为啥要做显著性分析？

 

简单来说，当我们做实验得到一堆数据后，得知道这些数据里呈现出的差异到底是真的有意义，还是只是偶然出现的波动。显著性分析就像是一个“数据裁判”，能帮我们判断不同组数据之间的差异是不是靠谱，让我们的研究结论更有说服力。比如说，研究某种药物对病症的治疗效果，通过显著性分析，我们才能确定观察到的病情改善是不是因为药物起作用，而不是随机因素导致的。

 

常用的显著性分析方法

 

T 检验

 

• 适用场景：主要用于两组数据的比较，像是比较实验组和对照组的某个指标均值是否存在显著差异。比如对比对照组和实验处理组来明确处理是否有效果。

 

• 实现方式：在 R 语言中，使用t.test()函数就能轻松搞定。两组数据group1和group2，代码：t.test(group1, group2)，运行后就能得到 t 值、p 值等关键结果。

 

方差分析（ANOVA）

 

• 适用场景：当我们要比较三组及以上数据的均值差异时，方差分析就派上用场了。例如研究不同肥料对农作物产量的影响，有多种肥料类型的实验组和一个对照组。

 

• 实现方式：R 语言里的aov()函数是常用工具。三组数据groupA、groupB、groupC，代码为aov_result <- aov(response_variable ~ group_variable, data = your_data_frame)，其中response_variable是要分析的因变量（如农作物产量），group_variable是自变量（如肥料类型），然后通过summary(aov_result)查看分析结果。

 

卡方检验

 

• 适用场景：常用于分析分类数据的关联性和独立性。比如调查不同性别对某种产品的偏好是否存在显著差异，性别和产品偏好就是两个分类变量。

 

• 实现方式：在 R 中，chisq.test()函数。chisq.test(contingency_table)就能给出卡方值、自由度和 p 值等结果，让我们判断分类变量之间的关系是否显著。

 

结果解读

 

当得到显著性分析的结果，重点关注 p 值哦。一般来说，如果 p 值小于设定的显著性水平（常见的是 0.05），那就意味着数据中的差异是显著的，研究假设可能是成立的；反之，如果 p 值大于 0.05，就说明差异可能不显著，要谨慎下结论，也需要进一步优化实验或者分析方法。

 

注意事项

 

• 数据独立性：确保数据集中的每个观测值都是独立的，不然会严重影响分析结果的准确性。比如在抽样调查时，不能有重复抽样或者关联性抽样的情况。

 

• 样本量合理性：样本量过小可能导致检测不出真实存在的差异，而样本量过大可能会把微小的、无实际意义的差异也检测出来。所以要根据研究目的和总体情况，合理确定样本量。

 

• 数据分布假设：像 t 检验和方差分析通常要求数据满足正态分布等假设条件，如果数据不满足，可能需要先进行数据转换（如对数转换）或者选择非参数检验方法，不然结果可能不准确哦。

 

如何进行显著性差异abcd字母标注法？

 

一、显著性分析

 

通常显著性分析后三种标注差异结果的方式：1，用*标注；2，直接用P值标注；3，或用abcd标注。

 

第一种和第二种一般适应于组别较少的。

 

第三种组别多是，用abcd比较，又称多重比较。

 

多重比较和两两比较是不一样的。不能简单理解为多重比较就是包含多个两两比较而已。因为（1）误差由多个处理内的变异合并估计，自由度增大了，因而比较的精确度也增大了；（2）由于F测验显著，证实处理间总体上有真实差异后再做的两两平均数的比较，不大会想单独比较是那样蒋个别偶然性的误差误判为真实误差。

 

二、abcd标注步骤

 

首先将全部平均数从大到小依次排列，然后在最大的平均数上标上字母a；

 

并将该平均数与以下各平均数相比，凡相差不显著的，都标上字母a，直至某一个与之相差显著的平均数，标记字母b；

 

再以该标有b的该平均数为标准，与上方各个比它大的平均数比较，凡不显著的也一律标以字母b；再以标有b的最大平均数为标准，与以下各未标记的平均数比，凡不显著的继续标以字母b，直至遇到某一个与其差异显著的平均数标记c。

 

凡有一个相同标记字母的即为差异不显著,凡具不同标记字母的即为差异显著.

 

小写字母表示显著水平α = 0.05；大写字母表示显著水平α = 0.01

 

举个栗子：如何使用prism计算显著性并标注字母

 

 

四个药剂对病害真菌的抑制率比较

 

1，首先是输入数据，然后点击graphs生称图片

 

 

2，在result选择中，选择单因素方差分析

 

 

点击ok后设置下比对参数

 

 

 

 

这里我们选择是新复极差法。

 

 

然后根据结果在图中标注显著性差异字母。

 

 

三、多重比较的方法

 

多重比较一般含有三种方法：最小显著差数法，q检验和新复极差法。

 

LSD法（最小显著差数法）：适用于一对或几对在专业上有特殊意义的样本均数间的比较。LSD法是最简单的比较方法之一，它实际上只是t检验的一种简单变形，未对检验水准做任何校正，只是在标准误的计算上充分利用了样本信息。

 

q检验：适用于多个样本均数两两之间的全面比较。SNK-q检验是一种基于预先指定的准则将各组均值分为多个亚组，利用Studentized Range分布进行假设检验的方法，并根据所要检验的均值个数调整总的“弃真”错误概率不超过设定的显著性水平a。

 

新复极差法：全称为Tukey's Honestly Significant Difference法。应用这种方法要求各组样本含量相同。Tukey法也是利用Studentized Range分布来进行各组均数间的比较，与SNK法不同的是，它控制所有比较中最大的“弃真”错误概率不超过设定的显著性水平a。

 

选择依据：

 

如果否认正确的（即犯α错误）是事关重大或后果严重的，应用q检验；这是宁愿使犯β错误的风险较大而不使犯α错误有较大风险的情况。

 

如果承受不正确的（即β错误）是事关重大或后果严重的，那么易采用PLSD（LSD的另一种形式）或SSR（最小显著极差法）测验，这是宁愿冒较大的α错误的风险，而不愿冒较大的β错误的风险的情况。

 

在一般的农业试验研究中，较为广泛应用的是PLSD测验法和SSR测验法。

 

 

来源：iRice 科研君

关键词： 显著性分析