Квадратные отклонения от среднего значения (SDM) используются в различных вычислениях. В теории вероятностей и статистике определение дисперсии представляет собой либо ожидаемое значение SDM (при рассмотрении теоретического распределение ) или его среднее значение (для реальных экспериментальных данных). Вычисления для дисперсионного анализа включают разбиение суммы SDM.
Содержание
- 1 Введение
- 2 Выборочная дисперсия
- 3 Разделение - дисперсионный анализ
- 3.1 Суммы квадратов отклонений
- 3.2 Пример
- 3.3 Двусторонний дисперсионный анализ
- 4 См. Также
- 5 Ссылки
Введение
Понимание используемых вычислений значительно улучшается за счет изучения статистической величины
- , где - оператор ожидаемого значения.
Для случайная величина со средним значением и дисперсией ,
Следовательно,
Из вышеизложенного можно вывести следующее:
Выборочная дисперсия
Сумма квадратов отклонений, необходимая для вычисления выборочной дисперсии (до принятия решения о делении на n или на n - 1) проще всего рассчитать как
Из два производных ожидания сверх ожидаемого значения этой суммы:
, что подразумевает
Это эффективно доказывает использование делителя n - 1 при вычислении несмещенного выборочная оценка σ.
Разделение - дисперсионный анализ
В ситуации, когда данные доступны для k различных групп лечения, имеющих размер n i, где i изменяется от 1 до k, тогда это предполагается, что ожидаемое среднее значение каждой группы равно
и дисперсия каждой группы лечения не изменяется от дисперсии совокупности .
В соответствии с нулевой гипотезой о том, что лечение не оказывает никакого эффекта, тогда каждый из будет равно нулю.
Теперь можно вычислить три суммы квадратов:
- Индивидуальный
- Лечение
При нулевой гипотезе о том, что лечение не вызывает различий и все равны нулю, математическое ожидание упрощается до
- Комбинация
Суммы квадратов отклонений
При нулевой гипотезе разность любой пары I, T и C не содержит никакой зависимости от , только .
- общие квадраты отклонений, также известные как общая сумма квадратов
- обработанные квадраты отклонений, также известные как объясненная сумма квадратов
- квадратичное остаточное отклонение, также известное как остаточная сумма квадратов
Константы (n - 1), (k - 1) и (n - k) обычно относятся к красный как число степеней свободы.
Пример
В очень простом примере 5 наблюдений возникают в результате двух обработок. Первая обработка дает три значения 1, 2 и 3, а вторая обработка дает два значения 4 и 6.
Выдача
- Полные квадраты отклонений = 66 - 51,2 = 14,8 с 4 степенями свободы.
- Квадратное отклонение лечения = 62 - 51,2 = 10,8 с 1 степенью свободы.
- Квадратное остаточное отклонение = 66 - 62 = 4 с 3 степенями свободы.
Двусторонний дисперсионный анализ
Следующий гипотетический пример показывает урожайность 15 растений при двух различных изменениях окружающей среды и трех разных удобрений.
| Дополнительный CO 2 | Повышенная влажность |
---|
Без удобрений | 7, 2, 1 | 7, 6 |
Нитрат | 11, 6 | 10, 7, 3 |
Фосфат | 5, 3, 4 | 11, 4 |
Вычисляются пять сумм квадратов:
Фактор | Расчет | Сумма | |
---|
Индивидуальный | | 641 | 15 |
Удобрение × Окружающая среда | | 556.1667 | 6 |
Удобрение | | 525,4 | 3 |
Среда | | 519.2679 | 2 |
Составной | | 504,6 | 1 |
Наконец, суммы квадратов отклонений, необходимые для дисперсионного анализа можно рассчитать.
Фактор | Сумма | | Итого | Окружающая среда | Удобрение | Удобрение × Окружающая среда | Остаточный |
---|
Индивидуальный | 641 | 15 | 1 | | | | 1 |
Удобрение × Окружающая среда | 556,1667 | 6 | | | | 1 | -1 |
Удобрение | 525,4 | 3 | | | 1 | -1 | |
Среда | 519,2679 | 2 | | 1 | | -1 | |
Составной | 504,6 | 1 | -1 | -1 | -1 | 1 | |
| | | | | | | |
Квадратные отклонения | | | 136,4 | 14,668 | 20,8 | 16,099 | 84,833 |
Степени свободы | | | 14 | 1 | 2 | 2 | 9 |
См. Также
Ссылки
- ^Mood Graybill: Введение в теорию статистики (McGraw Hill)