解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同你好，
我进行了三向方差分析来观察因素（二氧化碳、灌溉和品种）对小麦籽粒数量的影响。
结果显示CO2与Cultivar的交互作用不显着(p>0.05)，但Tukey检验表明两者之间存在交互作用。
当我研究二氧化碳和灌溉的相互作用时，它们看起来类似于二氧化碳和品种的相互作用，但其效果测试实际上是显着的。
我不明白为什么多重比较显示有交互作用，但效果测试告诉我没有。
基础数据分析和建模回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同我不确定你在问我什么？ 我认为马克很好地解释了测试中的差异。 我的建议是暂时搁置统计测试。 绘制数据。 评估数据变化的实际意义。 调查数据中是否存在任何异常数据点（这可以通过先验预测结果来帮助）。 当它实际上是“特殊原因”数据点时，通常会分配更高阶的效应。 分析应始终遵循以下顺序：实用、图形、然后定量。
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同通常，如果我清楚地理解零假设是否被接受，则意味着平均值之间没有差异，因此不需要进行事后检验或预期组之间有任何差异，正如我们在第一个问题中看到的那样。 我们如何解释这一点？
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同8） ...所以斯塔特曼你说什么？
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同忍不住笑了……把啤酒吐了出来。 你是多么正确啊。
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同首先，我解释说，总体方差分析和个体效应检验分别基于添加一组项或一个项，而不是关于任何水平对的陈述。 另一方面，图基的比较是关于水平的。 尽管 Tukey 调整了比较次数，以便 I 类错误率是实验性的而不是比较性的，但它仍然（显然）为 0.05，因此当您到目前为止像示例一样进行足够的测试时，您可能会得到误报。
看来您正在尝试很多不同的比较。 您的实验设计不足以支持如此多的测试。 该设计假设您正在做出特定的推论。 在获得阳性结果之前，请小心避免“挑选樱桃”。
无论哪种情况，如果您相信 Tukey 方法发现的比较，那么您需要用新的独立观察来确认它们。
最后，在 statman 有机会问之前，无论统计显着性如何，这些差异是否有意义或实际上很重要？
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同当进行双向方差分析（不考虑灌溉效应）时，我发现上述交互作用并不显着，同样对交互项进行了火鸡测试。 我不可能理解为什么我们在进行三向方差分析时会有差异（如上所述）。 在这种情况下，我需要考虑所有术语（主要因素），我该做什么，或者更确切地说，我如何表示这种差异。 您能在这里帮忙指导一下吗？
回复：解释三向方差分析：相互作用的效果测试不显着，但事后似乎显着不同您可能会得到不同的答案，因为这些测试提出两个不同的问题。 效果检验是询问当该项与其他项一起添加时，该项作为一个整体是否会显着改变模型。 它基于与添加该项相关的平方和。 可能没有足够的证据（均方）来表明显着项（F 比）。 另一方面，Tukey 检验询问因子水平组合的最小二乘均值之间的差异。 因此，整个项的检验可能并不显着，但某些因子水平组合之间的差异却很显着。 他们经常同意，但实际上并没有要求他们必须这样做。
