加载示例数据。

负载carsmall

执行单向方差分析(ANOVA)，看看是否有任何不同的里程的汽车的来源。

(p t统计)= anova1 (MPG,起源,“关闭”）;

对组平均值进行多次比较。

(c m h, nms) = multcompare(统计);

multcompare显示估算值及其周围的比较间隔。你可以点击每个国家的图表，将其平均值与其他国家的平均值进行比较。

现在用相应的组名显示平均估计和标准误差。

(nms num2cell (m))

ans =6×3单元阵列{'美国'}{[21.1328]}{[0.8814]}{‘日本’}{[31.8000]}{[1.8206]}{“德国”}{[28.4444]}{[2.3504]}{“法国”}{[23.6667]}{[4.0711]}{“瑞典”}{[22.5000]}{[4.9860]}{“意大利”}{[28]}{[7.0513]}

加载示例数据。

负载爆米花爆米花

爆米花=6×35.5000 4.5000 3.5000 5.5000 4.5000 4.0000 6.0000 4.0000 3.0000 6.5000 5.0000 4.0000 4.0000 4.0000 7.0000 5.5000 5.0000 7.0000 5.5000

数据来自一项关于爆米花品牌和爆米花类型的研究(Hogg 1987)。矩阵的列爆米花都是品牌(Gourmet, National和Generic)。行是很时髦的油和空气。在这项研究中，研究人员用每个牌子的爆米花爆三次。这些值是爆米花杯的收益率。

进行双向方差分析。还要计算需要对主要效果执行多重比较测试的统计信息。

[~, ~,统计]= anova2(爆米花,3,“关闭”）

统计=结构体字段:来源:'anova2' sigmasq: 0.1389 colmeans: [6.2500 4.7500 4] coln: 6 rowmeans: [4.5000 5.5000] row: 9 inter: 1 pval: 0.7462 df: 12

的统计数据结构包括

执行多重比较测试，看看爆米花产量是否在对爆米花品牌(列)之间不同。

c = multcompare(统计)

注意:您的模型包含一个交互术语。当模型包含交互作用时，主效应的测试可能很难解释。

c =3×61.0000 2.0000 0.9260 1.5000 2.0740 0.0000 1.0000 3.0000 1.6760 2.2500 2.8240 0.0000 2.0000 3.0000 0.1760 0.7500 1.3240 0.0116

的前两列c显示比较的组。第四列显示了估计组均值之间的差异。第三和第五列显示了真实均值差的95%置信区间的下限和上限。第六列包含p对应的均值差等于零的假设检验的值。所有p-values(0,0，和0.0116)非常小，这表明所有三个品牌的爆米花产量不同。

图中显示了平均数的多重比较。默认情况下，组1的平均值是突出显示的，比较间隔是蓝色的。因为其他两组的比较间隔与组1的平均值的间隔不相交，所以用红色突出显示。缺乏交集表明两组平均值都不同于第一组平均值。选择其他组均值以确认所有组均值之间存在显著差异。

执行多重比较测试，以查看两种popper类型(行)之间的爆米花产量差异。

c = multcompare(统计数据,“估计”，“行”）

注意:您的模型包含一个交互术语。当模型包含交互作用时，主效应的测试可能很难解释。

c =1×61.0000 -1.3828 -1.0000 -0.6172 0.0001

小p-值0.0001表示两种爆米花类型(空气和油)的爆米花产率不同。图中显示了相同的结果。不相交的比较区间表明各组平均值之间存在显著差异。

加载示例数据。

Y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]';G1 = [1 2 1 2 1 2];g2 = {“嗨”；“嗨”；“罗”；“罗”；“嗨”；“嗨”；“罗”；“罗”};g3 = {“可能”；“可能”；“可能”；“可能”；“6月”；“6月”；“6月”；“6月”};

y是响应向量和吗g1，g2,g3为分组变量(因素)。每一个因素都有两个层次，每一个观察y是由因素水平的组合来确定的。例如,观察y (1)与第一级因子有关吗g1、水平“嗨”的因素g2,和水平“可能”的因素g3．同样,观察y (6)与2级因子有关吗g1、水平“嗨”的因素g2,和水平“6月”的因素g3．

测试所有因素水平的响应是否相同。还要计算多个比较测试所需的统计数据。

[~，~，stats] = anovan(y，{g1 g2 g3})，“模型”，“互动”，．..“varnames”, {g1的，“g2”，“g3”}）;

的p-值为0.2578表示水平的平均响应“可能”和“6月”的因素g3并没有显著的不同。的p-value为0.0347表示水平的平均响应1和2的因素g1是明显不同的。类似地,p-值0.0048表示水平的平均响应“嗨”和“罗”的因素g2是明显不同的。

执行多个比较测试以找出哪些因素组g1和g2是明显不同的。

结果= multcompare(统计,“维度”[1, 2])

结果=6×61.0000 2.0000 -6.8604 -4.4000 -1.9396 0.0272 1.0000 3.0000 4.4896 6.9500 9.4104 0.0170 1.0000 4.0000 6.1396 8.6000 11.0604 0.0136 2.0000 3.0000 8.8896 11.3500 13.8104 0.0101 2.0000 4.0000 10.5396 13.0000 15.4604 0.0087 3.0000 4.0000 -0.8104 1.6500 4.1104 0.0737

multcompare比较两个分组变量的组(水平)的组合，g1和g2．在结果矩阵中，数字1对应的组合电平1的g1和水平嗨的g2，数字2对应水平的组合2的g1和水平嗨的g2．同样，数字3对应的是level的组合1的g1和水平罗的g2，数字4对应level的组合2的g1和水平罗的g2．矩阵的最后一列包含p值。

例如，矩阵的第一行表示等级的组合1的g1和水平嗨的g2是否与水平组合具有相同的平均响应值2的g1和水平嗨的g2．的p-值为0.0280，说明平均响应差异显著。你也可以在图中看到这个结果。蓝条显示了水平组合的平均响应的比较区间1的g1和水平嗨的g2．红色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，这意味着水平组合的平均响应1的g1和水平嗨的g2与其他组组合的平均反应有显著差异。

您可以通过单击该组对应的比较间隔来测试其他组。你点击的栏变成蓝色。显著不同的组的条形图是红色的。没有显著差异的组的条形图是灰色的。例如，如果您单击级别组合的比较间隔1的g1和水平罗的g2，比较间隔为组合电平2的g1和水平罗的g2重叠，因此是灰色的。相反，其他比较区间为红色，表示差异显著。