spss的使用，双因素方差分析
发布网友
发布时间：2022-04-21 23:02
共1个回答
热心网友
时间：2023-09-13 09:26
双因素方差分析SPSS实现流程
有一水稻施肥的盆栽试验，设置了5个处理：A1和A2分别施用两种不同工艺流程的氨水，A3施碳酸氢铵，A4施尿素，A5为对照。每个处理各4盆，随机置于同一试验大棚。水稻稻谷产量见下表。现分析不同施肥处理下，水稻稻谷产量之间是否有显著差异。
1.1.3 课程实习任务
①按课程设计题目要求设计脚本；
②脚本能够完成对水稻数据的单因素方差分析；
③编写代码；
④脚本分析与调试；
⑤撰写实验报告。
1.1.4 课程实习目标
①巩固并加深对R语言的理解和掌握；
②通过课外学习拓展课程知识面；
③提高运用R语言解决生活实际问题的能力；
④初步掌握开发简单脚本的基本方法；
⑤掌握书写程序设计与软件开发的阐述性、总结性文档。2. 程序设计层次及说明展示
由于采用代码注释的方法，形式上不太美观，且不容易直接看到结果，造成阅览不变，故笔者采用了将脚本文件分部分执行，截图进行说明的方法，让每部操作清晰明了，结果明显。再在本节末尾附上代码文件以供阅览。
2.1 数据录入
此处是直接进行了程序录入，将数据录入参数shuidata中。其中，每行数据对应一个组别。
而这里可以也可使用scan函数进行交互键入，又或者将数据保存为csv格式，再用read.csv函数根据途径录入也可以。
2.2 转化为数据框
这里根据每行对应的类型不同分别命名。命名的列量名称为参数name，数据框名为参数shui。
2.3 数据融化和冗杂数据处理
由于水稻数据内容构成比较简单，因素单一，所以不需要再融化数据框操作了，因为在数据框形成时已经完成了融化处理的结果，再进行转化反而繁琐，故不需要使用melt函数。同理，此份水稻数据中不包含冗余成分，故也同样不需要冗杂数据处理。
2.4 数据分析
此处直接使用aov函数进行单因素方差分析，得到结果参数result的F值为11.18，p值小于0.05，且各因子水平的均值之间存在十分显著差异。
2.5 初步结论
经过单因素方差分析可得知，肥料因素对产量的结果影响十分显著，也因此可以再做一些步骤来确认其真实性，以及深入了解其差异性的特质。
2.6 正态性检验2.6.1 Q-Q图
这里先用lm函数进行线性回归模型拟合，将结果参数mo录入qqPlot函数中，得到下图：
可见回归曲线在范围内，故数据符合正态性检验。
2.6.2 其他方法
检验正态性的方法不唯一，在网上资料查询中，还有如下方法：
1.ks.test函数，但是由于数据中包含重复数值，故前提假设不成立，不便使用。
2.W检验的shapiro.test函数，得出p值大于0.05时数据正态性得到检验。
可见水稻数据正态性依旧得到检验。
3. fBasics包里的shapiroTest函数
可见水稻数据正态性依旧得到检验。
2.7 方差齐性检验
由于数据满足正态性，故使用bartlett.test函数进行方差齐性检验，得出结果p值远大于显著性水平0.05，因此不能拒绝原假设，认为不同水平下的水稻数据是等方差的。故等方差性得到检验。
而当数据不满足正态性时，也可以使用leveneTest函数进行方差齐性检验。
2.8 各组均值差异2.8.1 TukeyHSD函数的杜奇检验
为更深一步探索每组之间的差异，采用TukeyHSD函数检验，如下：
其中修改了par中的绘图参数，以便图形更加简洁清晰，绘图如下：
在这里可以清晰的看出，与0坐标线是值信水平，与其相交的部分就是效果不显著的组别，反之则是效果显著的组别。也因此可以得出结论：A1-A5、A2-A4、A3-A5、A4-A5之间有显著的差异。
2.8.2 其他方法
同样的，在网络搜索中，还有其他的方法可以揭示组别之间的差异，此处我使用的是多重t检验法：
在这里可以清晰的看出，p值小于0.05的就是差异较为显著的组别，和上一小节的结论一致。
2.9 结论
从水稻数据的单因素方差分析结果得知，肥料因素对产量的结果影响十分显著，且结果经检验符合正态性、等方差性，故结果较为可信。
最后经过各组均值差异检测后得知，A1-A5、A2-A4、A3-A5、A4-A5四组之间差异较为显著，且由题干可知，A5为对照组，故可知A1、A3、A4三组肥料效果较好。
2.10 代码展示
#数据录入
shuidata<-c(24,30,28,26,
27,24,21,26,
31,28,25,30,
32,33,33,28,
21,22,16,21)
#转化为数据框
name<-rep(paste(“A”,1:5,sep=”“),each=4)
shui<-data.frame(name,shuidata)
#单因素方差分析
result<-aov(shuidata~name,data=shui)
summary(result)
#正态性检验
#Q-Q图
mo<-lm(shuidata~name,data=shui)
library(car)
qqPlot(mo,main=”Q-Qplot图”,las=T)
#W检验
#shapiro.test(shuidata)
#fBasics包的shapiroTest
#library(fBasics)
#shapiroTest(shuidata)
#方差齐性检验
bartlett.test(shuidata~name,data=shui)
#各组均值差异
#杜奇检验
qi<-TukeyHSD(result)
par(lwd=2,cex.lab=1.5,cex.axis=1.5,col.axis=”blue”,las=1)
plot(qi,mgp=c(3,0.5,0))
#多重t检验法
#pairwise.t.text(shuidata,name)
