方差分析(ANOVA)技术检验一组均数(治疗效果)是否相等。拒绝零假设导致的结论,不是所有的群体的手段是相同的。然而,这个结果并没有提供关于哪一组的方法是不同的进一步信息。
表演一系列的t不建议使用-测试来确定哪对平均值有显著差异。当你执行多重运算时t-测试,即平均数看起来显著的概率,显著的差异结果可能是由于大量的测试。这些t-测试使用来自相同样本的数据,因此它们不是独立的。这一事实使得量化多重测试的显著性水平变得更加困难。
假设在一个t-检验,零假设(H0)被拒绝时,它实际上是一个小值,比如0.05。再假设你做了六个独立的t- 最低。如果每个测试的显着性水平为0.05,则测试正确未拒绝H的概率0,当H.0为(0.95)6= 0.735。其中一个检验错误拒绝原假设的概率是1 - 0.735 = 0.265,远高于0.05。
为了补偿多个测试,可以使用多个比较过程。统计和机器学习工具箱™功能多人节目
执行组手段或治疗效果的多个成对比较。该选项是Tukey的诚实显着的差异标准(默认选项),Bonferroni方法,Scheffe程序,Fisher最低差异(LSD)方法,以及Dunn&Sidák的方法t以及。
要进行组均值的多次比较,请提供结构统计数据
作为一个输入多人节目
.你可以获得统计数据
从下列函数之一:
有关重复测量的多个比较程序选项,请参见多人节目
(RepeatedMeasuresModel
).
加载样例数据。
负载carsmall
MPG.
表示每辆车每加仑汽油行驶的里程,以及气瓶
表示每辆车中的气缸数,可以是4、6或8个气缸。
测试如果每加仑(MPG)的平均法里程在具有不同数量的汽缸的汽车上是不同的。还计算多个比较测试所需的统计信息。
[p ~统计]= anova1 (MPG,气缸,'离开');p
p = 4.4902 e-24
小p-值约为0是一个强烈的指示,每加仑汽油的平均英里数是显著不同的汽车与不同的汽缸。
使用Bonferroni方法进行多重比较测试,以确定汽缸数量对汽车性能的影响。
[结果,意味着]= multcompare(统计数据,'ctype',“bonferroni”)
结果=3×61.000 2.000 4.8605 7.9418 11.0230 0.0000 1.000 3.000 12.6127 15.2337 17.8548 0.0000 2.000 3.8940 7.2919 10.6899 0.0000
意味着=3×229.5300 0.6363 21.5882 1.0913 14.2963 0.8660
在结果
矩阵1、2、3分别对应有4、6、8个柱面的汽车。前两列显示了比较哪些组。例如,第一行比较了4个气缸和6个气缸的汽车。第四列显示了比较组的平均mpg差异。第三和第五列显示了组平均值差异的95%置信区间的下限和上限。最后一列显示p-值用于测试。所有p-Values是零,这表明所有组的平均MPG都不同于所有组。
在图中,蓝色条表示一组有4个圆柱体的汽车。红条代表其他组。没有一辆车的平均mpg的红色比较间隔重叠,这意味着平均mpg是显著不同的汽车有4,6,或8缸。
的第一列方法
矩阵具有每组汽车的平均MPG估计。第二列包含估计的标准误差。
加载样例数据。
Y = [52.7 57.5 45.9 44.5 53.0 57.0 45.9 44.0]';G1 = [1 2 1 2 11 2 11 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
响应向量是和吗g1
,g2
,g3
是分组变量(因子)。每个因素有两个层次,每一个观察y
是由多个因素水平组合确定的。例如,观察y (1)
与因素的级别1相关联g1
, 等级“嗨”
的因素g2
和水平“可能”
的因素g3
.同样,观察y (6)
与因素的第2级相关联g1
, 等级“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。还计算多个比较测试所需的统计信息。
[〜,〜,stats] = Anovan(y,{g1 g2 g3},“模型”,“互动”,...“varnames”, {'g1','G2','g3'});
的p-value为0.2578表示水平的平均响应“可能”
和“6月”
的因素g3
没有明显的不同。的p-value = 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-value = 0.0048表示水平的平均响应“嗨”
和“罗”
的因素g2
是明显不同的。
执行多重比较测试,找出哪组因素g1
和g2
是明显不同的。
结果= Multcompare(统计数据),“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 4.170111104 0.01104 0.01104 0.01104 0.01104 0.01104 0.011890
多人节目
比较两个分组变量的组(级别)的组合,g1
和g2
.在结果
矩阵中,数字1对应的组合水平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对应的是水平组合1
的g1
和水平罗
的g2
,数字4对应水平的组合2
的g1
和水平罗
的g2
.矩阵的最后一列包含p值。
例如,矩阵的第一行显示了级别的组合1
的g1
和水平嗨
的g2
具有与水平的组合相同的平均响应值2
的g1
和水平嗨
的g2
.的p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1
的g1
和水平嗨
的g2
.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1
的g1
和水平嗨
的g2
与其他组合组合的平均反应显着不同。
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1
的g1
和水平罗
的g2
,为组合水平的比较间隔2
的g1
和水平罗
的g2
重叠,因此是灰色的。相反,其他比较间隔是红色的,表明显着差异。
指定所需的多个比较过程多人节目
进行使用'ctype'
名称-值对的论点。多人节目
提供以下步骤:
您可以使用诚实地指定Tukey的诚实差异差异“CType”、“Tukey-Kramer”
或'ctype','hsd'
名称-值对的论点。该测试基于学生范围分布。拒绝H0:α.我=α.j如果
在哪里 鞋面100 *(1 -α.)第1百分位的研究范围分布带参数k和N- - - - - -k自由程度。k是群体数量(治疗或边缘手段)和N是观测的总数。
Tukey的诚实差异术语对于平衡单向ANOVA和具有相同样本尺寸的类似程序是最佳的最佳选择。已被证明是保守的单向ANOVA,具有不同的样本尺寸。根据未经证实的Tukey-Kramer猜想,它还准确地用于所比较的数量相关的问题,如在与不平衡的协变量值的协方差分析中。
属性指定Bonferroni方法“CType”、“bonferroni”
名称-值对。这种方法使用来自Student’s的临界值t-调整后的分布,以补偿多次比较。测试拒绝H0:α.我=α.j在
显著性水平,k组的数量是否
在哪里N观察的总数是多少k是组的数量(边际平均值)。这个方法比较保守,但通常不如Scheffé方法保守。
您可以指定Dunn & Sidák的方法使用“CType”、“dunn-sidak”
名称-值对的论点。的临界值t-distribution,经过多次比较的调整后,由Dunn提出,Sidák证明是准确的。这个测试拒绝H0:α.我=α.j如果
在哪里
和k是群体的数量。该程序类似于Bonferroni程序,但较少保守。
您可以使用该方法指定最小重要性差异程序“CType”、“迷幻药”
名称-值对的论点。这个测试使用测试统计量
它拒绝H0:α.我=α.j如果
费雪建议,只有在零假设H时才执行LSD,以防止多重比较0:α.1=α.2=……=α.k被方差分析拒绝了吗F以及。即使在这种情况下,LSD也可能不会拒绝任何个人假设。Anova也可能不会拒绝h0,即使某些群体之间存在差异。这种行为的发生是因为剩余群体的平等意味着可以导致F- 最重要的统计数据。没有任何条件,LSD不提供对多个比较问题的任何保护。
您可以使用scheffe使用scheffe的程序“CType”、“矫正”
名称-值对的论点。临界值由F分配。测试拒绝H0:α.我=α.j如果
这个程序提供了同时的置信水平,以比较所有的线性组合的平均数。对简单的差异进行比较是保守的。
[1] Milliken G. A.和D. E. Johnson。凌乱数据的分析。第一卷:设计实验.波卡拉顿:查普曼和霍尔出版社,1992。
[2] Neter J., M. H. Kutner, C. J. Nachtsheim, W. Wasserman.第四版。应用线性统计模型.Irwin出版社,1996年。
[3] Hochberg,Y.和A. C. Tamhane。多重比较过程.Hoboken, NJ: John Wiley & Sons, 1987。
anova1
|anova2
|anovan
|Aoctool.
|弗里德曼
|Kruskalwallis.
|多人节目