跳到主要内容

双因素方差分析

一、直观理解：两个因素一起变，既看主效应也看“搭配”​

双因素 ANOVA 处理两个分类因素，例如：

  • 因素 A：温度（低/中/高）；
  • 因素 B：催化剂类型（X/Y）；
  • 响应：收率。

我们关心三类问题：

  1. A 的主效应：平均而言温度有没有影响？
  2. B 的主效应：平均而言催化剂有没有影响？
  3. 交互效应：温度的影响是否依赖于催化剂类型？

交互是双因素的灵魂。若 A 在 B=X 时收率随温度上升，在 B=Y 时反而下降，则只谈“温度主效应”会误导——必须画交互图。

二、适用场景与优缺点​

类型说明
适用场景两因素析因实验；问卷中两个分类因子；需要分离主效应与交互；有重复试验可估误差。
核心优点比两次单因素更省样本、能检交互；结构清晰；可用 anovan 实现。
局限与缺点假定残差正态、齐方差、独立；无重复时交互与误差纠缠；高阶交互难解释；非平衡数据需注意平方和类型。

三、核心原理​

有交互的细胞均值模型：

Yijk=μ+αi+βj+(αβ)ij+εijkY_{ijk}=\mu+\alpha_i+\beta_j+(\alpha\beta)_{ij}+\varepsilon_{ijk}
  • αi\alpha_i：A 主效应；
  • βj\beta_j：B 主效应；
  • (αβ)ij(\alpha\beta)_{ij}：交互。

平方和（平衡设计示意）：

SST=SSA+SSB+SSAB+SSE\mathrm{SST}=\mathrm{SSA}+\mathrm{SSB}+\mathrm{SSAB}+\mathrm{SSE}

各自除以自由度得均方，再与 MSE\mathrm{MSE} 比形成三个 F 检验。

无交互模型则去掉 (αβ)ij(\alpha\beta)_{ij}。若交互显著，主效应的解释要以简单效应（固定另一因素水平时的效应）为主。

重复次数：每个 (i,j) 组合至少 2 次重复，才能在有交互模型中单独估计纯误差；仅 1 次重复时常假定部分交互为 0 或改用其它误差结构。

四、关键决策​

1. 先看交互还是先看主效应？​

标准顺序：先检验交互。交互显著 → 做简单效应/画剖面图；交互不显著 → 再解释主效应，可考虑去交互的简化模型。

2. 固定效应还是随机效应​

因素水平是研究者指定的全部类型 → 固定；水平是更大总体的随机样本（如随机抽学校）→ 随机/混合，F 比的分母可能改变。

3. 非平衡设计​

anovan 中注意 sstype（I/II/III 型平方和）。观察研究常用 III 型；需在报告中声明。

4. 效应量​

偏 η2\eta^2：各效应 SS / (效应 SS + 误差 SS)。

五、MATLAB 示例​

% 模拟 2×3 析因，含交互
rng(8);
temp = []; cat = []; y = [];
temps = [1 2 3];  % 低中高
for t = temps
    for c = 1:2
        % 催化剂2在高温下额外增益 -> 交互
        mu = 10 + 0.5*t + 1.0*(c==2) + 0.8*t*(c==2);
        yi = mu + 0.6*randn(8,1);
        y = [y; yi];
        temp = [temp; t*ones(8,1)];
        cat = [cat; c*ones(8,1)];
    end
end

[p, tbl, stats] = anovan(y, {temp, cat}, ...
    "model", "interaction", ...
    "varnames", {"Temp", "Catalyst"}, ...
    "display", "off");
disp(tbl);
fprintf("p(Temp)=%.4g, p(Cat)=%.4g, p(Int)=%.4g\n", p(1), p(2), p(3));

% 交互图（均值）
figure;
interactionplot(y, {temp, cat});
title("双因素交互图");

% 多重比较（主效应，示意）
figure;
multcompare(stats, "Dimension", 1); % Temp
title("温度主效应比较");

% 残差
% anovan 可取 stats 中拟合信息；这里用单元均值近似
T = table(temp, cat, y);
mdl = fitlm(T, "y ~ temp*cat");  % 把因子当连续仅演示；更宜 categorical
% 推荐：
T.temp = categorical(T.temp);
T.cat = categorical(T.cat);
mdl = fitlm(T, "y ~ temp*cat");
disp(mdl);
figure; plotResiduals(mdl, "fitted");

六、如何解释结果​

  1. 设计：因素、水平、每格重复数；
  2. 三张 F 检验表：A、B、AB；
  3. 交互显著时：用交互图说明“在不同 B 下 A 的模式”；
  4. 给出关键格子均值与置信区间；
  5. 效应量与实际工程含义；
  6. 诊断与平方和类型。

错误示范：“温度显著，所以温度越高越好”——在有交互时可能只对某一催化剂成立。

七、常见误区​

1. 交互显著仍只解释主效应​

主效应是边缘平均，可能掩盖反转模式。

2. 无重复却拟合完整交互​

无法与误差分离，结果依赖附加假定。

3. 把两个单因素 ANOVA 代替双因素​

无法检验交互，也浪费联合设计信息。

4. 因子编码错误​

把有序温度当无序或当连续，结论表述会变，需与科学问题一致。

八、小结​

双因素 ANOVA 的核心是：

同时估计两个因素的主效应及其交互，用方差分解判断哪些结构显著。

建模时永远先问“有没有交互”，再决定如何报告主效应。交互图是双因素分析的标配输出。