检验功效与样本量:单因素方差分析

规划比较多个组均值的单因素方差分析(One-Way ANOVA)。输入水平数、共同标准差,以及每个水平的样本量、均值间最大差异和检验功效三者中的任意两个,工具求出第三个。它假定各组服从正态分布、标准差相等且设计均衡,并采用最不利的均值排列,因此结果偏保守。

最后审阅

核心要点

单因素方差分析的检验功效与样本量用于计算每组需要多少单位才能检出三个或更多组均值之间给定的最大差异、计算所规划设计的检验功效,或计算可检出的差距。

本页内容
  1. 用途
  2. 主要功能
  3. 统计方法
  4. 输入字段和选项
  5. 输出说明
  6. 计算示例

用途

单因素方差分析的检验功效与样本量用于规划三个或更多组均值的比较,例如多台炉子、供应商、操作员或配方。效应大小以希望检出的任意两个组均值之间的最大差异输入。输入每个水平的样本量、最大差异和检验功效三者中的任意两个,工具即可求出第三个:每组需要多少单位、所规划的设计具有多大的检验功效,或给定设计能检出的最大与最小均值之间的差距。可在进行单因素方差分析(One-Way ANOVA)之前使用。

主要功能

  • 求解样本量、检验功效或最大差异:将想要求解的那个留空。
  • 可同时输入多个值,例如最大差异“1.5 2”和检验功效值“0.8 0.9”,每种组合各给出一行。
  • 水平数可为 2 及以上的任意数量,采用均衡设计(每个水平的样本量相同)。
  • 求解样本量时,报告每个水平的整数样本量及其对应的实际检验功效。
  • 每个最大差异的检验功效随每个水平样本量变化的曲线,并标出求解得到的点。

统计方法

计算假定有 k 个相互独立的组,来自具有共同标准差 σ 的正态总体,每个水平有 n 个单位(总计 N = n·k)。显著性水平为 α = 1 − 置信水平 / 100。为将最大差异 Δ 转换为效应量,工具与 Minitab 一样,采用对该 Δ 给出最小检验功效的均值排列:两个水平位于 −Δ/2 和 +Δ/2,其余 k − 2 个水平位于总均值。效应量为 f = σₘ/σ,其中 σₘ 是这 k 个均值的标准差,因此 σₘ² = Δ²/(2k)。

检验功效是方差分析 F 检验拒绝均值相等假设的概率。它根据自由度为 k − 1 和 N − k、非中心参数为 λ = f²·N 的非中心 F 分布计算。对于样本量,先求出达到目标检验功效的总样本量 N,再除以 k 并按每个水平向上取整,该样本量处的检验功效作为实际检验功效报告。对于最大差异,先求出达到目标检验功效的效应量,再换算回 Δ。

由于这是最不利的排列,因此结果偏保守:如果均值分布得更分散,例如两个水平位于各个极端,则实际检验功效高于所报告的值,所需单位更少(见计算示例)。只有两个水平时,只存在一种排列。

输入字段和选项

字段

说明

Sample sizes

每个水平的样本量(均衡设计)。以空格或逗号分隔,例如“10 20 30”。留空则求解样本量。

Maximum difference between means

以空格或逗号分隔,例如“1 2 3”。希望检出的最大均值与最小均值之间的差距。留空则求解该差异。

Power values

以空格或逗号分隔,例如“0.8 0.9”。留空则求解检验功效。

Standard deviation

必填。假定的或历史的共同标准差,各水平相同。

Number of levels

必填,至少为 2。被比较的组数。

Confidence level

默认 95(α = 0.05);取值 75 至 100。

Power curve

默认勾选:绘制检验功效随每个水平样本量变化的曲线。

Title

输出和检验功效曲线上显示的标题。

power-and-sample-size-one-way-anova-inputs


图 1 — 求解样本量:Maximum difference between means = 2,Power values = 0.8 0.9,Standard deviation = 1.5,Number of levels = 4,置信水平 95%。

输出说明

  • Settings——求解的对象、水平数、标准差和置信水平。
  • Results——每种组合一行:求解样本量时给出最大差异、每个水平的样本量以及目标检验功效和实际检验功效,求解检验功效时给出检验功效,求解最大差异时给出最大差异。
  • Power Curve——每个最大差异的检验功效随每个水平样本量变化的曲线,并标出计算得到的点。
  • 通过 Download 导出 PDF。

power-and-sample-size-one-way-anova-output


图 2 — 示例的结果:80% 检验功效每台炉子需要 14 个零件(实际 0.824),90% 检验功效需要 17 个(实际 0.901)。

计算示例

某热处理车间运行四台炉子,希望检查它们的平均表面硬度是否相同。最佳炉子与最差炉子之间相差 2 HRC 就会有影响,而单台炉子内部的硬度标准差约为 1.5 HRC。冶金工程师将 Sample sizes 留空,输入 Maximum difference between means = 2、Power values = 0.8 0.9、Standard deviation = 1.5 和 Number of levels = 4,置信水平为 95%。

工具给出:80% 检验功效每台炉子需要 14 个零件(实际检验功效 0.824),90% 检验功效每台炉子需要 17 个零件(实际检验功效 0.901),即总共 56 个和 68 个零件。每台炉子 8 个零件时,检验功效仅为 0.532,5 个零件时为 0.317。每台炉子 14 个零件、80% 检验功效时,该研究能检出的最小最大差异为 1.94 HRC。这些数字假定了最不利的模式:一台炉子偏高、一台偏低,另外两台居中。如果改为每个极端各有两台炉子,则每台炉子 8 个零件就已经能达到 0.852 的检验功效,因此该方案偏于稳妥。

常见问题

单因素方差分析的检验功效如何计算?

检验功效是方差分析 F 检验拒绝均值相等的概率。它根据自由度为 k - 1 和 N - k 的非中心 F 分布计算。最大差异采用最不利的均值排列转换为效应量:两个水平分别位于差异一半的负值和正值处,其余水平位于总均值。

为什么单因素方差分析的样本量偏保守?

工具假定对所输入的最大差异给出最小检验功效的组均值排列。如果均值分布得更分散,例如两个水平位于各个极端,则实际检验功效高于所报告的值,所需单位更少。在计算示例中,在这种更有利的模式下,每台炉子 8 个零件即可达到 0.852 的检验功效。

单因素方差分析每组需要多少样本?

在一个有四台炉子、标准差为 1.5 HRC、最大差异为 2 HRC、置信水平 95% 的计算示例中,每台炉子 14 个零件可达到 80% 检验功效,17 个零件可达到 90%,即总共 56 个和 68 个零件。每台炉子 8 个零件时,检验功效为 0.532,5 个零件时为 0.317。

单因素方差分析检验功效计算有哪些假设?

它假定有 k 个相互独立的组,来自具有共同标准差的正态总体,且设计均衡,每个水平的样本量相同。水平数必须至少为 2,且必须提供标准差,通常来自历史数据。只有两个水平时,均值只有一种可能的排列。