(整理)正交试验结果的方差分析方法
第三章 正交试验设计(2)-正交试验数据方差分析和贡献率分析
试验优化设计
主讲：刘建永
材 料 工 程 系 Department of Materials Engineering
第三章 正交试验设计
正交试验数据 方差分析与贡献率分析
正交试验结果的方差分析
1.离差平方和的计算
总离差平方和：
项目 因素A 因素B 因素C 误差 总和
平方和SS SSA SSB SSC SSE SST
自由度DF a－ 1 a－ 1 a－ 1 a－ 1 n－1
纯平方和 SSA－ fA×MSE SSB－ fB×MSE SSC－ fC×MSE fT×MSE SST
贡献率 ρA ρB ρC ρE
其中： 纯平方和＝ SS因－ f因×MSE 贡献率ρ因等于纯平方和与SST的比值 贡献率最大的几个因素是重要因素，与误差贡献率差不多的认为不 重要。
μ 3.2 的 1 − α 置信区间为： μ 3.2± t1−α / 2 ( f e′)σ / ne ˆ ˆ
′ ˆ 这里 σ = S e / f e′ ， ′ S e = S e + 不显著因子的平方和， f e′ = f e + 不显著因子的自由度，
ne = 试验次数 1 + 显著因子自由度之和
n e = 9 /( 1 + f A + f C ) = 9 / 5 = 1 . 8 ， ′ S e = S e + S B=132 ， f ′ = f + f =4 ，
y 31 54 38 53 49 42 57 62 64 T=450 yi2 =23484 ST=984
∑
方差分析表 把上述计算表中得到的平方和与自由度移至一张方差分 析表中继续进行计算。 例 3.3 的方差分析表 来源 平方和 S 自由度 f 均方和 MS 因子 A 因子 B 因子 C 误差 e T 618 114 234 18 984 2 2 2 2 8 309 57 117 9 F比 34.33 6.33 13.00
正交实验结果如何进行数据分析
正交实验结果如何进行数据分析正交实验是一种多因素试验设计方法，通过对不同因素的组合进行系统的排列和组织，能够较好地解析各个因素对试验结果的影响。
进行数据分析时，一般可以采用以下步骤：1.数据预处理：首先，需要对实验数据进行预处理，包括数据清洗、异常值处理、数据转换等。
这是为了确保数据的可靠性和可用性，避免因数据错误或异常值导致的分析误差。
2.方差分析：正交实验可以通过方差分析来分解总方差，确定各个因素和交互作用对实验结果的贡献程度。
在进行方差分析时，可以首先进行方差齐性检验，判断各个因素的方差是否相等。
接着，进行单因素方差分析，确定各个因素对实验结果的影响；然后，进行多因素方差分析，确定各个因素之间的交互作用对实验结果的贡献。
3.效应量分析：通过计算效应量，可以客观地评估各个因素和交互作用的大小，了解它们对实验结果的实际影响程度。
效应量可以用来比较不同因素之间的相对重要性，并为进一步优化实验提供依据。
4.建立模型：正交实验的数据分析过程还可以通过建立数学模型来实现。
建立模型可以帮助我们更好地理解和解释实验结果，确定各个因素和交互作用的数学表达式。
常见的建模方法包括线性回归、多项式回归等。
建立模型后，可以通过拟合度评估模型的拟合效果，并进行参数估计，确定因素对实验结果的具体影响程度。
5.优化设计：根据数据分析的结果，确定重要因素和交互作用，并进行优化设计。
通过调整因素水平和组合，可以进一步优化实验结果，提高实验产品的性能和质量。
通过正交实验的数据分析过程，可以降低实验成本和周期，并在有限的试验条件下获取更多的实验信息。
需要注意的是，在进行正交实验数据分析时，应当充分考虑实验设计的合理性和实验条件的可控性。
同时，还需要进行统计检验，判断各个因素和交互作用的显著性，确保数据分析的可信度和准确性。
总而言之，正交实验的数据分析是一个较为复杂和系统的过程，需要综合运用统计学和数据分析的方法。
通过合理的数据分析方法，可以更好地理解和掌握实验结果，为进一步优化产品或工艺提供科学依据。
正交试验方差分析(通俗易懂)
第十一章正交设计试验资料的方差分析在实际工作中，常常需要同时考察 3个或3个以上的试验因素，若进行全面试验，则试验的规模将很大，往往因试验条件的限制而难于实施。
正交设计是安排多因素试验、寻求最优水平组合的一种高效率试验设计方法。
第一节、正交设计原理和方法(一) 正交设计的基本概念正交设计是利用正交表来安排多因素试验、分析试验结果的一种设计方法。
它从多因素试验的全部水平组合中挑选部分有代表性的水平组合进行试验，通过对这部分试验结果的分析了解全面试验的情况，找出最优水平组合。
例如，研究氮、磷、钾肥施用量对某小麦品种产量的影响：A因素是氮肥施用量，设A1、A2、A3 3个水平；B因素是磷肥施用量，设B1、B2、B3 3个水平；C因素是钾肥施用量，设C1、C2、C3 3个水平。
这是一个3因素每个因素3水平的试验，各因素的水平之间全部可能的组合有27种。
^如果进行全面试验，可以分析各因素的效应，交互作用，也可选出最优水平组合。
但全面试验包含的水平组合数较多，工作量大，由于受试验场地、经费等限制而难于实施。
如果试验的主要目的是寻求最优水平组合，则可利用正交设计来安排试验。
正交设计的基本特点是：用部分试验来代替全面试验，通过对部分试验结果的分析，了解全面试验的情况。
正交试验是用部分试验来代替全面试验，它不可能像全面试验那样对各因素效应、交互作用一一分析；当交互作用存在时，有可能出现交互作用的混杂。
如对于上述3因素每个因素3水平试验，若不考虑交互作用，可利用正交表L9(34)安排，试验方案仅包含9个水平组合，就能反映试验方案包含27个水平组合的全面试验的情况，找出最佳的生产条件。
一、正交设计的基本原理表11-1 33试验的全面试验方案正交设计就是从全面试验点（水平组合）中挑选出有代表性的部分试验点（水平组合）来进行试验。
图1中标有‘9 ’个试验点，就是利用正交表L9(34)从27个试验点中挑选出来的9个试验点。
高级篇 第二章 正交试验设计及统计分析-方差分析
0.415
（2）显著性检验
根据以上计算，进行显著性检验，列出方差分析表，结果见表10-24
变异来源
A B C△ 误差e 误差e△ 总和
平方和 45.40 6.49 0.31 0.83 1.14 53.03
自由度 2 2 2 2 4
表10-24 方差分析表
均方 F值
Fa
22.70 79.6 F0.05(2,4) =6.94
油温℃A 1 1 2 2 3 3 4 4
1.8 4.5 9.8 6.8 3.24 20.25 96.04 46.24
表10-27 试验方案及结果分析
含水量％B 油炸时间s C
1
1
空列 1
2Hale Waihona Puke 2211
2
2
2
1
1
2
1
2
1
2
1
2
2
2 11.4
1 10.2
1 12.1
11.5
12.7
10.8
空列 1 2 2 1 2 1 1 2
3.24 11.4 F0.01(2,4)=18.0
0.16
0.41
0.285
显著水平 ** *
因素A高度显著，因素B显著，因素C不显著。 因素主次顺序A-B-C。
（3）优化工艺条件的确定
本试验指标越大越好。对因素A、B分析，确定优 水平为A3、B1；因素C的水平改变对试验结果几乎无影
响，从经济角度考虑，选C1。优水平组合为A3B1C1。 即温度为58℃，pH值为6.5，加酶量为2.0%。
K2k2 SST＝QT CT
…
Kmk2 SSk
Q
＝
j
1 r
正交试验的方差分析
x 1 4
20 K 1
5 l 1
xkl
1 4
4 K 1
xk
4.2
• 依次求出Q、f、S2、F,与F表比较 2 Q1=10 (xi1 x )2 i 1 =10×[(3.65-4.2)2+(4.75-4.2)2]=6.05
• 其余Qj （j=2,3）同理可求
45
Qr
(xkl xk )2
产率
产率
﹪
-55
xK
50
-5
59
4ቤተ መጻሕፍቲ ባይዱ
56
1
58
3*
55
0
58
3
47
-8
52
-3
x = -5/8
(1)方差分析 • 依次求出Q、f、S2、F，与F表比较
第1列差方和：
2
Q1=4 (xi1 x )2 i 1 = 4{[3/4-(-5/8)]2+[(-2)-(-5/8)]2} = 121/8
• 其余Qj（j=2…7）同理可求
9-3-2 关于Qr的计算 一 表头留出空白列
其它的列若与空白列的Q值相近，加起来共同作 为Qr的估计值，可以提高方差分析检验的灵敏度(自 由度增大了)
二 无空白列
1 根据以往资料
若已知 2 ，可认为fr=∞，此时
F
Q因子 / f因子
2
，查表 Fα (f因子,∞)
2 选更大的正交表，从而留出空白列
1
2
2
1
1
2
2
1
2
2
1
2
1
1
2
3
2
-12
-12
-4
-5
正交试验设计2正交试验数据方差分析和贡献率分析
正交试验设计2正交试验数据方差分析和贡献率分析正交试验设计是一种实验设计方法，通过选择适当的试验水平组合和设置统计模型，以减少试验阶段的试验次数和工作量，提高试验的效率和准确性。
正交设计通过对变量进行排列组合，使各变量的效应独立出现并减少副效应的影响，从而使实验结果更加可靠。
正交设计数据分析方法方差分析(ANOVA)是一种统计方法，用于测试在不同因素水平下的平均值是否相等。
在正交试验中，方差分析可以用于测试各个因子对试验结果的影响是否显著。
方差分析通常包括总体均值检验、各因子的效应检验以及误差项的检验。
通过方差分析可以确定哪些因子对试验结果的影响是显著的，进而确定最佳的试验条件。
贡献率分析是一种用于确定各个因子对试验结果的贡献程度的方法。
贡献率分析可以通过计算各个因子的均方根(RMS)值来确定各个因子的贡献程度。
贡献率可以用来排除一些不显著的因子，从而进一步优化试验条件。
1.节省试验次数和工作量：由于正交设计能够减少变量之间的相关性，可以通过较少的试验次数得到可靠的结果。
2.减少误差项：正交设计通过考虑副效应的影响，减少了试验误差的可能性，提高了数据的可靠性。
3.确定关键因素：正交设计通过方差分析和贡献率分析，可以确定对试验结果有着显著影响的关键因素，从而进行进一步优化。
4.灵活性：正交设计可以根据实验需求进行灵活的调整和改变，以适应多样的试验条件和目标。
总结正交试验设计是一种有效的实验设计方法，可用于减少试验次数和工作量，提高试验效率和准确性。
方差分析和贡献率分析是对正交设计数据进行进一步分析和总结的重要工具，可以帮助确定关键因素和优化试验条件。
正交试验设计能够在实验设计的早期阶段对各个因子进行全面考虑，从而为实验结果的有效性和可靠性打下基础。
正交试验设计中的方差分析
目的
通过方差分析，可以确定不同组之间 的平均值差异是否由随机误差引起， 还是由处理因素或自变量引起。
方差分析的数学模型
数学模型
方差分析使用数学模型来描述数据之间的关系，特别是不同组之间的平均值差异。模型通常包括组间差异和组内 差异两部分。
医学研究
通过正交试验设计中的方差分析，研究不同治疗方案、药物剂量等因素对疾病治疗效果的影响，为临床 治疗提供科学依据。
方差分析的局限性
04
方差分析对数据的要求
独立性
数据必须是相互独立的，不存 在相互关联或依赖关系。
正态性
数据应符合正态分布，才能保 证统计推断的准确性。
同方差性
各组数据的方差应相等，否则 可能导致误判。
制定试验方案
根据正交表设计试验方案，确定每个因素的每个 水平。
实施试验
按照试验方案进行试验，记录每个试验的结果。
方差分析
利用方差分析法对试验结果进行分析，确定各因 素对试验结果的影响程度和显著性。
优化方案
根据方差分析结果，优化试验方案，进行下一步试验。
方差分析的基本原理
02
方差分析的定义与目的
定义
拉丁方设计方差分
析
适用于需要控制试验条件的试验， 通过拉丁方设计平衡试验条件和 试验误差。
正交试验设计中的方差分析步骤
确定试验因素和水平
根据研究目的和实际情况确定试验因 素和水平。
制定正交表
根据试验因素和水平选择合适的正交 表。
安排试验
按照正交表进行试验，记录试验数据。
方差分析
对试验数据进行方差分析，包括自由 度、离均平方和、均方、F值等计算。
(整理)正交试验结果的方差分析方法
正交试验结果的方差分析方法计算公式和项目试验指标的加和值=,试验指标的平均值与表4-13一样，第j列的(1) I j”水平所对应的试验指标的数值之和(2) II j——“ 2”水平所对应的试验指标的数值之和(3)……(4) k j——同一水平出现的次数。
等于试验的次数除以第j列的水平数.(5)I j/k j——“水平所对应的试验指标的平均”(6)II j/k j——“2”水平所对应的试验指标的平均值(7)……以上各项的计算方法，与“极差法”同，见4.1.7节(8)偏差平方和(4-1)(9) fj ——自由度.fj第j列的水平数－1.(10）Vj——方差.Vj =Sj/fj(4-2)（11）Ve——误差列的方差。
(4-3)（12）Fj——方差之比(4-4)（13）查F分布数值表（见附录6），做显著性检验。
显著性检验结果的具体表示方法与第3章相同。
（14）总的偏差平方和(4-5) （15）总的偏差平方和等于各列的偏差平方和之和。
即(4-6) 式中，m为正交表的列数。
若误差列由5个单列组成，则误差列的偏差平方和S e等于5个单列的偏差平方和之和,即：S e=S e1+S e2+S e3+S e4+S e5；也可用S e= S总－S’来计算，其中：S’为安排有因素或交互作用的各列的偏差平方和之和应引出的结论。
与极差法相比，方差分析方法可以多引出一个结论：各列对试验指标的影响是否显著，在什么水平上显著。
在数理统计上，这是一个很重要的问题。
显著性检验强调试验误差在分析每列对指标影响中所起的作用。
如果某列对指标的影响不显著，那么，讨论试验指标随它的变化趋势是毫无意义的。
因为在某列对指标的影响不显著时，即使从表中的数据可以看出该列水平变化时，对应的试验指标的数值也在以某种“规律”发生变化，但那很可能是由于实验误差所致，将它作为客观规律是不可靠的。
有了各列的显著性检验之后，最后应将影响不显著的交互作用列与原来的“误差列”合并起来，组成新的“误差列”，重新检验各列的显著性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
正交试验结果的方差分析方法
计算公式和项目
试验指标的加和值=
,
试验指标的平均值与表4-13一样，第j列的
(1) I j”水平所对应的试验指标的数值之和
(2) II j——“ 2”水平所对应的试验指标的数值之和
(3)……
(4) k j——同一水平出现的次数。
等于试验的次数除以第j列的水平数.
(5)I j/k j——“水平所对应的试验指标的平均”
(6)II j/k j——“2”水平所对应的试验指标的平均值
(7)……以上各项的计算方法，与“极差法”同，见4.1.7节
(8)偏差平方和
(4-1)
(9) f
j ——自由度.f
j
第j列的水平数－1.
(10）V
j
——方差.
Vj =S
j
/f
j
(4-2)
（11）V
e
——误差列的方差。
(4-3)
（12）F
j
——方差之比
(4-4)
（13）查F分布数值表（见附录6），做显著性检验。
显著性检验结果的具体表示方法与第3章相同。
（14）总的偏差平方和
(4-5) （15）总的偏差平方和等于各列的偏差平方和之和。
即
(4-6) 式中，m为正交表的列数。
若误差列由5个单列组成，则误差列的偏差平方和S e等于5个单列的偏差平方和之和,即：S e=S e1+S e2+S e3+S e4+S e5；也可用S e= S总－S’来计算，其中：S’为安排有因素或交互作用的各列的偏差平方和之和
应引出的结论。
与极差法相比，方差分析方法可以多引出一个结论：各列对试验指标的影响是否显著，在什么水平上显著。
在数理统计上，这是一个很重要的问题。
显著性检验强调试验误差在分析每列对指标影响中所起的作用。
如果某列对指标的影响不显著，那么，讨论试验指标随它的变化趋势是毫无意义的。
因为在某列对指标的影响不显著时，即使从表中的数据可以看出该列水平变化时，对应的试验指标的数值也在以某种“规律”发生变化，但那很可能是由于实验误差所致，将它作为客观规律是不可靠的。
有了各列的显著性检验之后，最后应将影响不显著的交互作用列与原来的“误差列”合并起来，组成新的“误差列”，重新检验各列的显著性。
方差分析方法应用举例
例4-6为了提高猪发酵饲料的营养和猪爱吃的程度，选择了四个因素进行正交试验，其因素水平见表4-18。
表4-18例4-6的因素水平表
试验指标（y）为成品的总酸度。
要求写出应用正交试验设计方法的全过程，用方差分析方法分析正交试验的结果。
解：
试验的目的：为改善猪发酵饲料的品质，寻找适宜的发酵条件。
试验指标（y）：成品的总酸度
因素水平表：见表4-18。
理论和经验都不知道有应该考虑的交互作用。
四个因素的水平数不完全相同，所以应选择混合水平正交表。
因为3个因素是4
（43×26）正交表，见表4-19（a）
水平，1个因素是2水平，所以选L
16
表头设计：见表4-19（a）
表中数据的计算举例：（以第3列为例）
=y1+y6+y11+y16=6.36+5.39+8.03+16.54=36.32
I
3
II
=y2+y5+y12+y15=7.43+8.66+12.45+9.80=38.34
3
=y3+y8+y9+y14=10.36+19.53+12.08+10.77=52.74
III
3
IV
=y4+y7+y10+y13=11.56+15.50+13.13+13.49=53.68
3
k
=4
3
I
/k3=36.32/4=9.08
3
/k3=38.34/4=9.59
II
3
III
/k3=52.74/4=13.19
3
/k3=53.68/4=13.42
IV
3
极差D3=13.42－9.08=4.34
218.35
（43×26）的正交试验数据表表4-19(a)使用正交表L
16
偏差平方和
=4(9.08－11.32)2+4(9.59－11.32)2+4(13.19－11.32)2+4(13.42－11.32)2 =63.67
自由度f 3=4－1=3
方差
S e = S 总－(S 1+S 2+ S 3+ S 9)=218.35－(33.57+79.19+63.67+11.02)=30.9 f e =(16-1)－(3+3+3+1)=5
查F 分布数据值表得：
F (α=0.01, f 1=3, f 2=5)=12.06> F 3 F (α=0.05, f 1=3, f 2=5)=5.41> F 3 F (α=0.10, f 1=3, f 2=5)=3.62> F 3
F(α=0.25, f
=3, f2=5)=1.88< F3
1
所以，第3列对试验指标的影响在α=0.25水平上显著。
其它列的计算结果见表4-19(b)。
用方差分析方法分析正交试验结果，应该引出如下几点结论：
（1）关于显著性的结论
发酵时间（x2）对指标的影响在α=0.10水平上显著；初始的PH值（x3）和投曲量（x4）在α=0.25水平上显著；发酵温度(x1)在α=0.25水平上仍不显著。
(2)试验指标随各因素的变化趋势：见图4-6
图4-6是用表4-18及表4-19（b）中的Ⅰj/k j, Ⅱj/k j, Ⅲj/k j, Ⅳj/k j值来标绘的。
（3）适宜的操作条件
在确定适宜操作条件时，对于F检验中α=0.25不显著的因素，如本例中的因素x
, 一方面因为图4-6 (a) 所示的“规律”不可靠，不能作为确定x1适宜水平1
的依据。
另一方面，F检验不显著，F j太小，可能是因为V e太大，误差太大；也可能是因为V j太小，该因素对指标影响太小。
所以，对于F检验不显著的因素，适宜的水平可以是任意的。
如本例，可认为x1=（20~50）℃即可，不必非50℃不可。
所以在本例中为提高总酸度，适宜的操作条件为：x1=（20~50）℃，x2=72 h, x3=4, x4=10%。
（4）对所得结论及进一步研究方向的讨论。
① 由图4-6(d)可见，投曲量x4这个水平为试验范围的边上（最大值或最小值）所以x4增大，成品的总酸度也增大的结论尚需作进一步的研究。
应研究投曲量大于10%时试验指标随投曲量的变化规律。
② 从图4-6（c）可见，初始PH值等于5时的总酸度与初始PH值等于4时的总酸度差不多。
但与令PH=4相比较，令PH=5，比较容易实现。
所以进一步研究的方向之一，是研究令PH=5的好处和问题。
③ 从图4-6（b）可见，发酵时间愈长，成品的总酸度愈大，所以进一步研究的方向之一，是研究为提高总酸度而增长发酵时间的优缺点。
例4-7为了提高某种产品的产量,寻求较好的工艺条件。
考虑三个因素：反应温度、反应压力和溶液浓度。
它们都取三个水平[见表4-20（a）]。
表4-20（a）例4-7的因素水平表
（313），依该表为考察3个因素间所有的两因素交互作用的影响，选正交表L
27
的表头设计表得到的表头设计如表4-20（b）所示。
表4-20（b）例4-7正交表表头设计
可见，3水平两因素的交互作用占两列。
试验结果见表4- 20（c）
试验结果的方差分析计算见表4-20（d）
①
总的偏差平方和161.02
② 两个三水平因素的交互作用占两列，它的S、f、V如何计算？以交互作用B×C为例。
B×C占第8和第11列。
偏差平方和S B
×C =S
8
+S
11
=0.09187465+0.08907423=0.18095
表4-20（c）正交表L
27
（313）的试验设计计算表
表4-20（d）方差分析计算表=
精品文档
精品文档。