在實際應用中，一個實驗的指標往往受到多個因素的影響。

例如飲料的銷量有可能受到銷售地區或者飲料顏色的影響。在方差分析中，若把飲料的顏色看做影響銷量的因素A，把銷售地區看做影響因素B。同時對因素A和因素B進行分析，就稱為雙因素方差分析。

a b c a1 b1 20 a1 b2 22 a1 b3 24 a1 b4 16 a1 b5 26 a2 b1 12 a2 b2 10 a2 b3 14 a2 b4 4 a2 b5 22 a3 b1 20 a3 b2 20 a3 b3 18 a3 b4 8 a3 b5 16 a4 b1 10 a4 b2 12 a4 b3 18 a4 b4 6 a4 b5 20 a5 b1 14 a5 b2 6 a5 b3 10 a5 b4 18 a5 b5 10 from statsmodels.formula.api import ols from statsmodels.stats.anova import anova_lmformula = 'c~ a + b ' anova_results = anova_lm(ols(formula,df).fit()) print(anova_results) df sum_sq mean_sq F PR(>F) a 4.0 335.36 83.84 3.874307 0.021886 b 4.0 199.36 49.84 2.303142 0.103195 Residual 16.0 346.24 21.64 NaN NaN

檢驗的結論：

因素A的p值0.021886<0.05,拒絕原假設，說明飲料顏色對銷量有顯著影響；而因素B的p值0.103195>0.05,不能拒絕原假設，因此沒有充分的理由說明銷售地區對銷量有顯著影響。

然而，我們知道了顏色對銷量有顯著影響，那么是哪種顏色呢？
使用tukey方法對顏色進行多重比較

from statsmodels.stats.multicomp import pairwise_tukeyhsd print(pairwise_tukeyhsd(df['c'], df['a'])) Multiple Comparison of Means - Tukey HSD,FWER=0.05 ============================================== group1 group2 meandiff lower upper reject ----------------------------------------------1 2 -9.2 -19.0855 0.6855 False 1 3 -5.2 -15.0855 4.6855 False 1 4 -8.4 -18.2855 1.4855 False 1 5 -10.0 -19.8855 -0.1145 True 2 3 4.0 -5.8855 13.8855 False 2 4 0.8 -9.0855 10.6855 False 2 5 -0.8 -10.6855 9.0855 False 3 4 -3.2 -13.0855 6.6855 False 3 5 -4.8 -14.6855 5.0855 False 4 5 -1.6 -11.4855 8.2855 False ----------------------------------------------

結果說明：1和5的reject=True，說明這兩種顏色有顯著性差異

總結

以上是生活随笔為你收集整理的Python 多因素方差分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。