加载样例数据。

负载carsmall

执行单向方差分析(ANOVA)，以查看汽车的里程数之间是否有任何差异。

[p,t,stats] = anova1(MPG,Origin，“关闭”）;

执行组均值的多重比较。

[c,m,h,nms] = multcompare(stats);

multcompare显示估算值及其周围的比较间隔。您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。

现在显示具有相应组名的平均估计值和标准误差。

(nms num2cell (m))

ans =6×3单元格数组{'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]}

加载样例数据。

负载爆米花爆米花

爆米花=6×35.5000 4.5000 3.5000 5.5000 4.5000 4.000 6.0000 4.0000 3.0000 6.5000 5.0000 4.0000 7.0000 5.5000 5.0000 7.0000 5.0000 4.5000

数据来自一项关于爆米花品牌和爆米花机类型的研究(Hogg 1987)。矩阵的列爆米花是品牌(Gourmet, National和Generic)。排是popper类型的油和空气。在这项研究中，研究人员用每个爆破器将每个品牌的啤酒爆破三次。数值是每杯爆米花的产量。

进行双向方差分析。还要计算对主要效果执行多重比较测试所需的统计数据。

[~，~，stats] = anova2(爆米花，3，“关闭”）

统计=带字段的结构:来源:'anova2' sigmasq: 0.1389 colmean: [6.2500 4.7500 4] colmean: [4.5000 5.5000] rowmean: 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，以查看爆米花品牌对(列)之间的爆米花产量是否不同。

C = multicompare (stats)

注意:您的模型包含一个交互项。当模型包含相互作用时，主效应的测试可能难以解释。

c =3×61.0000 2.0000 0.9260 1.5000 2.0740 0.0000 1.0000 3.0000 1.6760 2.2500 2.8240 0.000 2.0000 3.0000 0.1760 0.7500 1.3240 0.0116

的前两列c显示被比较的组。第四列显示估计的组均值之间的差值。第三和第五列显示了真实平均差的95%置信区间的下限和上限。第六列包含p-value为假设检验，对应的平均差等于零。所有p-values(0, 0，和0.0116)非常小，这表明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的平均值高亮显示，比较间隔显示为蓝色。因为其他两组的比较区间与第1组的均值区间不相交，所以用红色突出显示。这种缺乏交集的情况表明，两组均值都不同于第1组均值。选择其他组均值，确认所有组均值之间存在显著差异。

执行多重比较测试，以查看两种爆米花类型(行)之间的爆米花产量差异。

C = multicompare (stats，“估计”，“行”）

注意:您的模型包含一个交互项。当模型包含相互作用时，主效应的测试可能难以解释。

c =1×61.0000 2.0000 -1.3828 -1.0000 -0.6172 0.0001

小p-value为0.0001表示两种爆米花机(空气和油)的爆米花产量不同。图中显示了相同的结果。不相交的比较区间表明组均值之间存在显著差异。

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 1 2 1 2 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)。每个因素都有两个层次，每个观察都在y由因素级别的组合标识。例如，观察y (1)与因子的第一级有关吗g1、水平“嗨”的因素g2，和水平“可能”的因素g3．同样,观察y (6)与因子的2级有关吗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-value为0.2578表示各水平的平均响应“可能”而且“6月”的因素g3没有明显的不同。的p-value为0.0347表示各水平的平均响应1而且2的因素g1有很大的不同。类似地,p-value为0.0048表示水平的平均响应“嗨”而且“罗”的因素g2有很大的不同。

执行多次比较测试以找出哪些组因素g1而且g2有很大的不同。

结果= multicompare (stats，“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 4.1396 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(级)组合，g1而且g2．在结果矩阵中，数字1对应的是级别的组合1的g1和水平嗨的g2，数字2对应等级的组合2的g1和水平嗨的g2．同样，数字3对应的是等级的组合1的g1和水平罗的g2，数字4对应等级的组合2的g1和水平罗的g2．矩阵的最后一列包含p值。

例如，矩阵的第一行表示组合水平1的g1和水平嗨的g2是否与水平组合的平均响应值相同2的g1和水平嗨的g2．的p-value为0.0280，表示平均响应有显著差异。您还可以在图中看到这个结果。蓝色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响应的比较区间。红条与蓝条没有重叠，这表示水平组合的平均响应1的g1和水平嗨的g2与其他组组合的平均反应显著不同。

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。有显著差异的组的柱状图是红色的。没有显著差异的组的柱状图是灰色的。例如，如果您点击比较区间的组合级别1的g1和水平罗的g2，为组合级别的比较区间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。