双因素方差检验(Two factor variance test) _因素

胸怀万里世界，放眼无限未来。这篇文章主要讲述双因素方差检验(Two factor variance test)相关的知识，希望能为你提供帮助。
概述
双因素方差分析（Double factor variance analysis) 有两种类型：一个是无交互作用的双因素方差分析，它假定因素A和因素B的效应之间是相互独立的，不存在相互关系；另一个是有交互作用的双因素方差分析，它假定因素A和因素B的结合会产生出一种新的效应。例如，若假定不同地区的消费者对某种品牌有与其他地区消费者不同的特殊偏爱，这就是两个因素结合后产生的新效应，属于有交互作用的背景；否则，就是无交互作用的背景。

文章图片

文章图片

数据来源
https://github.com/thomas-haslwanter/statsintro_python/tree/master/ISP/Code_Quantlets/08_TestsMeanValues/anovaTwoway

文章图片

文章图片

原数据

文章图片

H0假设

文章图片

平方和总计=因素1平方和+因素2平方和+因素1*因素2+组内误差平方和

文章图片

计算的F分数表
红色区间就拒绝H0

文章图片

根据两个因素，把原始数据分为六个组，并计算六个组的均值，组成一个矩阵

文章图片

文章图片

计算性别因素的平方和

文章图片

计算年龄因素平方和

文章图片

计算组内误差平方和

文章图片

总平方和

文章图片

两个因素平方和=总平方和 - 第一个因素平方和 - 第二个因素平方和 - 组内误差平方和
算出来为7

文章图片

文章图片

计算F分数，
F_第一因素=第一因素平方和/组内误差平方和
F_第二因素=第二因素平方和/组内误差平方和
F_第一第二因素交互=第一第二因素交互平方和/组内误差平方和

文章图片

文章图片

spss应用
R**2=0.518，年龄和性别对分数影响只占了一半，还有其他因素造成分数的波动。

文章图片

文章图片

python代码测试结果和spss一致

文章图片

方差分析样本量：
方差分析前提是样本符合正态分布，样本量越大，正态分布可能就越高。
if we suppose that you have k groups, N is the total sample size for all groups, then n-kshould exceeds zero. Otherwise, there is no minimum size for each group except you need 2 elements for each to enable calculating the variance, but this is just a theoretical criteria.
However, to use ANOVA you need the check the Normal distribution for each group, so the higher size of your groups sizes, the more opportunity to have the Normal distribution.

Is there a minimum number per group neccessary for an ANOVA?. Available from: https://www.researchgate.net/post/Is_there_a_minimum_number_per_group_neccessary_for_an_ANOVA [accessed Jun 2, 2017].
由于分组的样本量太小，单独两两检验时，发现与双因素方差检验结果不一致，年龄有显著差异，性别无显著差异
双因素方差检验：年龄，性别都有显著不同
三种广告和两种媒体的双因素方差检验
数据

文章图片

spss结果

文章图片

python结果和spss结果一致
广告方案 VS 销量有显著差异
广告媒体 VS销量无显著差异
python使用了参数检验和非参数检验

文章图片

#原创公众号(python风控模型) from scipy.stats.mstats import kruskalwallis import scipy.stats as stats import numpy as np import scipy as sp list_paper=[8,12,22,14,10,18] list_TV=[12,8,26,30,18,14] list_group=[list_paper,list_TV] def Kruskawallis_test(list_group): print"Use kruskawallis test:" h, p = kruskalwallis(list_group) print"H value:",h print"p",p if p< 0.05: print(\'There is a significant difference.\') return True else: print(\'No significant difference.\') return Falsedef Mannwhitneyu(group1, group2): if np.int(sp.__version__.split(\'.\')[1]) > 16: u, p_value = https://www.songbingjia.com/android/stats.mannwhitneyu(group1, group2, alternative=/'two-sided\') else: u, p_value = https://www.songbingjia.com/android/stats.mannwhitneyu(group1, group2, use_continuity=True) p_value *= 2 print(("Mann-Whitney test", p_value))if p_value< 0.05: print "there is significant difference" else: print "there is no significant difference"print(stats.ttest_ind(list_paper,list_TV)) print(Mannwhitneyu(list_paper,list_TV))list_adPlan1=[8,12,12,8] list_adPlan2=[22,14,26,30] list_adPlan3=[10,18,18,14] list_group=[list_adPlan1,list_adPlan2,list_adPlan3] print(Kruskawallis_test(list_group)) print(stats.f_oneway(list_adPlan1,list_adPlan2,list_adPlan3))

超市位置竞争者数量销售
数据

文章图片

分析结果：超市位置，竞争者数量，两者交互都具有显著关系，R**2=0.78，三个因素占了方差差异的78%

文章图片

文章图片

python 与spss结果一致
variance_check.py

import scipy,math from scipy.stats import f import numpy as np import matplotlib.pyplot as plt import scipy.stats as stats from statsmodels.stats.diagnostic import lillifors from statsmodels.sandbox.stats.multicomp import multipletests import itertoolsa=0.05 def check_normality(testData): if 20< len(testData) < 50: p_value= https://www.songbingjia.com/android/stats.normaltest(testData)[1] if p_value< 0.05: print"use normaltest" print"p of normal:",p_value print "data are not normal distributed" returnFalse else: print"use normaltest" print"p of normal:",p_value print "data are normal distributed" return True if len(testData) < 50: p_value= https://www.songbingjia.com/android/stats.shapiro(testData)[1] if p_value< 0.05: print"use shapiro:" print"p of normal:",p_value print "data are not normal distributed" returnFalse else: print "use shapiro:" print"p of normal:",p_value print "data are normal distributed" return Trueif 300> =len(testData) > =50: p_value= https://www.songbingjia.com/android/lillifors(testData)[1] if p_value< 0.05: print"use lillifors:" print"p of normal:",p_value print "data are not normal distributed" returnFalse else: print "use lillifors:" print"p of normal:",p_value print "data are normal distributed" return True if len(testData) > 300: p_value= https://www.songbingjia.com/android/stats.kstest(testData,/'norm\')[1] if p_value< 0.05: print "use kstest:" print"p of normal:",p_value print "data are not normal distributed" returnFalse else: print "use kstest:" print"p of normal:",p_value print "data are normal distributed" return Truedef NormalTest(list_groups): for group in list_groups: status=check_normality(group) if status==False : return False return Truedef Combination(list_groups): combination= [] for i in range(1,len(list_groups)+1): iter = itertools.combinations(list_groups,i) combination.append(list(iter)) return combination[1:-1][0]def Levene_test(group1,group2,group3): leveneResult=scipy.stats.levene(group1,group2,group3) p=leveneResult[1] print"levene test:" if p< 0.05: print"variances of groups are not equal" return False else: print"variances of groups are equal" return Truedef Equal_lenth(list_groups): list1=list_groups[0] list2=list_groups[1] list3=list_groups[2] list1_removeNan=[x for x in list1 if str(x) != \'nan\' and str(x)!= \'-inf\'] list2_removeNan=[x for x in list2 if str(x) != \'nan\' and str(x)!= \'-inf\'] list3_removeNan=[x for x in list3 if str(x) != \'nan\' and str(x)!= \'-inf\'] len1=len(list1_removeNan) len2=len(list2_removeNan) len3=len(list3_removeNan) if len1==len2==len3: return True else: return False

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
欢迎各位同学学习更多的相关知识：
【双因素方差检验(Two factor variance test)】python机器学习生物信息学，博主录制，2k超清
https://edu.51cto.com/sd/3a516