4. 方差分析基本原理

在配方研究中，我们经常面对这样的问题：三种配方的抗压强度看起来不一样，但这种差异究竟是配方本身造成的，还是实验误差造成的？方差分析（ANOVA）正是回答这个问题的统计工具。它的核心思想可以用一句话概括：把数据的总变异拆成“组间变异”和“组内变异”，再比较两者的大小。如果组间变异明显大于组内变异，就说明因素（配方）对响应有显著影响。

一、总变异的来源：平方和分解

设共有 k 个处理组（例如 k=3 种配方），第 i 组有 n_i 次重复，总观测数为 N=Σn_i。记第 i 组第 j 个观测值为 y_ij，总均值为 ȳ，第 i 组均值为 ȳ_i。每个观测值与总均值的偏差可以写成两部分之和：

y_ij − ȳ = (ȳ_i − ȳ) + (y_ij − ȳ_i)

前一项是组均值偏离总均值的部分，反映处理效应；后一项是观测值偏离本组均值的部分，反映随机误差。把两边平方并对所有观测求和，交叉项恰好为零，于是得到平方和分解式：

SST = SSA + SSE

其中 SST 为总平方和，SSA 为组间（处理）平方和，SSE 为组内（误差）平方和。以三种配方各做 4 次重复、共 12 个抗压强度数据为例（以下数值为教学示例，非实测）：若算得 SST=486.0、SSA=312.5，则 SSE=486.0−312.5=173.5。这意味着总变异中有约 64% 来自配方差异，其余来自实验误差。

二、自由度与均方

平方和会随数据个数增加而增大，不能直接比较，必须除以对应的自由度化为均方（MS）。自由度的分配同样遵循可加性：

• 总自由度：df_T = N − 1 = 12 − 1 = 11
• 组间自由度：df_A = k − 1 = 3 − 1 = 2
• 组内自由度：df_E = N − k = 12 − 3 = 9

均方为 MSA = SSA/df_A = 312.5/2 = 156.25，MSE = SSE/df_E = 173.5/9 ≈ 19.28。MSE 是误差方差的无偏估计，也是后续所有显著性判断的“标尺”。

三、F 统计量与判断逻辑

检验统计量 F = MSA/MSE = 156.25/19.28 ≈ 8.10。在原假设“各配方均值相等”成立时，MSA 与 MSE 都估计同一个误差方差，F 值应在 1 附近波动；若配方确有影响，MSA 会被处理效应“撑大”，F 值随之增大。将 F 与临界值 F_0.05(2, 9)=4.26 比较，8.10 > 4.26，故拒绝原假设，认为配方对强度有显著影响。Minitab 会直接给出 P 值，判断规则更简洁：P < 0.05 即显著。

四、模型假设与残差的关系

上述 F 检验成立需要三个前提：观测相互独立、各组误差服从正态分布、各组误差方差相等（方差齐性）。这三个假设都作用在“误差项”上，而误差项在拟合模型后表现为残差。因此，方差分析表算完后，不能只看 P 值就下结论，还要检查残差是否满足假设——这正是后续残差图判读要解决的问题。若残差呈现喇叭形（方差随拟合值增大而增大）或明显弯曲，说明模型假设被破坏，F 检验的结论就不可靠，可能需要做数据变换或改用其他方法。

五、在 Minitab 中的对应操作

在 Minitab 中，将响应列（如“抗压强度”）放入“响应”，将配方因子放入“因子”，即可得到方差分析表。表中会列出各来源的 DF、Adj SS、Adj MS、F 值和 P 值，与上面手算的分解结构一一对应。对于配方研究，若因子是固定水平（如三种具体配比），应选择固定效应模型；若因子水平是从更大总体中随机抽取的，则需用随机效应模型，此时 F 的计算分母会发生变化，这一点在解读结果时要特别注意。

理解平方和分解与 F 检验的逻辑后，配方数据的方差分析就不再是软件输出的黑箱：每一个数字都能追溯到“变异从哪来、被什么解释、剩下多少归误差”。这也为后续用 Minitab 实际运行方差分析、并进一步判读残差图打下了理论基础。