单因素方差分析-【官方】百战程序员_IT在线教育培训机构_体系课程在线学习平台

目录

百战程序员，全站22050+开发课程+文档，学习精选优质好课快人一步！观看视频快捷键ALT+N

Python全系列教程

3567个小节阅读：5931.1k

赞

收藏

全部开发者教程

目录

143_申请评分卡3031

29_Mysql

数据结构与算法

01_Python入门

02_编程的基本概念

05_控制语句

06_函数用法和底层分析

07_面向对象基础

08_面向对象进阶

09_异常机制

12_GUI编程（选学）

13_项目开发实例（选学）

14_pygame模块操作

16_并发编程（线程、进程、协程）

17_网络编程

21_正则表达式

22_Python新特性汇总

23_源码深度剖析和内存管理

25_统计学基础

26_Django初级

28_tornado项目

31_Hadoop 离线体系：Hive

32_Hadoop 分布式文件系统HDFS

34_电商大数据

35_Git的使用

36_docker容器扩展

37_Redis

38_深度学习-认识深度学习_PyTorch入门

39_神经网络基础

40_卷积神经网络（CNN）

41_迁移学习

43_CNN目标检测

42_生成对抗网络_GAN

44_循环神经网络与NLP

46_scrapy框架使用

47_爬虫基础

49_移动端爬虫

50_爬虫反反爬

51_办公自动化

52_算法与数据结构

53_数据可视化PowerBI

56_Flask视图高级

58_机器学习预备知识

59_KNN与交叉检验

61_线性回归与梯度下降法

62_逻辑回归与Softmax回归

63_多项式回归、过拟合、模型正则化

64_分类算法的评价

65_KMeans聚类与降维算法

67_SVM与朴素贝叶斯算法

68_Kaggle竞赛

69_SPSS

70_HTML5

71_二手车价格预测

72_旅游景点票价预测

73_工资分类预测

74_广告点击转化率预测

75_文本分类-自然语言处理

76_音乐推荐系统

77_银行客户流失分析

78_申请评分卡

80_JavaScript语言

81_基础知识

82_描述统计

83_抽样分布

84_参数估计

85_假设检验

86_方差分析

87_协方差与相关系数

88_非参数方法

89_线性回归

93_Django项目阶段-电商项目

96_Linux操作系统概述与安装

97_Linux常用命令

98_python操作mysql

98_Linux用户权限和软件安装与管理

99_Django初级

100_Django中级

101_Django高级

102_SPSS

103_智能推荐系统

104_关联规则分析与Apriori算法

105_Gensim与LDA主题模型

106_Git

107_Flask百战电商后台项目

111_数据获取函数

109_量化交易概论

110_量化交易平台

112_量化选股

113_量化择时

114_量化策略的机器学习算法运用

115_量化交易策略的回测

116_量化交易策略的因子

117_量化交易策略实战

118_电商大数据购买行为分析项目

119_数据分析_数学知识

120_Anaconda环境搭建

121_Linux 环境编程基础

122_项目-音乐播放器

127_Pandas基本使用3015

128_Python开发环境搭建

129_内存管理

130_Django项目3018

131_docker容器扩展

133_数据分析案例_案例2_电影数据分析3021

134_数据分析案例_案例3_机场延迟分析

135_数据分析案例_案例1_足球数据分析

136_二手车价格预测

137_旅游景点票价预测

138_工资分类预测

139_广告点击转化率预测

140_文本分类-自然语言处理

141_音乐推荐系统

142_银行客户流失分析

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 A

White Night

阅读(613)

赞(0)

单因素方差分析

第一步：提出假设

\begin{matrix} H_{0} : μ_{1} = μ_{2} = μ_{3} (k = 3) \\ H_{1} : μ_{1}, μ_{2}, μ_{3} 不 全 相 等 \end{matrix}

第二步：分别计算各组的平均成绩与总平均成绩

\begin{matrix} {\bar{y}}_{j} = \frac{1}{n_{j}} \sum_{i = 1}^{n_{j}} y_{i j} \\ 第 一 组 平 均 成 绩 ： {\bar{y}}_{1} = 80 \\ 第 二 组 平 均 成 绩 ： {\bar{y}}_{2} = 86.3 \\ 第 三 组 平 均 成 绩 ： {\bar{y}}_{3} = 91.5 \\ 总 平 均 成 绩 : \frac{10 * 80 + 10 * 86.3 + 10 * 91.5}{10 + 10 + 10} = 85.9 \end{matrix}

第三步：成绩的总变化（总偏差平方和/总变差)

\begin{matrix} S S T = \sum_{j = 1}^{k} \sum_{i = 1}^{n_{j}} (y_{i j} - \bar{y})^{2} \\ S S T = (77 - 85.9)^{2} + . . + (96 - 85.9)^{2} = 1523.9 \end{matrix}

第四步：自变量引起的变化（组间变化/效应平方和）

\begin{matrix} S S G = \sum_{j = 1}^{k} n_{j} ({\bar{y}}_{j} - \bar{y})^{2} \\ S S G = 10 * (80 - 85.9)^{2} + 10 * (86.3 - 85.9)^{2} + 10 * (91.5 - 85.9)^{2} = 663.3 \end{matrix}

第五步：其他因素引起的变化（组内变化/误差平方和）

\begin{matrix} S S E = \sum_{j = 1}^{k} \sum_{i = 1}^{n_{j}} (y_{i j} - {\bar{y}}_{j})^{2} \\ S S E = 860.6 \end{matrix}

第六步：计算MSG、MSE

\begin{matrix} M S G = \frac{S S G}{d f_{G}} = \frac{\sum_{j = 1}^{k} n_{j} ({\bar{y}}_{j} - \bar{y})^{2}}{k - 1} = \frac{663.3}{3 - 1} = 331.7 \\ M S E = \frac{S S E}{d f_{E}} = \frac{\sum_{j = 1}^{k} \sum_{i = 1}^{n_{j}} (y_{i j} - {\bar{y}}_{j})^{2}}{n - k} = \frac{860.6}{30 - 3} = 31.9 \end{matrix}

第七步：计算比值

\begin{matrix} \frac{M S G}{M S E} \sim F (d f_{G}, d f_{E}) \\ \frac{M S G}{M S E} \sim F (2, 27) \\ \frac{M S G}{M S E} = \frac{331.7}{31.9} = 10.4 \end{matrix}

第八步：作出判断

实时效果反馈

1. 关于单因素方差分析，下列说法正确的是:

A SST=SSG+SSE

B 单因素方差分析的统计量服从t分布

C 单因素方差分析是双尾检测

D 以上说法均不正确

答案

1=>A

单因素方差分析的前提条件多重比较

北京市昌平区回龙观镇南店村综合商业楼2楼226室

©2014-2023 百战卓越（北京）科技有限公司 All Rights Reserved.

京ICP备14032124号-2