Python全系列 教程
3567个小节阅读:5931.1k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
多元方差分析,亦称为多变量方差分析,即表示多元数据的方差分析,是一元方差分析的推广。作为一个多变量过程,多元方差分析在有两个或多个因变量时使用,并且通常后面是分别涉及各个因变量的显着性检验。
示例:不同海拔不同的施肥量,对苗高增加量和地径增加量的影响。
导入数据
点击“确定”查看统计结果
从主体间因子中可以看到,海拔和施肥量的个案数都是9
从基本描述中可以看到,不同海拔和不同施肥量对苗高增加量、地径增加量的平均值
从上图可以看到显著性大于0.05,各组的因变量实测协方差矩阵相等。说明满足多元方差分析的前提。
多变量检验图中可以看到,海拔和施肥量对苗高增加量和地径增加量的显著性都小于0.05,说明对苗高增长量和地径增长量都有显著性差异。但是海波和施肥量的交互作用显著性大于0.05,说明交互作用对苗高增加量和地径增加量没有显著性差异。
从误差方差的检验中可以看到,对苗高增加量和地径增加量的显著性都大于0.05,说明是方差齐性的,满足多元方差分析。
主体间效应检验可以看到,海拔和施肥量对苗高增加量和地径增加量的显著性都小于0.05,说明对苗高增长量和地径增长量都有显著性差异。但是海拔和施肥量的交互作用显著性大于0.05,说明交互作用对苗高增加量和地径增加量没有显著性差异。
K矩阵、多变量检验和单变量检验中可以看到海拔对苗高增加量和地径增加量的显著性都小于0.05,说明海拔对苗高增长量和地径增长量都有显著性差异。
海拔多重比较可以看到,海拔1和海拔2对苗高增加量的显著性大于0.05,说明没有显著性差异。而海拔1和海拔3对苗高增加量的显著性小于0.05,说明有显著性差异。
海拔1和海拔2对地径增加量的显著性大于0.05,说明没有显著性差异。海拔1和海拔2对地径增加量的显著性小于0.05,说明有显著性差异。
施肥量多重比较可以看到,施肥量1、施肥量2和施肥量3对苗高增加量的显著性都小于0.05,说明有显著性差异。