方差分析||判断数据是否符合正态分布
方差分析练习题
练习学习笔记:
(1)

标准差和标准偏差、均方差是一个东西。标准误差和标准误是一个东西。这两个东西有区别。
(2)单因素方差分析(MATLAB求解)

(3)使用anova1进行单因素方差分析时,要考虑数据是均衡数据还是不均衡数据。所谓均衡就是要求不同的组别内的统计数据个数必须相同,不均衡反之。如果是均衡数据的话,直接在函数里传入要分析的数据就可以了,但如果是不均衡数据的话,还要加入一个参数,这个参数用来给分析的数据贴上标签,告诉计算机每个数据是属于哪个标签的数据。
例如:对于以下单因素不均衡数据进行方差分析
组一(st):82 86 79 83 84 85 86 87
组二(al1):74 82 78 75 76 77
组三(al2):79 79 77 78 82 79
>> strength = [82 86 79 83 84 85 86 87 74 82 78 75 76 77 79 79 77 78 82 79];
>> alloy = {'st','st','st','st','st','st','st','st','al1','al1','al1','al1','al1','al1','al2','al2','al2','al2','al2','al2'};
>> p = anova1(strength,alloy)
(4)探究不同因素的在不同水平的表现是否有显著差异和探究因素对于某一变量是否有显著影响是两个问题
(5)到底是p<0.05还是p<α才是有显著性差异????????是否符合正态分布,判断因素对于一个元是否有显著性影响(判断因素不同水平在同一变量上的数据是否有显著性差异),判断不同因素在同一元上是否有显著性影响,以及判断不同因素在同一元上是否具有交互效应。是否都是通过判断p和α的大小?????我在知乎上看见了一篇非常值得借鉴的文章以及对话,分享给大家
方差分析(ANOVA)分类、应用举例及matlab代码 - 知乎 (zhihu.com)

题目

解答过程
- 进行单因素方差分析:检验四种广告方式下销售量数据是否服从正态分布方差是否相等; 检验四种广告方式下的销售量是否有显著差异(a = 0.01 );若四广告方式下的销售量有显著差异,指出哪些类型的广告效果有显著的不同?
1.1判断四种广告方式下销售量数据是否符合服从正态分布,方差是否相等。
方法一:利用SPSS进行解题

图1

图2

图3
由图1、2、3显示的数据得到,这四种广告形式都服从正态分布,因为显著性都大于α(0.01)。且可看出这四种方式的方差不相等。
方法二:matlab的lillietest()函数
h = 0可以认为数据服从正态分布,h=1则认为不服从正态分布
p >α(0.01)可以认为接受原假设h = 0,则数据服从正态分布
代码:
x=xlsread('表格路径')for i=1:size(x,2)[h,p] = lillietest(x(:,i))end
结果:
h1 = 0
p1 = 0.136174630346454
h2 = 0
p2 = 0.413487427029479
h3 = 0
p3 = 0.240288230148084
h4 = 0
p4 = 0.440277544446158
结果表明四种广告方式下销售量的数据都符合正态分布
1.2判断显著差异,使用MATLAB的anova1()函数进行分析
代码如图4
导入表格的数据每一列数据对应以下四种广告
![]()
![]()
图4

图5

图6

图7

图8
对于anova1()函数输出的表的解读,如图9
图9
如果p值比α要小,那么认为具有显著性差异。图9中的α是以0.05为例进行讲解的。
最终可以通过判断p值判断是否有显著性差异,p<α那么差异是显著的,p<α那么差异是高度显著的,p>α可以认为没有显著性差异。一种方法是直接看p值(F)的信息。另一种方法是比较F真实值和F查表值的大小关系,n是总体 的df,m是列的df。n是143,m是3,可以查表得到F查表值是3.926,因为F查表值<F真实值=13.48,则认为四种广告方式下的销售量有显著性差异。通过图5和图7可以看出,最后一种类型的广告效果是有显著的不同的。
- 在设计广告效果的试验时,虽然地区差异对销售量的影响并不是我们感兴趣的,但希望排除这一因素的影响。数据集 ADS 记录了各个销售点所在的地区 AREA试用双因素方差分析方法分析销售数据,并指出广告方式和地区对销售量是否有显著影响(a=0.01,0.1)? 广告方式(AD)与地区(AREA)之间有无交互效应?
解题:使用matlab的anova2(x,reps)函数,x为要分析的数据,行数必须为reps的倍数。X的不同行是一个因素的不同水平,X的不同列是另外一个因素的不同水平的数据
anova2函数是用来进行双因素一元方差分析的,也就是分析两个因素在同一元上的数据。同样也是通过判断p值来确定不同因素在数据上是否有显著性差异以及不同的因素是否有交互影响。我分析的数据中,行是不同的广告方式,列是不同的地区。代码运行结果如图11,可知,在α=0.01的情况下,地区对销售量没有显著性影响,而广告方式具有,且二者交互效应不显著。在α=0.1的情况下,地区对销售量没有影响,而广告方式具有,且二者交互效应不显著。
代码如图10
![]()
图10

图11
相关文章:
方差分析||判断数据是否符合正态分布
方差分析练习题 练习学习笔记: (1) 标准差和标准偏差、均方差是一个东西。标准误差和标准误是一个东西。这两个东西有区别。 (2)单因素方差分析(MATLAB求解) (3)使用an…...
java linq多字段排序时间比较
public static void main(String[] args) {//100万条数据List<CrmInvestSaleUserCount> waitAssignUserList new ArrayList<>();for (int i 0; i < 1000000; i) {waitAssignUserList.add(new CrmInvestSaleUserCount().setSales_username("test" i…...
【c++】rand()随机函数的应用(二)——舒尔特方格数字的生成
目录 一、舒尔特方格简介 二、如何生成舒尔特方格 (一)线性同余法 1、利用线性同余法生成随机数序列的规律 (1) 当a和c选取合适的数时,可以生成周期为m的随机数序列 (2) 种子seed取值也是有周期的 2、利用线性同余法生成5阶舒尔特方格…...
“深入剖析JVM内部机制:探索Java虚拟机的运行原理“
标题:深入剖析JVM内部机制:探索Java虚拟机的运行原理 摘要:本文将深入探讨Java虚拟机(JVM)的内部机制,包括类加载、内存管理、垃圾回收、即时编译等关键概念和原理,帮助开发者更好地理解JVM的运…...
pandas 新增数据列的几种方式
准备数据 将下面的数据存到csv中 ymd,bWendu,yWendu,tianqi,fengxiang,fengli,aqi,aqiInfo,aqiLevel 2018-01-01,3℃,-6℃,晴~多云,东北风,1-2级,59,良,2 2018-01-02,2℃,-5℃,阴~多云,东北风,1-2级,49,优,1 2018-01-03,2℃,-5℃,多云,北风,1-2级,28,优,1 2018-01-04,0℃,-8℃…...
linux_驱动_iic总线获取si7006温湿度
应用层si7006.c #include<stdio.h> #include <sys/types.h> #include <sys/stat.h> #include <fcntl.h> #include <unistd.h> #include <stdlib.h> #include <string.h> #include <sys/ioctl.h> #include <arpa/inet.h>…...
虚拟机网络图标不见了
有3台虚拟机之前正常运行的,有一天打开虚拟机发现2台虚拟机的网络连接图标不见了,也ping不通另外两台。 解决:在终端执行以下命令,即可ping通 [roothadoop103 ~]# sudo nmcli network off [roothadoop103 ~]# sudo nmcli network…...
CTF:信息泄露.(CTFHub靶场环境)
CTF:信息泄露.(CTFHub靶场环境) “ 信息泄露 ” 是指网站无意间向用户泄露敏感信息,泄露了有关于其他用户的数据,例如:另一个用户名的财务信息,敏感的商业 或 商业数据 ,还有一些有…...
Redis学习总结
Redis学习总结 文章目录 Redis学习总结Radis基本介绍docker的安装基本数据结构通用命令字符型key的层次结构Hash类型Listset sortedset集合redis的java客户端jedis的使用jedis连接池的配置 SpringDataRedis自定义redistemplate的序列化与反序列化方式stringtemplate的使用 redi…...
云原生全栈体系(二)
Kubernetes实战入门 第一章 Kubernetes基础概念 一、是什么 我们急需一个大规模容器编排系统kubernetes具有以下特性: 服务发现和负载均衡 Kubernetes 可以使用 DNS 名称或自己的 IP 地址公开容器,如果进入容器的流量很大,Kubernetes 可以负…...
C++设计模式之建造者设计模式
C建造者设计模式 什么是建造者设计模式 建造者设计模式是一种创建型设计模式,它是一种将复杂对象的分解为多个独立部分的模式,以便于构建对象的过程可以被抽象出来并独立变化。 该模式有什么优缺点 优点 灵活性:建造者设计模式允许对象的…...
HDFS Erasure coding-纠删码介绍和原理
HDFS Erasure coding-纠删码介绍和原理 三副本策略弊端Erasure Coding(EC)简介Reed- Solomon(RS)码 EC架构 三副本策略弊端 为了提供容错能力,hdfs回根据replication factor(复制因子)在不同的…...
STM32 DHT11
DHT11 DHT11数字温湿度传感器是一款含有已校准数字信号输出的温湿度复合传感器。 使用单总线通信 该传感器包括一个电容式感湿元件和一个NTC测温元件,并于一个高性能8位单片机相连(模数转换)。 DHT11引脚说明 开漏模式下没有输出高电平的能…...
词法分析器
词法分析器 在早期编译1.0时代,我们的目标是完成程序语言到机器语言的翻译,所以重点在编译器前端,于是我们花费大量时间研究词法分析、语法分析、语义分析等内容。如今的本科编译原理课程,基本上也就到这一层面吧。 在编译2.0时…...
【Spring】Spring之启动过程源码解析
概述 我们说的Spring启动,就是构造ApplicationContext对象以及调用refresh()方法的过程。 Spring启动过程主要做了这么几件事情: 构造一个BeanFactory对象解析配置类,得到BeanDefinition,并注册到BeanFactory中 解析ComponentS…...
状态模式(State)
状态模式是一种行为设计模式,允许一个对象在其内部状态改变时改变它的行为,使其看起来修改了自身所属的类。其别名为状态对象(Objects for States)。 State is a behavior design pattern that allows an object to change its behavior when its inter…...
【uniapp】样式合集
1、修改uni-data-checkbox多选框的样式为单选框的样式 我原先是用的单选,但是单选并不支持选中后,再次点击取消选中;所以我改成了多选,然后改变多选样式,让他看起来像单选 在所在使用的页面上修改样式即可 <uni-d…...
【Spring框架】SpringBoot统一功能处理
目录 用户登录权限校验用户登录拦截器排除所有静态资源练习:登录拦截器拦截器实现原理 统一异常处理统一数据返回格式为什么需要统⼀数据返回格式?统⼀数据返回格式的实现 用户登录权限校验 用户登录拦截器 1.自定义拦截器 package com.example.demo.…...
51单片机学习--按键控制流水灯模式定时器时钟
TMOD负责确定T0和T1的工作模式,TCON控制T0和T1的启动或停止计数,同时包含定时器状态 TF1:定时器1溢出标志 TF0:定时器0溢出标志 0~65535 每隔1微秒计数器1,总时间65535微秒,赋上初值64535,则只…...
Django教程_编程入门自学教程_菜鸟教程-免费教程分享
教程简介 Django是一个开放源代码的Web应用框架,由Python写成。采用了MTV的框架模式,即模型M,视图V和模版T。它最初是被开发来用于管理劳伦斯出版集团旗下的一些以新闻内容为主的网站的,即是CMS(内容管理系统…...
SpringBoot 全局异常处理 + 参数校验,企业级规范写法(代码直接复制)
一、前言 在 SpringBoot 前后端分离项目里,这两个东西几乎是必写基础: 1.接口参数乱传,直接报错到前端 2.异常满天飞,前端各种无法解析 3.每个接口都写 try-catch,代码又臭又长 4.参数校验逻辑重复,维护成…...
快速部署FLUX.1-dev镜像:无需复杂配置,直接访问Web界面开始创作
快速部署FLUX.1-dev镜像:无需复杂配置,直接访问Web界面开始创作 想体验当前开源界画质最强的文生图模型,但被复杂的本地部署、环境配置和显存问题劝退?今天,我们带来一个“开箱即用”的解决方案。通过部署 FLUX.1-dev…...
iPad Pro + Code App + cpolar:三步搞定SSH远程开发,出门只带平板就够了
iPad Pro Code App cpolar:三步实现移动端SSH开发自由 咖啡馆的落地窗前,一位开发者正用iPad Pro流畅地修改着服务器上的代码——这不再是未来场景,而是2024年移动开发的日常。当传统工作站的束缚被打破,我们突然发现࿱…...
为什么92%的多模态API接口未启用模态级访问控制?——从Stable Diffusion API到Qwen-Audio服务的5个致命配置疏漏
第一章:多模态大模型安全与隐私保护 2026奇点智能技术大会(https://ml-summit.org) 多模态大模型在融合文本、图像、音频、视频等异构数据时,显著扩大了攻击面与隐私泄露风险。训练数据中隐含的敏感信息(如人脸、病历、地理位置)…...
一文讲透数字化转型的十个关键概念:信息化、自动化、数据化、智能化、平台化……
最近几年,提到数字化转型,总绕不开一堆带“化”的词:信息化、数据化、智能化、平台化等等。说实话,这些概念太多了,有时候连从业者都容易搞混。今天我就来给大家梳理一下电子化、信息化、结构化、多媒体化、自动化、网…...
基于Lyapunov稳定性的主从机械臂随机时延补偿控制:从MATLAB仿真到ROS实体验证
基于Lyapunov稳定性的主从机械臂随机时延补偿控制:从MATLAB仿真到ROS实体验证 摘要 针对遥操作系统中0-2s随机时延导致的主从不同步与稳定性下降问题,本文提出了一套完整的“MATLAB仿真+ROS实体”双平台解决方案。首先,采用拉格朗日方程建立二自由度主从机械臂的动力学模型…...
阿里系bx-ua补环境实战:从零到一构建可用的Node.js执行环境
1. 为什么需要补环境:bx-ua加密的特殊性 阿里系bx-ua加密算法在设计上有一个显著特点:它会深度检测代码运行环境。简单来说,这段加密代码会在执行时"四处张望",检查自己是否运行在真实的浏览器环境中。我在实际项目中遇…...
全文降AI率保姆级攻略:用嘎嘎降AI从60%降到5%
全文降AI率保姆级攻略:用嘎嘎降AI从60%降到5% 论文交上去,导师发回来一句"AI率62%,重新改"。这种场景在2026年的毕业季里太常见了。 AI率60%是什么概念?意味着你论文里超过一半的内容被检测系统判定为AI生成。不管你是真…...
区块链分片算法突破:MLGO信任场重塑物联网,Kafka06-进阶-尚硅谷。
微算法科技(NASDAQ: MLGO)基于信任场模型的异构物联网区块链分片算法研究 背景与挑战 区块链技术在物联网(IoT)领域的应用面临可扩展性瓶颈,传统区块链架构难以处理海量异构设备的交易需求。微算法科技(MLG…...
c++怎么在读取文件时自动跳过所有UTF-8编码的非法字符【实战】
UTF-8非法字节序列导致std::invalid_argument或乱码,应使用std::vector以char流方式读取并手动跳过非法序列,而非直接用std::string接收后解析。读取文件时遇到 std::invalid_argument 或乱码,大概率是 UTF-8 非法字节序列标准 C 的 std::ifs…...
