固定效应方差分析(或其等效线性回归)提供了强大的方法系列来分析这些数据。为了说明这一点,这里的数据集与每晚平均HC图(每种颜色一个图)一致:
| Color
Day | B G R | Total
-------+---------------------------------+----------
1 | 117 176 91 | 384
2 | 208 193 156 | 557
3 | 287 218 257 | 762
4 | 256 267 271 | 794
5 | 169 143 163 | 475
6 | 166 163 163 | 492
7 | 237 214 279 | 730
8 | 588 455 457 | 1,500
9 | 443 428 397 | 1,268
10 | 464 408 441 | 1,313
11 | 470 473 464 | 1,407
12 | 171 185 196 | 552
-------+---------------------------------+----------
Total | 3,576 3,323 3,335 | 10,234
方差分析count
对day
与color
产生此表:
Number of obs = 36 R-squared = 0.9656
Root MSE = 31.301 Adj R-squared = 0.9454
Source | Partial SS df MS F Prob > F
-----------+----------------------------------------------------
Model | 605936.611 13 46610.5085 47.57 0.0000
|
day | 602541.222 11 54776.4747 55.91 0.0000
colorcode | 3395.38889 2 1697.69444 1.73 0.2001
|
Residual | 21554.6111 22 979.755051
-----------+----------------------------------------------------
Total | 627491.222 35 17928.3206
该model
的0.0000节目配合p值是非常显著。该day
的0.0000 p值也非常显著:可以检测到每一天的变化。但是,color
(学期)p值0.2001不应被认为是重要的:即使控制了每天的变化,您也无法检测到三个学期之间的系统差异。
Tukey的HSD(“诚实的显着差异”)测试可发现,日常平均值(不考虑学期)在0.05水平上具有以下显着变化(以及其他):
1 increases to 2, 3
3 and 4 decrease to 5
5, 6, and 7 increase to 8,9,10,11
8, 9, 10, and 11 decrease to 12.
这确认了眼睛在图中可以看到的内容。
由于图形跳动很大,因此无法检测到日常相关性(串行相关性),这是时间序列分析的整个要点。换句话说,不要理会时间序列技术:这里没有足够的数据可以为他们提供更大的洞察力。
人们应该总是想知道有多少人相信任何统计分析的结果。异方差性的各种诊断方法(例如Breusch-Pagan检验)都没有显示出任何不良之处。残差看起来不是很正常-它们会分成几组-因此所有p值都必须加上一粒盐。但是,它们似乎提供了合理的指导,并有助于量化我们从查看图表中可以获得的数据意义。
您可以对每日最小值或每日最大值进行并行分析。确保从相似的图开始作为参考,并检查统计输出。