【Python・统计学】单因素方差分析（简单原理及代码）
前言
自学笔记，分享给对统计学原理不太清楚但需要在论文中用到的小伙伴，欢迎大佬们补充或绕道。ps：本文不涉及公式讲解（文科生小白友好体质）～
本文重点：单因素方差分析（以下：方差分析）
【1.方差分析简单原理和前提条件】
【2.方差分析和t检验的区别】
【3.方差分析代码（配对/独立+事后检验+效应量）】
1.方差分析简单原理
方差分析（ANOVA）又称“变异数分析”或“F检验”，是由罗纳德·费雪爵士发明的，用于两个及两个以上样本均数差别的显著性检验 。 方差分析作为一种常用的统计方法，能够分析不同因素对数据变异的影响，并确定哪些因素对数据的变异具有显著影响。
▷方差分析的原理可以通过以下几个步骤来简单理解（简单理解即可，↓看需要满足的条件去看自己的数据是否符合）：
- 将数据分组：根据研究目的，将数据分为不同的组别（如处理A、处理B、对照组等）。
- 计算各组内的方差：组内方差反映了每个组内数据的离散程度，表示由随机误差引起的差异。
- 计算组间方差：组间方差反映了不同组别之间数据的离散程度，表示由不同处理或因素引起的差异。
- 比较组间方差和组内方差：通过计算F统计量（F = 组间方差 / 组内方差），比较组间差异和组内差异的相对大小。
- 如果F值较大（即组间方差明显大于组内方差），说明不同组别之间的差异主要是由处理或因素引起的，此时可以推断各组均值存在显著差异。
- 如果F值较小（即组间方差与组内方差相近），说明不同组别之间的差异主要是由随机误差引起的，此时可以推断各组均值不存在显著差异。
- 根据F分布确定显著性水平：根据F统计量的值和自由度，在F分布表中查找对应的p值，判断结果是否达到统计学显著性水平（通常为0.05或0.01）。
- 如果p值小于显著性水平，说明各组均值差异显著，可以推断不同处理或因素对结果有显著影响。
- 如果p值大于显著性水平，说明各组均值差异不显著，可以推断不同处理或因素对结果没有显著影响
▷方差分析需要满足的条件：
- 独立性：各组数据应来自独立的随机样本，不同组别之间的数据相互独立。
- 正态性：各组数据应服从正态分布，或至少接近正态分布。这个条件对于大样本量（每组通常大于30）来说不太严格，但对于小样本量，正态性假设非常重要。
***正态性：最直观的方法可以通过图表来验证！（详细可参考t检验的正态性检验部分）
CSDN
https://mp.csdn.net/mp_blog/creation/editor/135490471
3.方差齐性：不同组别的总体方差应该相等，即满足方差齐性假设。这意味着各组数据的离散程度应该相近。
4.数据类型：因变量应该是连续型变量，自变量应该是分类型变量。
▷配对（対応あり）和独立（対応なし）方差分析的区别：
- 配对方差分析：
- 对应设计中，不同组别的数据是成对采集的，每一对数据来自同一个个体或相匹配的个体。（例如：学生学习完某课程之前和之后的成绩，教育学数据常用）
- 常见于重复测量设计，如前后测设计，每个个体接受不同的处理，然后比较处理前后的结果。
- 另一个例子是匹配受试者设计，如比较一对双胞胎或匹配的病例-对照组之间的差异。
- 对应设计可以消除个体间的差异对结果的影响，提高统计效力。
- 对应设计需要使用重复测量方差分析或配对t检验等方法进行分析。
- 独立方差分析：
- 无对应设计中，不同组别的数据是独立采集的，每个个体只接受一种处理或属于一个组别。（语言学数据常用）
- 常见于完全随机化设计，如将受试者随机分配到不同的处理组，然后比较不同组别之间的结果。
- 无对应设计中，个体间的差异可能会影响结果，需要较大的样本量来检测处理效应。
- 无对应设计需要使用单因素方差分析或独立样本t检验等方法进行分析。
2.方差分析和t检验的区别
方差分析（ANOVA）和t检验都是统计学中常用的假设检验方法，用于比较不同组别之间的均值差异是否显著。它们的主要区别如下：
- 适用场景(最主要区别！！时间紧的小伙伴读到这里直接确认自己的数据适合哪种)：
- t检验：适用于比较两个组别的均值差异。
- 方差分析：适用于比较三个或更多组别的均值差异。
- 原理：
- t检验：基于t分布，计算t统计量，并根据自由度得到p值，判断两组均值差异的显著性。
- 方差分析：基于F分布，通过比较组间和组内方差的比值（F统计量），判断各组均值差异的显著性。
- 事后检验：
- t检验：若比较多个组别，需要进行多次t检验，容易增加第一类错误（假阳性）的风险。
- 方差分析：若方差分析的结果显著，可以进行事后检验（如Tukey检验、Bonferroni校正等），进一步确定具体哪些组别之间存在显著差异。
- 统计效力：
- t检验：适用于小样本量的情况，但统计效力较低。
- 方差分析：适用于大样本量的情况，统计效力较高，更容易检测出组间差异。
总之，t检验适用于比较两个组别的均值差异，而方差分析适用于比较三个或更多组别的均值差异。在实际研究中，应根据研究设计和数据特点选择合适的方法。当需要比较多个组别时，方差分析是更优选的方法，并可通过事后检验进一步探究组间差异的具体情况。
3.方差分析代码（配对/独立+事后检验）
▷独立样本方差分析（语言学数据常用）
步骤：方差齐性检验→方差分析→事后检验→效应量
#安装需要的包（Google coloab的话要在pip前+“！”→！pip）
#检查python版本如果是python3需要安装pip3
pip install pandas scipy
pip install pingouin
pip install tabulate # 美化输出结果的，可以不用
import pandas as pd
import pingouin as pg
from tabulate import tabulate
# 创建示例数据
data = pd.DataFrame({
'Group': ['A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'C', 'C', 'C', 'C'],
'Score': [10, 12, 8, 15, 20, 18, 22, 19, 9, 7, 11, 8]
})
# 方差齐性检验（Levene检验）
levene_result = pg.homoscedasticity(data, dv='Score', group='Group', method='levene')
print("Levene's test for equality of variances:")
print(tabulate(levene_result, headers='keys', tablefmt='grid'))
# 单因素方差分析
anova_result = pg.anova(data, dv='Score', between='Group', detailed=True)
print("\nOne-way ANOVA:")
print(tabulate(anova_result, headers='keys', tablefmt='grid'))
# 事后检验（Tukey HSD检验）
posthoc_result = pg.pairwise_tukey(data, dv='Score', between='Group')
print("\nPost-hoc tests (Tukey HSD):")
print(tabulate(posthoc_result, headers='keys', tablefmt='grid'))输出结果：
Levene's test for equality of variances:
┌────────┬──────────────────┬──────────┬─────────┐
│ Source │ W │ ddof1 │ p-unc │
╞════════╪══════════════════╪══════════╪═════════╡
│ Group │ 1.704761904761905 │ 2.0 │ 0.23628 │
└────────┴──────────────────┴──────────┴─────────┘
One-way ANOVA:
┌───────────────────────────┬─────────┬──────────┬─────────┬───────────┬─────────────────────┐
│ Source │ ddof1 │ ddof2 │ F │ p │ np2 │
╞═══════════════════════════╪═════════╪══════════╪═════════╪═══════════╪═════════════════════╡
│ Group │ 2 │ 9 │ 41.25 │ 3.14e-05 │ 0.9015567765567765 │
└───────────────────────────┴─────────┴──────────┴─────────┴───────────┴─────────────────────┘
Post-hoc tests (Tukey HSD):
┌───────────┬─────────┬─────────┬───────────┬────────────┬───────────┐
│ A │ B │ C │ hedges │ p-tukey │ p-tukey │
│ │ │ │ │ │ (corrected) │
╞═══════════╪═════════╪═════════╪═══════════╪════════════╪═══════════╡
│ A │ │ │ │ │ │
├───────────┼─────────┼─────────┼───────────┼────────────┼───────────┤
│ B │ -7.8125 │ │ 5.83333 │ 2.3e-05 │ 6.9e-05 │
├───────────┼─────────┼─────────┼───────────┼────────────┼───────────┤
│ C │ 2.375 │ 10.1875 │ -1.66382 │ 0.176 │ 0.176 │
└───────────┴─────────┴─────────┴───────────┴────────────┴───────────┘分析：在独立方差分析的结果中，Levene检验的p值大于0.05，表明满足方差齐性假设。单因素方差分析的结果显示，组间差异显著（p=3.14e-05），事后检验（Tukey HSD检验）显示A组与B组之间存在显著差异（p=6.9e-05），而A与C、B与C之间的差异不显著（p值大于0.05）。
**具体在论文中如何呈现会根据期刊要求不同而不同，包括现在有些心理学和语言学期刊也会要求呈现效应量（效应量大小的标准贴在本文最后+参考文献）。
独立样本效应量 ：
#效应量
# 单因素方差分析
anova_result = pg.anova(data, dv='Score', between='Group', detailed=True)
print("One-way ANOVA:")
print(tabulate(anova_result, headers='keys', tablefmt='grid'))
# 计算η²
eta_squared = anova_result['SS'][0] / anova_result['SS'][2]
print(f"η² (Eta-squared): {eta_squared:.3f}")
# 计算partial η²
partial_eta_squared = anova_result['SS'][0] / (anova_result['SS'][0] + anova_result['SS'][1])
print(f"Partial η² (Partial Eta-squared): {partial_eta_squared:.3f}")One-way ANOVA:
┌───────────────────────────┬─────────┬──────────┬─────────┬───────────┬─────────────────────┐
│ Source │ ddof1 │ ddof2 │ F │ p │ np2 │
╞═══════════════════════════╪═════════╪══════════╪═════════╪═══════════╪═════════════════════╡
│ Group │ 2 │ 9 │ 41.25 │ 3.14e-05 │ 0.9015567765567765 │
└───────────────────────────┴─────────┴──────────┴─────────┴───────────┴─────────────────────┘
η² (Eta-squared): 0.902
Partial η² (Partial Eta-squared): 0.902η²和partial η²的值都为0.902，表示组别可以解释因变量变异的90.2%，效应量非常大。
▷配对样本方差分析（医学，心理学，教育学研究常用）
步骤：方差齐性检验→方差分析→事后检验→效应量
import pandas as pd
import pingouin as pg
from tabulate import tabulate
# 创建示例数据
data = pd.DataFrame({
'Subject': [1, 2, 3, 4, 5, 1, 2, 3, 4, 5, 1, 2, 3, 4, 5],
'Treatment': ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B', 'C', 'C', 'C', 'C', 'C'],
'Score': [10, 12, 8, 15, 11, 13, 14, 10, 16, 12, 9, 11, 7, 14, 10]
})
# 重塑数据为宽格式
data_wide = data.pivot(index='Subject', columns='Treatment', values='Score')
# 方差齐性检验（Levene检验）
levene_result = pg.homoscedasticity(data_wide, method='levene')
print("Levene's test for equality of variances:")
print(tabulate(levene_result, headers='keys', tablefmt='grid'))
# 重复测量方差分析
rm_anova_result = pg.rm_anova(data_wide, detailed=True)
print("\nRepeated measures ANOVA:")
print(tabulate(rm_anova_result, headers='keys', tablefmt='grid'))
# 事后检验（配对t检验，使用Bonferroni校正）
posthoc_result = pg.pairwise_ttests(data_wide, padjust='bonferroni')
print("\nPost-hoc tests (paired t-tests with Bonferroni correction):")
print(tabulate(posthoc_result, headers='keys', tablefmt='grid'))输出结果：
Levene's test for equality of variances:
┌────────┬──────────────────┬──────────┬─────────┐
│ Source │ W │ ddof1 │ p-unc │
╞════════╪══════════════════╪══════════╪═════════╡
│ Group │ 0.5257142857142857 │ 2.0 │ 0.60512 │
└────────┴──────────────────┴──────────┴─────────┘
Repeated measures ANOVA:
┌───────────────────────────┬─────────┬──────────┬───────────┬───────────┬─────────────────────┐
│ Source │ ddof1 │ ddof2 │ F │ p │ np2 │
╞═══════════════════════════╪═════════╪══════════╪═══════════╪═══════════╪═════════════════════╡
│ Treatment │ 2 │ 8 │ 7.06667 │ 0.0165 │ 0.6386554621848739 │
├───────────────────────────┼─────────┼──────────┼───────────┼───────────┼─────────────────────┤
│ Subject │ 4 │ 8 │ 15.6444 │ 0.000837 │ 0.8866925064599483 │
└───────────────────────────┴─────────┴──────────┴───────────┴───────────┴─────────────────────┘
Post-hoc tests (paired t-tests with Bonferroni correction):
┌───────────┬────────────┬─────────┬─────────┬───────────┬─────────┬────────┐
│ Contrast │ Paired │ T │ dof │ Tail │ p-unc │ p-corr │
╞═══════════╪════════════╪═════════╪═════════╪═══════════╪═════════╪════════╡
│ A - B │ True │ -3.1798 │ 4 │ two-sided │ 0.03364 │ 0.1009 │
├───────────┼────────────┼─────────┼─────────┼───────────┼─────────┼────────┤
│ A - C │ True │ 2.7386 │ 4 │ two-sided │ 0.05195 │ 0.1558 │
├───────────┼────────────┼─────────┼─────────┼───────────┼─────────┼────────┤
│ B - C │ True │ 4.4159 │ 4 │ two-sided │ 0.01153 │ 0.0346 │
└───────────┴────────────┴─────────┴─────────┴───────────┴─────────┴────────┘配对样本的效应量：
对于配对样本的重复测量方差分析，可以使用以下方法计算效应量：
- partial η² (Partial Eta-squared)：
- partial η² = SSbetween / (SSbetween + SSerror)
- 其中，SSbetween是处理的平方和，SSerror是处理与被试交互的平方和。
- Generalized η² (Generalized Eta-squared)：
- Generalized η² = SSbetween / SStotal
- 其中，SSbetween是处理的平方和，SStotal是总平方和。
- Generalized η²适用于重复测量设计，因为它考虑了处理与被试交互的影响。
import pingouin as pg
# 重复测量方差分析
rm_anova_result = pg.rm_anova(data_wide, detailed=True)
print("Repeated measures ANOVA:")
print(tabulate(rm_anova_result, headers='keys', tablefmt='grid'))
# 计算partial η²
partial_eta_squared = rm_anova_result['SS'][0] / (rm_anova_result['SS'][0] + rm_anova_result['SS'][1])
print(f"Partial η² (Partial Eta-squared): {partial_eta_squared:.3f}")
# 计算Generalized η²
generalized_eta_squared = rm_anova_result['SS'][0] / rm_anova_result['SS'].sum()
print(f"Generalized η² (Generalized Eta-squared): {generalized_eta_squared:.3f}")Repeated measures ANOVA:
┌───────────────────────────┬─────────┬──────────┬───────────┬───────────┬─────────────────────┐
│ Source │ ddof1 │ ddof2 │ F │ p │ np2 │
╞═══════════════════════════╪═════════╪══════════╪═══════════╪═══════════╪═════════════════════╡
│ Treatment │ 2 │ 8 │ 7.06667 │ 0.0165 │ 0.6386554621848739 │
├───────────────────────────┼─────────┼──────────┼───────────┼───────────┼─────────────────────┤
│ Subject │ 4 │ 8 │ 15.6444 │ 0.000837 │ 0.8866925064599483 │
└───────────────────────────┴─────────┴──────────┴───────────┴───────────┴─────────────────────┘
Partial η² (Partial Eta-squared): 0.639
Generalized η² (Generalized Eta-squared): 0.275在这里，partial η²为0.639，表示在控制被试个体差异后，处理可以解释因变量变异的63.9%。Generalized η²为0.275，表示处理可以解释总变异的27.5%。
<效应量参照>
水本篤，竹内理 (2008) 研究論文における効果量の報告のために. 基礎的概念と注意点. 英語教育研究, 31：57-66