試驗(yàn)中要考察的指標(biāo)稱為試驗(yàn)指標(biāo)，影響試驗(yàn)指標(biāo)的條件稱為因素，因素所處的狀態(tài)稱為水平 (通常用于3個(gè)或更多水平時(shí)；如果只有2個(gè)水平考慮T-test);若試驗(yàn)中只有一個(gè)因素改變則稱為單因素試驗(yàn)，若有兩個(gè)因素改變則稱為雙因素試驗(yàn)，若有多個(gè)因素改變則稱為多因素試驗(yàn)。

方差分析就是對試驗(yàn)數(shù)據(jù)進(jìn)行分析，檢驗(yàn)方差相等的多個(gè)正態(tài)總體 均值是否相等，進(jìn)而判斷各因素對試驗(yàn)指標(biāo)的影響是否顯著；根據(jù)影響試驗(yàn)指標(biāo)條件的個(gè)數(shù)可以區(qū)分為單因素方差分析、雙因素方差分析和多因素方差分析。(來源于：百度百科)

方差分析中的因素

方差分析中的因素通常是人為選定或可控的影響條件，如對樣品的人為處理、樣品自身的標(biāo)記屬性等。不可控因素如病人的心情、試驗(yàn)操作人的心情等一般不視為因素或不作為關(guān)注的因素；(還有一些不可控因素或通常認(rèn)為不會(huì)帶來很多影響的因素，如不同的取樣時(shí)間、不同的RNA提取時(shí)間、提取人、細(xì)胞所處的分裂周期等；在某些情況下，如果我們記錄了這些因素并且關(guān)心這些因素時(shí)，也會(huì)變?yōu)榉讲罘治鲋械囊蛩?。

舉個(gè)例子，比如病人服用不同濃度藥物后基因表達(dá)變化試驗(yàn)中：

• 基因表達(dá)是試驗(yàn)指標(biāo);

• 藥物濃度是因素，假設(shè)有3個(gè)水平低濃度、中濃度和高濃度。

這就是單因素方差分析 (one-way ANOVA)，比較病人服用不同濃度藥物后基因表達(dá)的均值是否相等；

如果同時(shí)考慮病人的年齡的影響，則

• 年齡也是因素，有多個(gè)水平比如幼年、青年、成年、老年等。

這就是兩因素方差分析 (two-way ANOVA)，比較用藥濃度和年齡對基因表達(dá)變化的影響，稱為“主效應(yīng)”影響；有時(shí)還需要同時(shí)比較濃度+年齡組成的新變量對基因表達(dá)變化的影響，稱為“交互效應(yīng)”影響。(如果只是比較濃度+年齡組成的新變量對基因表達(dá)變化的影響，就又是單因素方差分析了)

如果再考慮病人的籍貫、藥物種類、吃藥時(shí)間、病人Marker突變等的影響，就是多因素方差分析了。

方差分析中的試驗(yàn)指標(biāo)

試驗(yàn)中要考察的指標(biāo)稱為試驗(yàn)指標(biāo)。在上面的例子中基因表達(dá)是一個(gè)試驗(yàn)指標(biāo)，不過很籠統(tǒng)，默認(rèn)為是單個(gè)基因的表達(dá)，稱為一元方差分析。

那如果是關(guān)注兩個(gè)基因或所有基因的表達(dá)變化整體是否有差異呢？

這就是多元方差分析，每組樣本不是只包含一個(gè)試驗(yàn)指標(biāo)而是多個(gè)試驗(yàn)指標(biāo)。

表現(xiàn)在數(shù)據(jù)形式上：

• (一元)方差分析是比較多組向量的均值是否存在顯著差異。

• 多元方差分析是比較多組矩陣的均值是否存在顯著差異。

因此，比較多組樣本整體基因表達(dá)的差異、多組樣本整體菌群構(gòu)成的差異，就需要多元方差分析了。

多元方差分析

在統(tǒng)計(jì)學(xué)中，多元方差分析 (MANOVA, multivariate analysis of variance) 是一種對多個(gè)分組中檢測了多個(gè)指標(biāo)變量 (這里的變量等同于上面的指標(biāo)；如每個(gè)樣本中每個(gè)物種的豐度信息、每個(gè)樣本中每個(gè)基因的表達(dá)信息)的樣本整體均值的檢驗(yàn)方法 ?。作為一個(gè)多變量過程，它在有兩個(gè)或多個(gè)因變量時(shí)使用，并且通常會(huì)分別涉及各個(gè)因變量的顯著性檢驗(yàn)。它有助于回答：

自變量 (因素)的變化是否對因變量 (試驗(yàn)指標(biāo))有顯著影響？

因變量之間有什么關(guān)系？

自變量之間有什么關(guān)系？

注: 對應(yīng)上面 - 所有的因素都是自變量 (independent variable)，而試驗(yàn)指標(biāo)是因變量 (dependent variable)。這在看英文文獻(xiàn)或不同教程時(shí)需要注意描述差異。

多元方差分析 (MANOVA, multivariate analysis of variance)的前提假設(shè)可類比于一元方差分析 (觀測指標(biāo)值的獨(dú)立性、正態(tài)性、方差齊性)

數(shù)據(jù)獨(dú)立性。

每個(gè)分組內(nèi)的檢測指標(biāo)符合多元正態(tài)分布。

每個(gè)分組內(nèi)的檢測指標(biāo)的協(xié)方差矩陣一致。

但在很多生物、生態(tài)和環(huán)境數(shù)據(jù)集中，多元方差分析的前提假設(shè)通常難以滿足。

一些魯棒性更強(qiáng)、對數(shù)據(jù)分布依賴更少的檢驗(yàn)方法被提出來并且獲得廣泛應(yīng)用，如ANOSIM (analysis of similarities), PERMANOVA (permutational multivariate analysis of variance) (也稱為NPMANOVA, non-parametric MNOAVA), 和Mantel test。這些方法都通過一個(gè)樣本間的距離矩陣或相似性矩陣構(gòu)建ANOVA分析類似的統(tǒng)計(jì)量，然后對每組的觀測結(jié)果進(jìn)行隨機(jī)置換來計(jì)算顯著性P-value。對于單因素分析，對數(shù)據(jù)唯一的假設(shè)條件就是觀察指標(biāo)數(shù)據(jù)存在可置換性 (exchangeability)。

下面我們再介紹如何應(yīng)用PERMANOVA來檢驗(yàn)PcOA等的結(jié)果的顯著性。

往期精品(點(diǎn)擊圖片直達(dá)文字對應(yīng)教程)

機(jī)器學(xué)習(xí)

后臺(tái)回復(fù)“生信寶典福利第一波”或點(diǎn)擊閱讀原文獲取教程合集

總結(jié)

以上是生活随笔為你收集整理的方差分析中的“元”和“因素”是什么？的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。