3. 单因素方差分析在化工配方筛选中的应用
在化工配方筛选中，研究者常常需要比较三种或更多催化剂配方对同一目标指标（如收率、选择性或转化率）的影响。若两两做 t 检验，不仅比较次数多，还会放大第一类错误概率。单因素方差分析（One-way ANOVA）正是解决“多个水平均值是否整体存在差异”的标准工具：它把总变异分解为“组间变异”和“组内变异”，用二者的比值构造 F 统计量，从而判断因素水平是否对响应产生显著影响。
一、模型结构与假设
设因素 A 有 k 个水平（k 种配方），第 i 个水平做 ni 次重复实验，观测值为 yij。单因素方差分析的线性模型为：
y_ij = μ + τ_i + ε_ij
其中：μ 为总均值，τ_i 为第 i 个水平的效应（Σn_i·τ_i = 0），
ε_ij ~ N(0, σ²) 且相互独立模型对应三条基本假定：独立性（各次实验互不影响）、正态性（残差服从正态分布）、方差齐性（各组总体方差相等）。检验的原假设与备择假设为：
H0: μ1 = μ2 = … = μk （各配方均值无显著差异）
H1: 至少有一对 μi ≠ μj （存在配方均值差异）需要强调：拒绝 H0 只说明“至少有一个水平不同”，并不指明是哪一对不同，后续需用多重比较（如 Tukey HSD 或 LSD）定位差异来源。
二、F 统计量的构造与计算
方差分析的核心是平方和分解：总平方和 SST 拆为组间平方和 SSA 与误差平方和 SSE，自由度同步分解。计算式如下：
SST = ΣΣ(y_ij - ȳ..)² df_T = N - 1
SSA = Σ n_i(ȳ_i. - ȳ..)² df_A = k - 1
SSE = ΣΣ(y_ij - ȳ_i.)² df_E = N - k
MSA = SSA / df_A, MSE = SSE / df_E
F = MSA / MSE直观理解：MSA 反映“配方不同带来的差异”，MSE 反映“同一配方下重复实验的随机波动”。若配方效应真实存在，MSA 会明显大于 MSE，F 值偏大；在 H0 成立时 F 服从 F(k−1, N−k) 分布，当 F > Fα(k−1, N−k) 或 p < α 时拒绝 H0。通常取 α = 0.05。
三、案例：四种催化剂配方的收率比较
某精细化工中间体合成中，拟从四种催化剂配方 A、B、C、D 中择优。固定温度 80 ℃、压力 0.5 MPa、反应时间 4 h，每种配方独立重复 4 次，测得收率（%）如下（以下数据为教学示例，非实测结果）：
| 配方 | 重复1 | 重复2 | 重复3 | 重复4 | 组均值 ȳ_i. |
|---|---|---|---|---|---|
| A | 78.2 | 79.5 | 77.8 | 78.9 | 78.60 |
| B | 82.1 | 83.4 | 81.7 | 82.8 | 82.50 |
| C | 79.0 | 80.2 | 78.6 | 79.8 | 79.40 |
| D | 84.3 | 85.1 | 83.9 | 84.7 | 84.50 |
总均值 ȳ.. = (78.60+82.50+79.40+84.50)/4 = 81.25，N = 16，k = 4。逐项计算：
SSA = 4×[(78.60−81.25)² + (82.50−81.25)²
+ (79.40−81.25)² + (84.50−81.25)²]
= 4×(7.0225 + 1.5625 + 3.4225 + 10.5625)
= 4×22.57 = 90.28
SSE = Σ各组内离差平方和
A: 0.16+0.81+0.64+0.09 = 1.70
B: 0.16+0.81+0.64+0.09 = 1.70
C: 0.16+0.64+0.64+0.16 = 1.60
D: 0.04+0.36+0.36+0.04 = 0.80
SSE = 5.80
MSA = 90.28 / 3 = 30.09
MSE = 5.80 / 12 = 0.483
F = 30.09 / 0.483 ≈ 62.3查表得 F0.05(3, 12) = 3.49。因 62.3 ≫ 3.49，p 远小于 0.05，拒绝 H0，说明四种配方收率均值存在显著差异。进一步用 Tukey HSD 比较，可判断 D 与 B 显著高于 A、C，而 D 又优于 B，最终推荐配方 D。同时应检查残差正态性与方差齐性（如 Levene 检验），本例各组方差接近，假定基本成立。