matlab中方差分析的自由度,多因素方差分析的自由度
在脑科学中,通常采用重复测量的方式来开展研究。也就是设计不同的任务,让同一个被试都做一遍,来找出差异。这样做不仅是为了节约经费(想想如果4个条件,每个条件找20人,就得给出80人的被试费!),另一方面也是尽量将个体差异进行控制,因为不管是EEG/ERP、还是fMRI,都是噪声富聚的信号,而且个体差异也是非常大的。
图1 要点在于被试间和被试内进行分解
当然,重复测量也有其弊端,如滞留效应,潜隐效应和学习效应,这里不展开来说。重复测量方差分析可以说是我们最常用到的工具。比如:要研究不同情绪图片,在回忆和再认任务中在各个电极上theta波的差异。那就是一个情绪(高兴、悲伤和中性)×任务(回忆、再认)×电极(4个电极)实验,即3因素方差分析。如果把被试分为两组,分别完成回忆和再认任务,这就更复杂了,成了混合设计的3因素方差分析。比较可悲的是,翻阅很多教科书,都重点讲单因素方差分析,或者是完全随机设计的方差分析。对我们常用的重复测量多因素方差分析,保持了集体的沉默。看了许多研究报告,发现同学们在写F(x,y)=???,
P=???,通常把自由度x,y写错。这里我总结一下常用的实验设计如何确定自由度,希望对大家实践有帮助。
(注意本讲义不包括因素无交互作用的情况,亦不包括自由度要矫正的情况!)
分解要诀:方差分析多因素
先看设计定思路
重复与否是关键
项目数定总自由度
先把被试来数数
定出被试间自由度
混合设计要小心
组间因素分解出
被试内有自由度
总减被试间可得出
定下被试内因素
误差自然不会误
核心思想:把总自由度分解为被试间(between
subject)自由度和被试内(within subject)自由度
1
重复测量单因素方差分析被试数:n 组内因素:a
总自由度:an-1
被试间自由度:n-1
被试内自由度:n(a-1)
*因素:a-1
*因素×被试间:(n-1)(a-1)
生成的结果:
F(a-1,(n-1)(a-1))
2
重复测量2因素方差分析被试数:n 组内因素:a,b
总自由度:abn-1
被试间自由度:n-1
被试内自由度:n(ab-1)
*因素a:a-1
*因素b:b-1
*交互:(a-1)(b-1)
*因素a×被试间:(n-1)(a-1)
*因素b×被试间:(n-1)(a-1)
*因素a×因素b×被试间:(n-1)(a-1)
生成的结果:
F(a-1,(n-1)(a-1))
F(b-1,(n-1)(b-1))
F((a-1)(b-1),(n-1)(a-1)(b-1))
3
混合设计(既有组间,又有组内的)2因素方差分析被试数:n 组间因素:a 组内因素:b
总:abn-1
被试间:an-1
*组间因素:a-1
*被试:a(n-1)
被试内:an(b-1)
*组内因素:b-1
*组内×组间:(a-1)(b-1)
*误差:a(b-1)(n-1)
生成的结果:
F(a-1,a(n-1))
F(b-1,a(b-1)(n-1))
4
重复测量3因素方差分析,这在脑科学研究中非常常用!
被试数:n 组内因素:a,b,c
总:abcn-1
被试间:n-1
被试内:n(abc-1)
*因素a:a-1
*因素b:b-1
*因素c:c-1
*交互ab:(a-1)(b-1)
*交互bc:(b-1)(c-1)
*交互ac:(a-1)(c-1)
*交互abc:(a-1)(b-1)(c-1)
*因素a×被试间:(a-1)(n-1)
*因素ab×被试间:(a-1)(b-1)(n-1)
*因素abc×被试间:(a-1)(b-1)(c-1)(n-1)
生成的结果:
F(a-1,(a-1)(n-1))
F(b-1,(b-1)(n-1))
F((a-1)(b-1),(a-1)(b-1)(n-1))
F((a-1)(b-1)(c-1),(a-1)(b-1)(c-1)(n-1))
5
混合设计(既有组间,又有组内的)3因素方差分析如果a因素处理的学习效应很强,无法采用方案4,通常采用方案5来避免学习效应,因此,本方案在脑科学研究中也很常用!
被试数:n 组间因素:a 组内因素:b,c
总:abcn-1
被试间:an-1
*组间因素a: a-1
*被试:a(n-1)
被试内自由度:an(bc-1)
*组内因素b:b-1
*组内因素c:c-1
*交互ab:(a-1)(b-1)
*交互bc:(b-1)(c-1)
*交互ac:(a-1)(c-1)
*交互abc:(a-1)(b-1)(c-1)
*误差:a(bc-1)(n-1)
生成的结果:
F(a-1,a(n-1))
F(b-1,a(bc-1)(n-1))
6
注意和完全随机设计的区别,举例如下:
被试数:abn 组间因素:a,b
如果把abn个被试随机分到a,b两个因素下,就构成了完全随机设计的2因素方差分析。
分解顺序和重复测量也不同,没有被试间和被试内这一步,变成了直接进行处理间和处理内分解。
总自由度:abn-1
处理间:ab-1
*因素a:a-1
*因素b:b-1
*交互ab:(a-1)(b-1)
*处理内:ab(n-1)
生成的结果:
F(a-1,ab(n-1))
F(b-1,ab(n-1))
7
如果把abcn个被试随机分到a,b,c三个因素下,就构成了完全随机设计的3因素方差分析。
直接进行处理间和处理内分解。
总:abcn-1
处理间:abc-1
*因素a:a-1
*因素b:b-1
*因素c:c-1
*交互ab:(a-1)(b-1)
*交互bc:(b-1)(c-1)
*交互ac:(a-1)(c-1)
*交互abc:(a-1)(b-1)(c-1)
*处理内:abc(n-1)
生成的结果:
F(a-1,abc(n-1))
F(b-1,abc(n-1))
给出了以上自由度,我们来证明一个观点:“同样的实验因素和每个处理下的被试量,完全随机比混合设计自由度高,混合设计比重复测量自由度高”。取3因素方差分析为例:
完全随机:a和b
F(a-1,abc(n-1))
F(b-1,abc(n-1))
混合设计:组间a和组内b
F(a-1,a(n-1))
F(b-1,a(bc-1)(n-1))
重复测量:a和b
F(a-1,(a-1)(n-1))
F(b-1,(b-1)(n-1))
可以看到,对于a因素:abc(n-1)>a(n-1)>(a-1)(n-1);
对于b因素:abc(n-1)>a(bc-1)(n-1)>(b-1)(n-1);
所以上面的观点是成立的。还可以看到,对于混合设计:a(n-1)<=a(bc-1)(n-1),也就是在a=b时,组内条件比组间条件自由度大。
练习题:
为了验证自己有没有掌握,建议完成以下练习题:
1.混合设计3因素方差分析被试数:n
组间因素:a,b
组内因素:c
2.混合设计3因素方差分析考虑每组被试数不等的情况,a=2为被试间因素,被试数在每种处理下具体为:n1
(a1条件) n2 (a2条件)
组间因素:a
组内因素:b, c
3.重复测量5因素方差分析
被试数:n
组内因素:a,b,c,d,e
你知道答案吗?
下面是做anova的matlab命令,注意matlab软件自带的命令只提供完全随机设计方差分析,要做重复测量方差分析需要到mathworks官网下载
1. 完全随机设计单因素方差分析
anova1
2. 完全随机设计两因素方差分析
anova2
3. 完全随机设计多因素方差分析
anovan
4. 重复测量单因素方差分析
5. 重复测量两因素方差分析
6. 重复测量三因素方差分析
7. 混合设计两因素方差分析(既有组间,又有组内)
点击命令可直接下载
下面是实验数据统计分析的常规路线图
matlab中方差分析的自由度,多因素方差分析的自由度相关推荐
- 多因素方差分析中预测因素的筛多_用回归来理解方差分析(二):两因素方差分析...
1 两因素方差分析的形式 多因素方差分析针对的是多因素完全随机设计.包含两个及以上的自变量,为便于讲解,本文以两因素方差分析为例. 在一个两因素完全随机设计中,自变量 包含 ,共 个水平.自变量 包含 ...
- 【数据分析】双因素方差分析
0.双因素方差分析的分类 无交互作用的方差分析 假定因素AAA和因素BBB的效应之间是相互独立的,不存在相互关系. 有交互作用的方差分析 假定因素AAA和因素BBB的结合会产生出一种新的效应. 无交互 ...
- spss方差分析_【案例】SPSS统计分析:多因素方差分析
- 点击上方"中国统计网"订阅我吧!- 多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著 ...
- spss方差分析_【D】SPSS统计案例分析:多因素方差分析
多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异.多因素方差分析既可以分析单个因素的作用(主效应),也 ...
- 第四节 单因素、多因素方差分析
第四节 单因素.多因素方差分析 单因素方差分析 适用条件:单因素方a差分析用来检验3组以上的样本数据是否来自均值相等的总体. 原理:单因素方差分析是独立样本t检验的拓展性分析内容,独立样本t检验只能检 ...
- R语言统计篇:双因素方差分析
今天介绍双因素方差分析(Two-way ANOVA). 此方法用于检验两个分类变量(自变量)与一个连续变量(因变量)之间的关系. 比方说,如果一个分类变量有两个组别,另外一个分类变量有三个组别,那么一 ...
- matlab方差 anov,方差分析在MATLAB中的应用-数理论文
方差分析在MATLAB中的应用 摘要:如今,计算机仿真在许多领域得到了越来越广泛的应用.方差分析(Analysis of Variance缩写为ANOV A)是数理统计中的常用的数据处理方法之一,是工 ...
- R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA)、使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图、箱图显示主效应
R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA).使用HH包中的interaction2wt函数为任何阶的双因素方差分析可视化主效应和交互作用图(Main ef ...
- R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA)、在双因素方差分析中,受试者被分配到由两个因素交叉分类形成的组(Two-way factorial ANOVA)
R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA).在双因素方差分析中,受试者被分配到由两个因素交叉分类形成的组(Two-way factorial ANOVA) ...
- R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA)、使用interaction.plot函数在双因素方差分析中可视化交互作用(Interaction)
R语言使用aov函数进行双因素方差分析(Two-way factorial ANOVA).使用interaction.plot函数在双因素方差分析中显示(可视化)交互作用(Interaction) 目 ...
最新文章
- OWA登录页面显示为英文而不是中文
- [Ruby编程语言].弗拉纳根_松本行弘读书笔记
- 苹果编程语言Swift中文教程:Swift简介
- Could not connect to SMTP host: smtp.163.com, port: 25;阿里云 ECS
- Linux之VMware Workstation16 pro上安装redhat
- Ubuntu 11.10为何值得我们期待?
- 为手机游戏而生的Linux 发行版
- 【Debug】 Packet for query is too large (1155878 > 1048576),max_allowed_packet设置.
- 数字技术加持 华为云为测绘地理信息产业夯实“云底座”
- java实现变声器--变声萝莉
- 如何根据pom文件创建自己的本地仓库
- 数字温度计设计c语言,数字温度计的设计与制作
- 【AR\VR开发基础】GLSL初步学习①
- 1 还是 true ?
- 李建忠老师-设计模式
- []==''返回?为什么?运算符==进行了什么操作?
- 鼠标移动代码(使用光标健移动)
- 计算机电子预览室配置清单,[计算机]多功能学术报告厅环境系统设备参考配置清单表.docx...
- 施工监控php系统,GitHub - hanhq1711/monitor: php开源服务器监控系统
- Vivado工程怎么用VCS仿真
热门文章
- android陀螺仪 cemu,CEMU安卓手柄陀螺仪教程
- brctl tunctl 虚拟网卡 桥接
- 阿里云 Aliplayer高级功能介绍(九):自动播放体验...
- mysql 优化面试题
- wps如何用循环函数_wps表格函数怎么用 wps表格函数的简单用法分享
- 项目:艺龙国内机票实时数据爬虫
- 全国所有机场 sql表 (截至2021.1.25)绝对最全!!
- 计算机英语 1000字论文范文,英语论文格式写作 1000字论文格式-免费论文范文
- CART 分类决策树
- 下载网页中镶嵌的PDF文件