解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同你好，
我進行了三向方差分析來觀察因素（二氧化碳、灌溉和品種）對小麥籽粒數量的影響。
結果顯示CO2與Cultivar的交互作用不顯著(p>0.05)，但Tukey檢驗表明兩者之間存在交互作用。
當我研究二氧化碳和灌溉的相互作用時，它們看起來類似於二氧化碳和品種的相互作用，但其效果測試實際上是顯著的。
我不明白為什麼多重比較顯示有交互作用，但效果測試告訴我沒有。
基礎數據分析和建模回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同我不確定你在問我什麼？ 我認為馬克很好地解釋了測試中的差異。 我的建議是暫時擱置統計測試。 繪製數據。 評估數據變化的實際意義。 調查數據中是否存在任何異常數據點（這可以通過先驗預測結果來幫助）。 當它實際上是“特殊原因”數據點時，通常會分配更高階的效應。 分析應始終遵循以下順序：實用、圖形、然後定量。
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同通常，如果我清楚地理解零假設是否被接受，則意味著平均值之間沒有差異，因此不需要進行事後檢驗或預期組之間有任何差異，正如我們在第一個問題中看到的那樣。 我們如何解釋這一點？
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同8） ...所以斯塔特曼你說什麼？
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同忍不住笑了……把啤酒噴出來了。 你是多麼正確啊。
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同首先，我解釋說，總體方差分析和個體效應檢驗分別基於添加一組項或一個項，而不是關於任何水平對的陳述。 另一方面，圖基的比較是關於水平的。 儘管 Tukey 調整了比較次數，以便 I 類錯誤率是實驗性的而不是比較性的，但它仍然（顯然）為 0.05，因此當您到目前為止像示例一樣進行足夠的測試時，您可能會得到誤報。
看來您正在嘗試很多不同的比較。 您的實驗設計不足以支持如此多的測試。 該設計假設您正在做出特定的推論。 在獲得陽性結果之前，請小心避免“挑選櫻桃”。
無論哪種情況，如果您相信 Tukey 方法發現的比較，那麼您需要用新的獨立觀察來確認它們。
最後，在 statman 有機會問之前，無論統計顯著性如何，這些差異是否有意義或實際上很重要？
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同當進行雙向方差分析（不考慮灌溉效應）時，我發現上述交互作用並不顯著，同樣對交互項進行了火雞測試。 我不可能理解為什麼我們在進行三向方差分析時會有差異（如上所述）。 在這種情況下，我需要考慮所有術語（主要因素），我該做什麼，或者更確切地說，我如何表示這種差異。 您能在這裡幫忙指導一下嗎？
回复：解釋三向方差分析：相互作用的效果測試不顯著，但事後似乎顯著不同您可能會得到不同的答案，因為這些測試提出兩個不同的問題。 效果檢驗是詢問當該項與其他項一起添加時，該項作為一個整體是否會顯著改變模型。 它基於與添加該項相關的平方和。 可能沒有足夠的證據（均方）來表明顯著項（F 比）。 另一方面，Tukey 檢驗詢問因子水平組合的最小二乘均值之間的差異。 因此，整個項的檢驗可能並不顯著，但某些因子水平組合之間的差異卻很顯著。 他們經常同意，但實際上並沒有要求他們必須這樣做。
