热门标签 | HotTags
当前位置:  开发笔记 > 开发工具 > 正文

多维量表分析,医学lsd方差分析

多重比较法方法有很多种,这篇主要介绍一下比较常用的一种LSD,LSD是leastsignificantdifference的缩写,又称最小显著差异方法。2.计算检验统计量:两组均


原标题:多重比较法-LSD I附属统计学最完整思维导图~


文末附上统计学最干的指南~


前面论述了方差分析,方差分析主要用于多组平均值的比较,方差分析的结果是多组平均值之间是否存在显著性差异,这种显著性差异是总体显著性差异,但具体哪组之间存在显著性差异尚不清楚。 所以,我们今天的多重比较旨在得到具体等群体之间是否存在明显的差异。


多重比较法的方法有很多种,这主要介绍比较常用的LSD。 LSD是least significant difference的缩写,又称最小显著差异方法。


使用LSD方法的具体步骤如下。


1 .提出假说(H0 )两组之间无差异; H1 :两组之间有差异。


2 .计算检验统计量:两组均值差的绝对值。


3 .计算液晶屏。 公式是


t/2为t分布阈值,通过研究t分布表得到,其自由度为n-k,n为样本总数,k为因素中不同水平的水平个数,MSE为组内方差,ni和nj分别为第I个样本和第j个样本的样本量


4 .根据显性化水平进行决策,均值差绝对值大于LSD则拒绝H0,否则不拒绝H0。


步骤1 :建立以下假说。


假设1:H0 :零售业和旅游业没有差异H1 :零售业和旅游业有区别


假设2:H0 :零售业和航空业没有差异H1 )零售业和航空业有区别


假设3:H0 :零售业和家电制造业没有差异H1 )零售业和家电制造业有差异


假设4:H0 :旅游业和航空业没有差异H1 )旅游业和航空业有差异


假设5:H0 :旅游业和家电制造业没有差异H1 )旅游业和家电制造业有差异


假设6:H0 :航空业和家电制造业没有差异H1 )航空业和家电制造业有差异


step2)计算检查统计量,即各组间平均值差的绝对值


假设分别与1、2、3、4、5、6对应平均值之差的绝对值为1、14、10、13、11、24


step3)根据LSD公式计算每个假设对应的LSD值。


根据数据求出组内平方和MSE=142.526,具体求解方法参考前述方差分析;


调查t分布表,当=0.05及自由度=n-k=23-4=19时,t/2=2.093;


最后计算出的不同假设对应的LSD值为13.90、14.63、14.63、15.13、15.13、15.80


步骤4 :做出决策


假设1的平均值之差的绝对值1小于对应的LSD值13.90,所以不拒绝假设H0,也就是说,不能认为零售业和旅游业有明显的差异


假设2的平均值之差的绝对值14小于对应的LSD值14.63,所以不拒绝假设H0,也就是说,零售业和航空业没有明显差异


假设3的平均值之差的绝对值10小于对应的LSD值14.63,所以不拒绝假设H0,也就是说,不能认为零售业和家电制造业有明显的差异


假设4的平均值之差的绝对值13小于对应的LSD值15.13,所以不拒绝假设H0,即旅游业和航空业不会有明显的差异


假设5的平均值之差的绝对值11小于对应的LSD值15.13,所以不拒绝假设H0,也就是说,不能认为旅游业和家电制造业有明显的差异


假设6的平均值之差的绝对值24大于对应的LSD值15.80,因此拒绝假设H0,认为航空业和家电制造业有明显的差异


以上是对多重比较法-LSD的简要介绍和案例,希望对大家有所帮助。


作者:昏迷的冬天


中国统计网后台回复【统计】


可以接收所有的指南文件


在一系列“思维导图”中,浅浅总结了“统计学”领域的基础知识,是对以往一系列文章的完整整理,也是我至今为止与统计相关的学习笔记。


众所周知,《统计学》是深入理解“机器学习|数据挖掘”的重要基础学科。 磨刀不误砍柴,对于数学基础薄弱的人,加强理论学习是很有帮助的。


用swdtd很难“一次学习”。 经典知识总是一次一次回顾,然后才能更深刻地理解。 这也是我选择“思维导图”作为学习工具的原因,发散思维模式有助于我快速回忆相关知识。


一个月来,我对我一直以来陆续学习的统计知识进行了系统的复习、知识点的补充以及思维导图的笔记的完善。 我在这里和大家分享完整的笔记。


指南概述


说明性统计:表格和图表


说明性统计:数值方法


概率


概率分布


抽样分布


区间估计


假设验证


两平均值比例的估计


总体方差的统计估计


多比率比较/独立性/适用性检查


以上内容是从zy切出的


收到后台回复【统计】


数据分析就业班


适合人群:


1 .跳槽(对职场关系、专业关系、数据分析感兴趣) )。


2 .我从事数据分析工作,需要提高技能和增加实战经验


3 .应届毕业生入职数据分析


“阅读原文”入职数据分析! 回到搜狐,多看看


责任编辑:


推荐阅读
  • 大数据核心技术解析
    本文深入探讨了大数据技术的关键领域,包括数据的收集、预处理、存储管理、以及分析挖掘等方面,旨在提供一个全面的技术框架理解。 ... [详细]
  • Python库在GIS与三维可视化中的应用
    Python库极大地扩展了GIS的能力,使其能够执行复杂的数据科学任务。本文探讨了几个关键的Python库,这些库不仅增强了GIS的核心功能,还推动了地理信息系统向更高层次的应用发展。 ... [详细]
  • 智慧城市建设现状及未来趋势
    随着新基建政策的推进及‘十四五’规划的实施,我国正步入以5G、人工智能等先进技术引领的智慧经济新时代。规划强调加速数字化转型,促进数字政府建设,新基建政策亦倡导城市基础设施的全面数字化。本文探讨了智慧城市的发展背景、全球及国内进展、市场规模、架构设计,以及百度、阿里、腾讯、华为等领军企业在该领域的布局策略。 ... [详细]
  • 掌握Python岗位,你需要了解的关键技能
    最近,在社交平台脉脉上,一条关于Python岗位的消息引起了广泛关注。本文将探讨Python岗位的实际价值,并深入解析阿里巴巴等大公司在面试Python开发者时常见的问题。 ... [详细]
  • 解决getallheaders函数导致的500错误及8种服务器性能优化策略
    本文探讨了解决getallheaders函数引起的服务器500错误的方法,并介绍八种有效的服务器性能优化技术,包括内存数据库的应用、Spark RDD的使用、缓存策略的实施、SSD的引入、数据库优化、IO模型的选择、多核处理策略以及分布式部署方案。 ... [详细]
  • 【转】强大的矩阵奇异值分解(SVD)及其应用
    在工程实践中,经常要对大矩阵进行计算,除了使用分布式处理方法以外,就是通过理论方法,对矩阵降维。一下文章,我在 ... [详细]
  • 本文整理了关于Sia去中心化存储平台的重要网址和资源,旨在为研究者和用户提供全面的信息支持。 ... [详细]
  • 深入探讨CPU虚拟化与KVM内存管理
    本文详细介绍了现代服务器架构中的CPU虚拟化技术,包括SMP、NUMA和MPP三种多处理器结构,并深入探讨了KVM的内存虚拟化机制。通过对比不同架构的特点和应用场景,帮助读者理解如何选择最适合的架构以优化性能。 ... [详细]
  • 基于机器学习的人脸识别系统实现
    本文介绍了一种使用机器学习技术构建人脸识别系统的实践案例。通过结合Python编程语言和深度学习框架,详细展示了从数据预处理到模型训练的完整流程,并提供了代码示例。 ... [详细]
  • 随着技术的发展,黑客开始利用AI技术在暗网中创建用户的‘数字孪生’,这一现象引起了安全专家的高度关注。 ... [详细]
  • 数据集成策略:ETL与ELT架构对比及工具选择
    随着企业信息化的深入发展,‘数据孤岛’问题日益突出,阻碍了数据的有效利用与整合。本文探讨了如何通过构建数据仓库解决这一问题,重点分析了ETL与ELT两种数据处理架构的特点及适用场景,为企业选择合适的ETL工具提供了指导。 ... [详细]
  • 致信息安全爱好者的成长指南
    本文旨在为信息安全爱好者提供一份详尽的成长指南,涵盖从学习心态调整到具体技能提升的各个方面。 ... [详细]
  • 本文探讨了数据挖掘技术的发展及其在大数据环境下的应用流程,重点介绍了统计学、在线分析处理、信息检索、机器学习、专家系统和模式识别等领域的最新进展。 ... [详细]
  • 构建基于Python的用户画像系统
    用户画像在现代企业运营中扮演着重要角色,尤其在大数据分析和精准营销领域。本文旨在介绍用户画像的基础概念及其重要性,并通过Python编程语言实现一个基础的用户画像系统。 ... [详细]
  • 本文探讨了数据挖掘的全面理解和其理论基础,强调了数据挖掘在现代社会和经济活动中扮演的关键角色。通过对数据的深入分析,我们可以揭示隐藏在大量信息背后的模式和趋势。 ... [详细]
author-avatar
手机用户2602913361
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有