多元统计分析(最终版)
多元统计分析报告完整版
多元统计分析报告标准化管理处编码[BBX968T-XBB8968-NNJ668-MM9N]随着经济的发展，这个差距越来越大。
由于我国人口众多，素质较低，而且就业观念较落后，导致我国劳动力普遍廉价，就业职工工资普遍低下。
刚毕业的大学生人数众多，城市发展速度与农村发展速度不平衡，各省市自治区的就业条件和国家政策，就业环境不同，导致职工工资存在行业间的工资水平存在着巨大的差异，从另一个方面反映出了中国贫富差距的不断扩大。
对我国就业人员职工工资的研究，对我国的社会保障政策和就业政策，教育政策等具有重要的决策意义。
也为对我国经济社会的研究提供了一个因素。
我国就业职工工资水平的行业间的差异已经日益成为我国政府重视的一个问题。
[关键词] 不同行业就业平均工资一、引言当前我国处于经济发展快速时期，由于我国人口总数较大，就业人员众多。
因此，就业问题成为了我国社会的一个焦点问题。
研究好行业间就业问题以及就业职工工资问题，能够有效的把握好社会状况，能够帮助大学生更准确的定位自己，找到自己满意的工作。
制定正确的就业政策和社会保障，社会福利政策，来促进大学生的就业问题以及我国国民经济的发展。
本文选取2013年我国各行业城镇单位就业人员平均工资的数据，主要利用以下几种统计方法进行分析：因子分析法、聚类分析法。
将全国各省按照不同行业就业人数进行分类和排序，并与人们实际观察到的情况进行比较分析。
因子分析是指研究从变量群中提取共性因子的统计技术。
因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
聚类分析是一组将研究对象分为的群组的统计分析技术，依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。
二、数据下表是我国按行业分城镇单位就业人员平均工资的原始数据，数据来源于《2013中国统计年鉴》，X1~X19分别代表农林牧渔业、采矿业、制造业、电力热力燃气及水生产和供应业、建筑业、批发零售业、交通运输仓储和邮政业、住宿和餐饮业、信息传输软件和信息技术服务业、金融业、房地产业、租赁和商务服务业、科学研究和技术服务业、水利环境和公共设施业、居民服务修理和其他服务业、教育、社会卫生和工作、文化体育和娱乐业、公共管理社会保障和社会组织。
多元统计数据分析报告(3篇)
第1篇一、引言随着大数据时代的到来，数据量急剧增加，传统的统计分析方法已无法满足复杂数据关系的挖掘需求。
多元统计分析作为一种处理多个变量之间关系的方法，在社会科学、自然科学、工程技术等领域得到了广泛应用。
本报告旨在通过对某研究项目的多元统计分析，揭示变量之间的关系，为决策提供科学依据。
二、研究背景与目的本研究以某企业员工绩效评估数据为研究对象，旨在通过多元统计分析方法，探究员工绩效与个人特质、工作环境等因素之间的关系，为企业人力资源管理部门提供决策支持。
三、数据与方法1. 数据来源本研究数据来源于某企业员工绩效评估系统，包括员工的基本信息、个人特质、工作环境、绩效评分等。
2. 研究方法本研究采用以下多元统计分析方法：（1）描述性统计分析：对员工绩效、个人特质、工作环境等变量进行描述性统计分析，了解数据的分布情况。
（2）相关分析：分析变量之间的线性关系，找出相关系数较大的变量对。
（3）因子分析：将多个变量归纳为少数几个因子，揭示变量之间的内在关系。
（4）聚类分析：将员工根据绩效、个人特质、工作环境等因素进行分类，分析不同类别员工的特点。
（5）回归分析：建立员工绩效与个人特质、工作环境等因素之间的回归模型，分析各因素对绩效的影响程度。
四、数据分析结果1. 描述性统计分析通过对员工绩效、个人特质、工作环境等变量的描述性统计分析，得出以下结论：（1）员工绩效评分呈正态分布，平均绩效评分为75分。
（2）个人特质得分集中在中等水平，其中创新能力得分最高，稳定性得分最低。
（3）工作环境得分普遍较高，其中工作压力得分最低。
2. 相关分析通过对员工绩效、个人特质、工作环境等变量进行相关分析，得出以下结论：（1）绩效与创新能力、稳定性、工作环境等因素呈正相关。
（2）创新能力与稳定性呈负相关。
3. 因子分析通过对员工绩效、个人特质、工作环境等变量进行因子分析，得出以下结论：（1）提取了3个因子，分别对应创新能力、稳定性、工作环境。
多元统计分析
多元统计分析在统计学中，多元统计分析是一种研究多个变量之间关系的方法。
它是利用多个变量的观测值来对问题进行全面、综合的分析，从而揭示出变量之间的相互影响和作用机制。
多元统计分析能够准确地描述和解释变量之间的关系，为决策者提供有力的科学依据。
多元统计分析广泛应用于社会科学、经济学、医学、心理学等各个领域。
通过对多个变量进行统计分析，我们可以找到变量之间的关联，发现潜在的模式和规律。
这有助于我们更好地理解研究对象的特征和行为，为决策制定提供准确的预测和建议。
在多元统计分析中，常用的方法包括相关分析、回归分析、因子分析、聚类分析等。
相关分析是研究变量之间的关联性，通过计算相关系数来衡量变量之间的线性关系强度和方向。
回归分析则是研究因变量与自变量之间的关系，通过建立数学模型来进行预测和解释。
因子分析可以将一组相关变量简化为几个相互独立的维度，帮助我们观察变量之间的隐藏结构。
聚类分析则可以将观测样本根据相似性进行分类，发现样本之间的群体关系和特征。
多元统计分析的过程一般包括数据收集、数据预处理、变量选择、模型建立和结果解释等几个阶段。
数据收集是获取原始数据的过程，可以通过问卷调查、实验观测等方式进行。
数据预处理是对原始数据进行清洗、整编和转换，以便于分析和解释。
变量选择是根据研究目标和方法选择合适的变量进行分析。
模型建立是根据预设的理论框架和统计方法建立数学模型，进而进行统计分析。
结果解释是对统计结果进行解读和推断，将统计结论转化为实际问题的解决方案。
多元统计分析的优势在于它能够综合考虑多个变量之间的复杂关系。
相比于单变量分析，它能够提供更全面、准确的信息和结论。
例如，在市场研究中，我们可以利用多元统计分析来探索消费者的购买行为和喜好，从而制定有针对性的营销策略。
在医学研究中，多元统计分析可以帮助研究人员分析影响疾病风险的多个因素，为疾病预防和治疗提供科学依据。
然而，多元统计分析也存在一些局限性和挑战。
首先，多元统计分析要求样本数据的质量高，数据之间需要存在一定的相关性才能进行分析。
多元统计分析
多元统计分析
在多元统计分析中，我们可以同时考虑几个变量之间的关系，而不仅
仅是单一变量之间的关系。
通过这种分析，我们可以发现和理解变量之间
的相互作用，以及它们对结果的影响。
在进行多元统计分析之前，首先需要对原始数据进行预处理。
预处理
包括缺失值处理、异常值处理、变量转换等步骤，以确保数据的准确性和
完整性。
然后可以选择合适的多元统计方法来进行分析。
多元统计分析的方法包括回归分析、方差分析、因子分析等。
回归分
析用于研究因变量和自变量之间的关系，可以用于预测和解释结果变量。
方差分析用于研究不同组之间的差异，可以用于比较不同组的平均值差异。
因子分析用于确定变量之间的潜在关系，可以用于降维和变量选择。
除了以上介绍的方法外，还有其他一些方法可以用于多元统计分析，
如聚类分析、判别分析、聚类分析等。
聚类分析用于将样本分为不同的组，可以帮助我们发现样本之间的相似性和差异性。
判别分析用于研究变量之
间的关系，并用于分类和预测。
聚类分析用于研究变量之间的关系，并用
于发现变量之间的模式。
总之，多元统计分析是一种强大的工具，可以帮助我们更全面地理解
和解释数据。
通过使用多元统计方法，我们可以发现变量之间的关系，并
用于预测和解释结果变量。
因此，多元统计分析在各个领域中都有着广泛
的应用。
多元统计分析
多元统计分析在实际研究和应用中，我们经常需要处理多个变量之间的关系。
为了更好地理解变量之间的相互关系，以及变量对总体的影响程度，多元统计分析成为了一种重要的方法。
多元统计分析可以帮助我们更全面、准确地理解数据，进而得到更深入的结论。
一、多元统计分析的基本概念多元统计分析是一种研究多个变量之间关系的统计学方法。
它广泛应用于社会科学、医学、经济学等领域，帮助研究人员深入探究变量之间的相互作用。
在多元统计分析中，我们通常关注的是多个自变量对一个因变量的影响。
为了实现这一目标，我们需要构建统计模型，通过假设检验、回归分析等方法，来揭示自变量对因变量的解释程度。
二、多元统计分析的方法多元统计分析可以使用多个方法来揭示变量之间的关系。
下面介绍几种常见多元统计分析方法：1. 多元方差分析（MANOVA）：多元方差分析是一种广义的方差分析方法，用于比较两个或多个组别在多个因变量上的差异。
它可以同时分析多个因变量，并考虑它们的相互关系。
2. 因子分析：因子分析是一种用于研究变量之间潜在关系的分析方法。
它可以帮助我们简化数据结构、发现潜在变量，并解释这些潜在变量对原始变量的影响。
3. 聚类分析：聚类分析是一种将样本或变量分为不同组别的方法。
通过聚类分析，我们可以发现样本或变量之间的相似性和差异性，帮助我们更好地理解数据结构。
4. 判别分析：判别分析是一种有监督的多元统计分析方法，用于预测或分类。
它可以根据已知的类别信息，来预测新的样本所属类别。
以上只是多元统计分析的一部分方法，每种方法都有其特点和应用领域。
研究人员可以根据具体的问题和数据类型选择合适的方法。
三、多元统计分析的应用多元统计分析可以应用于各个领域的研究和实践中。
以下介绍几个常见的应用领域：1. 社会科学研究：在社会科学领域，多元统计分析可以帮助研究人员揭示不同自变量对社会现象的影响程度，进而深入理解社会现象的机制。
2. 医学研究：在医学研究中，多元统计分析可以帮助医生和研究人员探究不同变量对疾病的影响，寻找治疗方案或预测疾病风险。
多元统计分析多元统计分析32
设两个样品为X(i)和X(j),若δi (k,l)=δj (k,l) =1,则称这两个样品
在第k个项目的第l类目上1-1配对;若δi (k,l)=δj (k,l) =0,则称这两
个样品在第k个项目之l类目上0-0配对;若δi (k,l) ≠δj (k,l) ,则称
为不配对.
记m1 为X(i) 和X(j) 在m个项目的所有类目中1-1配对的
总数;m0 为0-0配对的总数;m2 为不配对总数.显然m0+ m1+
m2=总类目数p(p=r1 +r2+…+rm).
表6.2给出两个样品的取“值”情况.显然m1 =3, m0=7,
m2=4.项目数m=4,总类目数p=14.
(1) 两个样品为X(i)和X(j)间的距离定义为
m2
d ij
.
m1 m2
在数量化理论中,常把定性变量叫做项目,而把定性变量的
各种不同取"值"叫做类目.
例如性别是项目,而男或女是这个项目的类目;体形也是一
个项目,而适中、胖、瘦、壮等是这个项目的类目.性别只能取
男或女中一类,不能兼取；而体形可以是适中且壮,即兼取两类.
设样品X(i)的第k个项目( k=2,…,m)的取值为
k 1 l 1
样品X(i)和X(j)间的相似性度量由表6.3给出几种定义方
法.这种相似性度量也称为匹配系数
(δi (k,1),δi (k,2),…,δi (k,rk) ) (i=1,2,…,n),
其中n为样品的个数,m为项目的个数,rk是第k个项目的
类目数.
1, 当第i个样本中第k个项目的定性数据
i (k , l )
为第l个类目时，
多元统计分析整理版.doc
1、主成分分析的目的是什么？主成分分析是考虑各指标间的相互关系，利用降维的思想把多个指标转换成较少的几个相互独立的、能够解释原始变量绝大部分信息的综合指标，从而使进一步研究变得简单的一种统计方法。
它的目的是希望用较少的变量去解释原始资料的大部分变异，即数据压缩，数据的解释。
常被用来寻找判断事物或现象的综合指标，并对综合指标所包含的信息进行适当的解释。
2、主成分分析基本思想？主成分分析就是设法将原来指标重新组合成一组新的互相无关的几个综合指标来代替原来指标。
同时根据实际需要从中选取几个较少的综合指标尽可能多地反映原来的指标的信息。
● 设p 个原始变量为 ，新的变量(即主成分)为 ，主成分和原始变量之间的关系表示为?3、在进行主成分分析时是否要对原来的p 个指标进行标准化？SPSS 软件是否能对数据自动进行标准化？标准化的目的是什么？需要进行标准化，因为因素之间的数值或者数量级存在较大差距，导致较小的数被淹没，导致主成分偏差较大，所以要进行数据标准化； 进行主成分分析时SPSS 可以自动进行标准化；标准化的目的是消除变量在水平和量纲上的差异造成的影响。
求解步骤⏹ 对原来的p 个指标进行标准化，以消除变量在水平和量纲上的影响 ⏹ 根据标准化后的数据矩阵求出相关系数矩阵 ⏹ 求出协方差矩阵的特征根和特征向量⏹ 确定主成分，并对各主成分所包含的信息给予适当的解释版本二：根据我国31个省市自治区2006年的6项主要经济指标数据，表二至表五，是SPSS 的输出表，试解释从每张表可以得出哪些结论，进行主成分分析，找出主成分并进行适当的解释：（下面是SPSS 的输出结果，请根据结果写出结论） 表一：数据输入界面p 21p x x x ，，， 21p ，21p y y y ，，， 21表二：数据输出界面a）此表为相关系数矩阵，表示的是各个变量之间的相关关系，说明变量之间存在较强的相关系数，适合做主成分分析。
观察各相关系数，若相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析。
多元统计分析
多元统计分析多元统计分析是一种用于处理和解释多维数据的方法。
它将多个变量同时考虑，并探索变量之间的关系和模式。
在许多领域，例如社会科学、医学研究和市场调查中，多元统计分析被广泛应用于数据分析和决策支持。
通过对大量数据进行综合分析，我们可以获得更准确的结论和洞察力，为问题的解决提供有力的支持。
1. 多元统计分析的基本概念和方法多元统计分析涉及许多不同的技术和方法。
其中一些包括主成分分析、因子分析、聚类分析、判别分析和多元回归分析。
这些方法可以帮助我们降维、识别变量间的关系、发现群组和预测未来趋势。
2. 主成分分析主成分分析是一种降维技术，可以将大量的变量转化为相对较少的几个无关变量，称为主成分。
通过这种方式，我们可以更好地理解数据，并减少冗余信息。
主成分分析通常用于数据可视化和探索性分析。
3. 因子分析因子分析是一种用于探索变量之间潜在关系的技术。
它可以帮助我们确定潜在因素，即变量背后的共同因素。
因子分析常用于市场研究，以确定产品特征或消费者态度的维度。
通过这种方式，我们可以对复杂的数据进行简化和解释。
4. 聚类分析聚类分析是一种将相似观测对象划分为群组的技术。
它基于变量间的相似性或距离度量，将观测对象聚合在一起，并形成具有相似特征的群组。
聚类分析常用于市场分割和客户分类。
5. 判别分析判别分析是一种用于预测和分类的技术。
它可以帮助我们从一系列的预测变量中确定哪些变量对于区分不同组别是最重要的。
判别分析常用于医学诊断、人力资源管理和贷款风险评估等领域。
6. 多元回归分析多元回归分析用于研究多个自变量对因变量的影响。
通过建立回归模型，我们可以理解各个变量对于因变量的相对重要性，并进行预测和解释。
总结：多元统计分析是一种强大的数据分析工具，可以帮助我们理解和解释复杂的多维数据。
通过运用各种分析方法，我们可以从大量的数据中发现模式和关系，并得出准确的结论和洞察力。
无论是在学术研究、商业决策还是社会科学领域，多元统计分析都发挥着重要的作用。
- 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)。
题目：研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表。
分析不同温度和湿度对粘虫发育历期的影响是否存在着显著性差异。
（注：要对方差齐性进行检验）不同温度与不同湿度粘虫发育历期表根据上述题目，分析结果如下。
一、相关理论概述F检验与方差齐性检验在方差分析的F检验中，是以各个实验组内总体方差齐性为前提的，因此，按理应该在方差分析之前，要对各个实验组内的总体方差先进行齐性检验。
如果各个实验组内总体方差为齐性，而且经过F检验所得多个样本所属总体平均数差异显著，这时才可以将多个样本所属总体平均数的差异归因于各种实验处理的不同所致；如果各个总体方差不齐，那么经过F 检验所得多个样本所属总体平均数差异显著的结果，可能有一部分归因于各个实验组内总体方差不同所致。
但是，方差齐性检验也可以在F检验结果为多个样本所属总体平均数差异显著的情况下进行，因为F检验之后，如果多个样本所属总体平均数差异不显著，就不必再进行方差齐性检验。
本文分析数据采用后一种方法，即先F检验再方差齐次性检验。
二、从单因子方差角度分析（一）在假定相对湿度不变的情况下分析1、假定相对湿度恒为40%，分析不同温度对粘虫发育历期的影响。
如下表： 温度℃ 重复252729311 100.2 90.6 77.2 73.6 2 103.3 91.7 85.8 73.2 3 98.3 94.5 81.7 76.4 4 103.8 92.2 79.7 72.5 Ti 405.6 369324.4295.7T 2i164511.36136161105235.36 87438.49在本例中，r=4，m=4, n=16 ，=1394.7,= 123413.4696T 2/n=(1394.7)2/16=121574.2556 (式1）（ 式2）（式3）S E =S T -S A =1839.214-1762.297=76.917 （式4）数据的方差分析表见表1.表1 粘虫发育历期方差分析表粘虫发育历期 （相对湿度40%）来源平方和 df 均方 F 显著性 组间 1762.297 3 587.432 91.646.000组内 76.917 12 6.410总数1839.21415分析表1可知，F 0.05(3，12)=3.49，F 值=,91.646，F>F 0.05，P=0.000<0.05,说明在相对湿度为40%时，不同温度对粘虫发育历期有显著影响。
同时，在方差齐次性检验中P=0.304>0.05,说明方差齐次性显著，如下表。
以下方差齐次性检验于此类同，限于篇幅，直接得出结果，方差齐性检验粘虫发育历期 Levene 统计量df1df2显著性1.351312.304相关程序源代码附录如下：DATASET ACTIV ATE 数据集0. ONEW AY 粘虫发育历期 BY X2 /STA TISTICS HOMOGENEITY=493346.2105/4-121574.2556=1762.297=123413.4696-121574.2556=1839.214/MISSING ANAL YSIS.2、假定相对湿度恒为80%，分析不同温度对粘虫发育历期的影响。
如下表： 温度℃ 重复252729311 93.2 85.8 79.0 70.7 2 89.3 81.6 70.8 86.5 3 95.1 81.0 67.7 66.94 95.584.478.864.9Ti 373.1332.8296.3 289 T 2i139203.61 110755.8487793.69 83521在本例中，r=4，m=4, n=16 ， =291.2=105744.28T 2/n=(1291.2)2/16=104199.84 (式5）（式6）（式7）S E =S T -S A =1544.440-1118.695=425.745 （式8）表2 粘虫发育历期方差分析表粘虫发育历期 （相对湿度80%）平方和 df均方 F 显著性组间 1118.695 3 372.898 10.510.001组内 425.745 12 35.479总数1544.44015分析表2 所知，F 0.05(3，12)=3.49，F 值=,10.510，F>F 0.05，P=0.001<0.05,说明在相对湿度为80%时，不同温度对粘虫发育历期有显著影响。
同时，在方差齐次性检验中P=0.071>0.05,说明方差齐次性显著.相关程序源代码如下：ONEWAY 粘虫发育历期 BY X2 /STATISTICS HOMOGENEITY /MISSING ANAL YSIS.3、假定相对湿度恒为100%，分析不同温度对粘虫发育历期的影响。
如下表： 温度℃ 重复252729311 91.2 87.6 79.2 65.2 2 95.0 84.7 67.0 63.3 3 93.8 81.2 75.7 63.64 93.082.470.663.3Ti 373 335.9292.5 255.4 T 2i139129 112828.81 85556.25 65229.16=105744.28-104199.84=1544.440=421274.14/4-104199.84=1118.695在本例中，r=4，m=4, n=16 , =1256.8 =100807.2T 2/n=(1256.8)2/16=98721.64 (式9）（式10）（式11）S E =S T -S A =2085.560-1964.165=121.395 （式12）数据的方差分析见表3.表3 粘虫发育历期方差分析表粘虫发育历期 （相对湿度100%）平方和 df均方F显著性组间 1964.165 3 654.722 64.720.000组内 121.395 12 10.116总数2085.56015分析表3所知，F 0.05(3，12)=3.49，F 值=64.720，F>F 0.05，P=0.000<0.05,说明在相对湿度为100%时，不同温度对粘虫发育历期有显著影响。
但是，在方差齐次性检验中P=0.009<0.05,说明方差不齐次性显著。
相关源代码：ONEW AY 粘虫发育历期 BY X2 /STA TISTICS HOMOGENEITY /MISSING ANAL YSIS.（二）在假定温度不变的情况下分析1、假定温度恒为25℃，分析不同相对湿度对粘虫发育历期的影响。
如下表。
相对湿度（%） 重复 40 80 100 1 100.2 93.2 91.2 2 103.3 89.3 95.0 3 98.3 95.1 93.8 4103.895.593.0Ti 405.6373.1373 T 2i164511.36 139203.61139129在本例中，r=3,m=4,n=12,=1151.7,= 110763.1275T 2/n=(1151.7)2/12=110534.4075 (式13）（式14）（式15）S E =S T -S A =228.723-176.585=52.137 （式16）=100807.2-98721.64=2085.560=402743.22/4-98721.64=1964.165=110763.1275-110534.4075=228.723=442843.97/4-110534.4075=176.585数据的方差分析见表4.表 4 粘虫发育历期方差表粘虫发育历期 （25℃）平方和 df均方F 显著性组间 176.585 2 88.293 15.241.001组内 52.137 9 5.793总数228.72311分析表4 所知，F 0.05(2，9)=4.26，F 值=15.241，F>F 0.05，P=0.00,1<0.05,说明在温度为25℃时，不同相对湿度对粘虫发育历期有显著影响。
但是，在方差齐次性检验中P=0.442>0.05，说明方差齐次性显著。
相关源代码：ONEW AY 粘虫发育历期 BY X1 /STATISTICS HOMOGENEITY /MISSING ANAL YSIS.2、假定温度恒为27℃，分析不同相对湿度对粘虫发育历期的影响。
如下表。
相对湿度（%） 重复 40 80 100 1 90.6 85.8 87.6 2 91.7 81.6 84.7 3 94.5 81.0 81.2 492.284.482.4Ti 369 332.8335.9T 2i136161 110755.84112828.81在本例中，r=3,m=4,n=12,=1037.7,= 89983.9505T 2/n=(1037.7)2/12=89735.1075 (式17）（式18）（式19）S E =S T -S A =248.843-201.305=47.537 （式20） 数据的方差分析见表5.粘虫发育历期 （27℃）平方和 df 均方 F 显著性 组间 201.305 2 100.653 19.056.001组内 47.537 9 5.282总数248.84311分析表5 所知，F 0.05(2，9)=4.26，F 值=19.056，F>F 0.05，P=0.00,1<0.05,说明在温度为27℃=89983.9505-89735.1075=248.843=359745.65/4-89735.1075=201.305时，不同相对湿度对粘虫发育历期有显著影响。
但是，在方差齐次性检验中P=0.353>0.05，说明方差齐次性显著。
相关源程序代码：ONEW AY 粘虫发育历期 BY X1 /STA TISTICS HOMOGENEITY /MISSING ANAL YSIS3、假定温度恒为29℃，分析不同相对湿度对粘虫发育历期的影响。
如下表。
相对湿度（%） 重复 40 80 100 1 77.2 79.0 79.2 2 85.8 70.8 67.0 3 81.7 67.7 75.7 479.778.870.6Ti 324.4296.3 292.5 T 2i105235.36 87793.6985556.25在本例中，r=3,m=4,n=12,=913.2,= 69871.32T 2/n=(913.2)2/12= 69494.52 (式21）（式22）（式23）S E =S T -S A =376.8-224.995=151.805 （式24）数据的方差分析见表6.粘虫发育历期 （29℃）平方和 df 均方 F 显著性 组间 151.805 2 75.902 3.036.098组内 224.995 9 24.999总数376.80011分析表6 所知，F 0.05(2，9)=4.26，F 值=3.306，F<F 0.05，P=0.098>0.05,说明在温度为27℃时，不同相对湿度对粘虫发育历期没有显著影响。