | 定义gydF4y2Ba |
---|---|
源gydF4y2Ba |
可变性的来源。gydF4y2Ba |
党卫军gydF4y2Ba |
每个源的平方和。gydF4y2Ba |
dfgydF4y2Ba |
与每个源相关的自由度。gydF4y2Ba |
女士gydF4y2Ba |
每个源的平均平方,也就是比值gydF4y2BaSS / dfgydF4y2Ba .gydF4y2Ba |
单数?gydF4y2Ba |
表示术语是否是单数的。gydF4y2Ba |
FgydF4y2Ba |
FgydF4y2Ba-statistic,即均方之比。gydF4y2Ba |
概率F >gydF4y2Ba |
的gydF4y2BapgydF4y2Ba-values,表示gydF4y2BaFgydF4y2Ba-statistic可以取大于计算的测试统计值的值。gydF4y2BaanovangydF4y2Ba 从的CDF得到这些概率gydF4y2BaFgydF4y2Ba分布。gydF4y2Ba |
如果使用名称-值对参数将至少一个分组变量指定为随机的,则ANOVA表还包含以下列gydF4y2Ba随机gydF4y2Ba
:gydF4y2Ba
列名gydF4y2Ba | 定义gydF4y2Ba |
---|---|
类型gydF4y2Ba |
每个源的类型;gydF4y2Ba“固定”gydF4y2Ba 为固定的效果或gydF4y2Ba“随机”gydF4y2Ba 随机效应。gydF4y2Ba |
预期的女士gydF4y2Ba |
均方期望值的文本表示。gydF4y2Ba问(源)gydF4y2Ba 表示的二次函数gydF4y2Ba源gydF4y2Ba 和gydF4y2BaV(源)gydF4y2Ba 表示的方差gydF4y2Ba源gydF4y2Ba .gydF4y2Ba |
分母项女士gydF4y2Ba |
分母的gydF4y2BaFgydF4y2Ba统计。gydF4y2Ba |
测向分母项gydF4y2Ba |
分母的自由度gydF4y2BaFgydF4y2Ba统计。gydF4y2Ba |
分母项。defn。gydF4y2Ba |
的分母的文本表示gydF4y2BaFgydF4y2Ba统计。gydF4y2Ba女士(源)gydF4y2Ba 表示的均方gydF4y2Ba源gydF4y2Ba .gydF4y2Ba |
Var. est。gydF4y2Ba |
方差分量估计。gydF4y2Ba |
Var. bnd低gydF4y2Ba |
方差分量估计的95%置信区间的下界。gydF4y2Ba |
Var.上层bndgydF4y2Ba |
方差分量估计的95%置信区间的上界。gydF4y2Ba |
统计数据gydF4y2Ba
——统计gydF4y2Ba在一个gydF4y2Ba多重比较检验gydF4y2Ba使用gydF4y2BamultcomparegydF4y2Ba
函数,作为结构返回。gydF4y2Ba
anovangydF4y2Ba
评估一个因素(或更广泛地说,一个术语)的不同组(水平)具有相同效果的假设,而不是它们并不都具有相同的效果。有时,最好执行一个测试来确定哪些级别是显著不同的,哪些不是。使用gydF4y2BamultcomparegydF4y2Ba
方法来执行此类测试gydF4y2Ba统计数据gydF4y2Ba
结构作为输入。gydF4y2Ba
的gydF4y2Ba统计数据gydF4y2Ba
结构包含下面列出的字段,以及使用gydF4y2BamultcomparegydF4y2Ba
功能:gydF4y2Ba
场gydF4y2Ba | 描述gydF4y2Ba |
---|---|
|
估计系数gydF4y2Ba |
|
每个系数的术语名称gydF4y2Ba |
|
每一项的变量值分组矩阵gydF4y2Ba |
|
来自拟合模型的残差gydF4y2Ba |
的gydF4y2Ba统计数据gydF4y2Ba
如果使用名称-值对参数将至少一个分组变量指定为随机的,结构还包含以下字段gydF4y2Ba随机gydF4y2Ba
:gydF4y2Ba
场gydF4y2Ba | 描述gydF4y2Ba |
---|---|
|
预期的意思是广场gydF4y2Ba |
|
分母的定义gydF4y2Ba |
|
随机术语名称gydF4y2Ba |
|
方差分量估计(每个随机项一个)gydF4y2Ba |
|
方差成分的置信区间gydF4y2Ba |
条款gydF4y2Ba
-主要和交互术语gydF4y2Ba主项和交互项,以矩阵形式返回。这些项被编码在输出矩阵中gydF4y2Ba条款gydF4y2Ba
使用上面描述的输入格式gydF4y2Ba模型gydF4y2Ba
.当你指定gydF4y2Ba模型gydF4y2Ba
以这种形式本身,矩阵返回gydF4y2Ba条款gydF4y2Ba
是相同的。gydF4y2Ba
[1]邓恩,oj, V.A.克拉克。gydF4y2Ba应用统计学:方差与回归分析gydF4y2Ba.纽约:威利,1974年。gydF4y2Ba
晚安,j。h。和f。m。Speed。gydF4y2Ba计算期望均方gydF4y2Ba.卡里,北卡罗来纳州:SAS学院,1978年。gydF4y2Ba
Seber, g.a.f和a.j. Lee。gydF4y2Ba线性回归分析gydF4y2Ba.第二版。霍博肯,新泽西:Wiley-Interscience, 2003。gydF4y2Ba
anova1gydF4y2Ba
|gydF4y2Baanova2gydF4y2Ba
|gydF4y2BafitrmgydF4y2Ba
|gydF4y2BamultcomparegydF4y2Ba
|gydF4y2BaranovagydF4y2Ba
您点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
通过在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站来获得可用的翻译内容,并看到当地的活动和提供。根据您所在的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba你也可以从以下列表中选择一个网站:gydF4y2Ba
请选择表现最佳的中国网站(中文或英文)。MathWorks的其他国家网站并没有针对您所在位置的访问进行优化。gydF4y2Ba