单因素方差分析应用实例,实验报告(共10篇).doc

单因素方差分析应用实例,实验报告(共10篇) 实验报告 单因素方差分析 5.1、实验步骤： 1．建立数据文件。 定义2个变量：PWK和DCGJSL，分别表示排污口和大肠杆菌数量。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“DCGJSL”进入“因变量”列表框，选择变量“PWK”进入“因子”列表框。 3．单击“确定”按钮，得到输出结果。 结果解读： 由以上结果可以看到，观测变量大肠杆菌数量的总离差平方和为460.438；如果仅考虑“排污口”单个因素的影响，则大肠杆菌数量总变差中，排污口可解释的变差为308.188，抽样误差引起的变差为152.250，它们的方差（平均变差）分别为102.729和12.688，相除所得的F统计量的观测值为8.097，对应的概率P值为0.003。在显著性水平α为0.05的情况下。由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的排污口对大肠杆菌数量产生了显著影响，它对大肠杆菌数量的影响效应不全为0。 因此，可判断各个排污口的大肠杆菌数量是有差别的。 5.2、实验步骤： 1．建立数据文件。 定义2个变量：Branch和Turnover，分别表示分店和日营业额。将Branch的值定义为1=第一分店，2=第二分店，3=第三分店，4=第四分店，5=第五分店。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“Turnover”进入“因变量”列表框，选择变量“Branch”进入“因子”列表框。 3．单击“确定”按钮，得到输出结果。 结果解读： 由以上结果可以看到，观测变量日营业额的总离差平方和为1187668.733；如果仅考虑“分店”单个因素的影响，则日营业额总变差中，分店可解释的变差为366120.900，抽样误差引起的变差为821547.833，它们的方差（平均变差）分别为91530.225和14937.233，相除所得的F统计量的观测值为6.128，对应的概率P值近似为0。在显著性水平α为0.05的情况下，由于概率P值小于显著性水平α，则应拒绝零假设，认为不同的分店对日营业额产生了显著影响，它对日营业额的影响效应不全为0。 因此，在α＝0.05的显著性水平下， “这五个分店的日营业额相同”这一假设不成立。 5.3、实验步骤： 1．建立数据文件。 定义3个变量：weight和method，分别表示幼苗干重（mg）和处理方式。将method的值定义为1=HCI，2=丙酸，3=丁酸，4=对照。 2. 选择菜单“分析→比较均值→单因素”,弹出“单因素方差分析”对话框。在对话 框左侧的变量列表中，选择变量“，method”进入“因变量”列表框，选择变量“weight”进入“因子”列表框。 在“两两比较”选项中选择LSD、Bonferroni和Scheffe方法。 3．单击“确定”按钮，得到输出结果。 篇二：单因素方差分析实验报告 天水师范学院数学与统计学院 实验报告 实验项目名称单因素方差分析 所属课程名称 实 验 类 型 设计型 实 验 日 期2011.11.22 班 级 09统计一班 学 号 291050146 姓 名 成 绩 【实验目的】 通过测量数据研究各个因素对总体的影响效果，判定因素在总变异中的重要程度 【实验原理】 比较因素A的r个水平的差异归结为比较这r个总体的均值.即检验假设 Ho : μ1 = μ2 = … = μr, H1 : μ1, μ2, … , μr 不全相等 给定显著水平α，用P值检验法， 当P值大于α时，接受原假设Ho，否则拒绝原假设Ho 【实验环境】 R 2.13.1 Pentinu(R)Dual-Core CPU E6700 3.20GHz 3.19GHz,2.00GB的内存 【实验方案】 准备数据，查找相关R程序代码并进行编写运行 得出结果进行分析总结 【实验过程】（实验步骤、记录、数据、分析） 1.根据四种不同配方下的元件寿命数据 材料 使用寿命 A1 1600 1610 1650 1680 1700 1700 1780 A2 1500 1640 1400 1700 1750 A3 1640 1550 1600 1620 1640 1600 1740 1800 A4 1510 1520 1530 1570 1640 1600 2.利用主函数aov()编写该数据的方差分析R程序 3.运行得出结果 Df Sum Sq Mean Sq F value Pr(F) A3 49212 16404 2.1659 0.1208 Resid