zweifaktorielle blockanlage fruchtart winterweizen faktor n = stickstoffdüngung (0, 80, 160, 240 kg...
TRANSCRIPT
Zweifaktorielle BlockanlageFruchtart WinterweizenFaktor N = Stickstoffdüngung (0, 80, 160, 240 kg /ha)Faktor S = Sorte (Monopol, Batis, Hybnos)
S1 S3 S2 S1 S2 S3 S3 S2 S1 S3 S1 S2
N1 N4 N2 N3 N3 N1 N3 N4 N2 N2 N4 N1
S2 S3 S1 S3 S2 S1 S1 S3 S2 S2 S1 S3
N3 N1 N1 N4 N1 N3 N4 N2 N2 N4 N2 N3
S2 S1 S3 S1 S2 S3 S3 S2 S1 S3 S2 S1
N2 N1 N3 N2 N4 N2 N1 N1 N3 N4 N3 N4
S1 S2 S3 S3 S1 S2 S2 S3 S1 S2 S3 S1
N4 N1 N3 N4 N2 N2 N4 N2 N1 N3 N1 N3
Landwirtschaftliche Versuchsanlagen
(Skript Seite 27)
Grundsätzliches
Messwerte im Experiment werden durch verschiedene Fehlerkomponenten verzerrt:
Grobe Fehler:
Irrtum, Nachlässigkeit oder extreme Witterungsverhältnisse
Systematische Streuungsursachen:
z.B. kontinuierliche Bodenunterschiede
Zufällige Streuungsursachen:
zufällige Bodenunterschiede, Einwirkungen auf die Pflanzengesundheit,
Technisch bedingte ungenaue Arbeitsweise von Maschinen und Geräten,
genetisch bedingte Variabilität, Wildverbiss
Ziel der Versuchsplanung
Systematische Fehler
kontrollieren
gleichmäßig auf Prüfglieder verteilen
Zufällige Fehler
minimieren
gleichmäßig auf Prüfglieder verteilen
Fehlervarianz schätzen
Prinzipien der Versuchsplanung
Fehlervarianz (Versuchsfehler) kann geschätzt werden wenn WIEDERHOLUNGEN vorhanden
Prüfglieder zufällig auf Parzellen verteilen
RANDOMISATION
Randomisation ist wichtig, um zufällige Effekte tatsächlich zufällig auf die Prüfglieder zu verteilen
Benachbarte Parzellen sind sich ähnlicher als weit entfernte
Blockbildung
Vollständig randomisierte Anlage (CRD)
(-) Kein Ausgleich von Trends im Boden möglich
(+) maximale Anzahl Freiheitsgrade
A B C A
D D B C
D C A B
A B C D
Blockanlage (RCB)
• (+) Bodenunterschiede zwischen Blöcken gehen nicht in Versuchsfehler ein!
• (-) Blöcke kosten (r-1) Freiheitsgrade
• Bodenunterschiede innerhalb Blöcken gehen in Versuchsfehler > Blöcke nicht zu groß
A B D CBlock 4
C D A BBlock 3
B D C ABlock 2
D A B CBlock 1
Modell Blockanlage
yij = µ + ai + bj + eij
wobei:
µ Allgemeiner Mittelwert
ai Effekt der i-ten Behandlung
bj Effekt des j-ten Blocks
eij Fehler der Parzelle mit i-ter Behandlung im j-ten Block ~N(0, σ²e)
F-Test Faktor A F = MQA / MQe
Blockeffekt F = MQB / MQe
Lateinisches Quadrat (Latin Square)
• (+) Bodenausgleich in 2 Richtungen
• (-) Blöcke und Säulen kosten Freiheitsgrade
• Blöcke sollten nicht zu groß sein
B C D ABlock 4
C D A BBlock 3
D A B CBlock 2
A B C DBlock 1
Sae
1
Sae
2
Sae
3
Sae
4
Modell Lateinisches Quadrat
yij = µ + ai + bj + ck + eij
wobei:
µ Allgemeiner Mittelwert
ai Effekt der i-ten Behandlung
bj Effekt des j-ten Blocks
cj Effekt der k-ten Säule
eijk Fehler der Parzelle mit i-ter Behandlung im j-ten Block ~N(0, σ²e)
F-Test Faktor A F = MQA / MQe
Blockeffekt F = MQB / MQe
Säuleneffekt F = MQC / MQe
Gitteranlage (Lattice)
Ziel kleinere Blöcke > unvollständige Blöcke
Nicht mehr alle Prüfglieder in jedem Block
Prüfgliedmittelwerte werden um Blockeffekte (Bodeneffekte) adjustiert
Beliebt: Zwei- und Dreisatzgitter (=Gitterquadrate)
Entwickeln von Gitterplänen
7 8 9 3 6 9 7 2 64 5 6 2 5 8 4 8 31 2 3 1 4 7 1 5 9
Wh. I I Wh. I I I
WiederholungI und I I wie
Zweisatzgitter: 9 Varianten Dreisatzgitter: 9 Varianten
ZweisatzgitterWh. I
• Nicht alle Vergleiche mit gleicher Präzision möglich!
• Prüfglieder 1, 6 und 8 niemals im gleichen Block, d.h. nur indirekte Vergleiche möglich
7 x 7 Gitter (49 Prüfglieder)
1 24 20 5 44 31 41 14 39 25 9 47 7 17 34 30 26 8 49 40 19 6
2 48 32 37 12 21 1 27 43 18 35 4 11 42 22 23 46 10 3 29 16 38 2. Wdh.
3 43 44 45 46 47 48 49 R R R R R R R 36 13 45 28 33 2 15
4 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 1. Wdh.
5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
• Jeweils sieben Parzellen bilden einen Block
• Jeweils sieben Blöcke bilden eine Wiederholung
Modell Gitteranlage
yij = µ + ai + rk + b(r)jk + eij
wobei:
µ Allgemeiner Mittelwert
ai Effekt der i-ten Behandlung
rk Effekt der k-ten vollständigen Wiederholung
b(r)jk Effekt des j-ten unvollständigen Blocks innerhalb der k-ten Wiederholung ~N(0, σ²b)
eijk Fehler der Parzelle mit i-ter Behandlung im j-ten Block der k-ten Wdh. ~N(0, σ²e)
Mehrfaktorielle Versuchsanlagen
Pläne für mehrfaktorielle Versuche
Prinzipiell kann jeder mehrfaktorielle Versuch auch als Block- oder Gitteranlage angelegt werden!
Kombination der Faktorstufen ist dann Versuchsglied
Normalfall jedoch Spaltanlage
Spaltanlage (Split-Plot)
2 Fungizidstufen, 10 Sorten
> Großteilstücke / Kleinteilstücke
3 7 1 8 2 10 5 4 9 6 ohne Fungizid
6 8 5 2 10 7 1 9 4 3 mit Fungizid
mit Fungizid
ohne Fungizid
mit Fungizid
ohne Fungizid
1. Wdh.
2. Wdh.
3. Wdh.
Spaltanlage
Vorteil:
Einfache Anlage auf dem Feld
Nachteil:
Statistische Analyse wird komplizierter (zweiter Fehlerterm: Großteilstückfehler)
Weil mehr als ein Fehlerterm: „Gemischtes Modell“
Modell Spaltanlage
yijk = µ + ai + rk + raik + bj + abij + eijk
µ Allgemeiner Mittelwert
rk Effekt der k-ten Wiederholung
ai Effekt der i-ten Saatzeit
raik Fehler des ik-ten Großteilstücks ~N(0, σ²ra)
bj Effekt der j-ten Sorte
abij Interaktion zwischen i-ter Saatzeit und j-ter Sorte
eijk Fehler der Parzelle mit i-ter Saatzeit und j-ter Sorte in der k-ten Wiederholung ~N(0, σ²e)
F-Tests Faktor A F = MQA / MQRA
Faktor B F = MQB / MQe
Interaktion A*B F = MQA*B / MQe
Standardfehler der Differenz für Vergleich der Stufen des Großteilstückfaktors (A)
Anzahl Freiheitsgrade = (a-1)(r-1)
MQra Großteilstückfehler (Behandlung*Wdh)
rb Anzahl Parzellen je Großteilstückfaktorstufe (= Anzahl Kleinteilstückfaktorstufen x Anzahl Wiederholungen)
rb
MQs
rad
2
Standardfehler der Differenz für Vergleich der Stufen des Kleinteilstückfaktors (B)
Anzahl Freiheitsgrade = a(b-1)(r-1)
MQe Kleinteilstück- bzw. Restfehler
ra Anzahl Parzellen je Kleinteilstückfaktorstufe (= Anzahl Großteilstückfaktorstufen x Anzahl Wiederholungen)
ra
MQs
ed
2
Standardfehler der Differenz für Vergleich der Stufen des Kleinteilstückfaktors (B) auf gleicher Stufe des
Großteilstückfaktors (A)
Anzahl Freiheitsgrade = a(b-1)(r-1)
MQe Kleinteilstück- bzw. Restfehler
r Anzahl Wiederholungen
r
MQs
ed
2
Standardfehler der Differenz für Vergleiche von Kleinteilstückfaktorstufen (A) auf unterschiedlichen
Großteilstückfaktorstufen (B)
MQra Großteilstückfehler
MQe Kleinteilstück- bzw. Restfehler
a Anzahl Großteilstückfaktorstufenb Anzahl Kleinteilstückfaktorstufenr Anzahl Wiederholungen
rb
MQbMQs
erad
])1([2
²)(²)1()1(
]²)1[()1()1(
rae
rae
MQaMQba
MQMQbaraFG
Streifenanlage (Split-Block)
1 2 2 1
1 2 2 1
1 2 2 1
B A
C B
1. Wdh. 2. Wdh.A C
Faktor A (z.B. Saatzeit) : In Großteilstücken, in horizontaler Richtung, Stufen A-C
Faktor B (z.B. Düngung) : In Großteilstücken, in vertikaler Richtung, Stufen 1 -2
Modell Streifenanlage
yijk = µ + ai + rk + raik + bj + abij + eijk
µ Allgemeiner Mittelwert
rk Effekt der k-ten Wiederholung
ai Effekt der i-ten Saatzeit
raik Fehler des ik-ten Großteilstücks ~N(0,σ²ra)
bj Effekt der j-ten Düngung
rbjk Fehler des jk-ten Großteilstücks ~N(0,σ²rb)
abij Interaktion zwischen i-ter Saatzeit und j-ter Düngung
eijk Fehler der ijk-ten Parzelle ~N(0,σ²e)
F-Tests Faktor A F = MQA / MQRA
Faktor B F = MQB / MQRB
Interaktion A*B F = MQA*B / MQe
Einfluss pflanzenbaulicher Maßnahmen auf Fusarium-Befall von Winterweizen.
Zielvariable: DON-Gehalt (Deoxynivalenol)
- Sorte (2 Stufen)
- Bodenbearbeitung (2 Stufen)
- Fungizid (2 Stufen)
- 4 Wiederholungen
Zweijähriger Versuch auf gleicher Fläche
Messwiederholung in der Zeit
Dreifaktorieller Versuch
Fungizidbehandlung in Streifen
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte B Sorte A Sorte B Sorte A Sorte A Sorte B Sorte B Sorte A
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte A Sorte B Sorte A Sorte B Sorte B Sorte A Sorte A Sorte B
Pflug Mulch Mulch Pflug
Mulch Pflug Pflug Mulch
Versuchsdesign
Bodenbearbeitung in Spalten
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte B Sorte A Sorte B Sorte A Sorte A Sorte B Sorte B Sorte A
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte A Sorte B Sorte A Sorte B Sorte B Sorte A Sorte A Sorte B
Mulch Pflug Pflug Mulch
Pflug Mulch Mulch Pflug
Versuchsdesign
Sorten in Unterspalten
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte B Sorte A Sorte B Sorte A Sorte A Sorte B Sorte B Sorte A
F1 F1 F1 F1 F 0 F 0 F 0 F 0
F 0 F 0 F 0 F 0 F1 F1 F1 F1
Sorte A Sorte B Sorte A Sorte B Sorte B Sorte A Sorte A Sorte B
Mulch Pflug Pflug Mulch
Pflug Mulch Mulch Pflug
Versuchsdesign
yijkl = i+ j+ γk+ ij+ γik+ γjk+ γijk+ rl
+ ril+ rjl+ rijl+ rγjkl+ eijkl
rl Effekt der l-ten Wiederholung
i Effekt der i-ten Fungizidstufe
j Effekt der j-ten Bodenbearbeitung
γk Effekt der k-ten Sorte
γijk Interaktionen Fungizid*Bodenbearbeitung*Sorte
rilFehler des il-ten Großteilstücks ~ N(0,²ra)
rjl Fehler des jl-ten Großteilstücks ~ N(0,²rb)
rijl Fehler des ijl-ten Mittelteilstücks (Kombination Zeile/Spalte) ~ N(0,²rab)
rγjkl Fehler des ikl-ten Mittelteilstücks (Kombination Spalte/Unterspalte) ~ N(0,²rbc)
eijklFehler der ijkl-ten Parzelle ~ N(0,²e)
fix
zufällig
Modell
SAS hilft...
SAS führt automatisch die richtigen F-Tests durch und berechnet die korrekten Standardfehler
Was muss der User tun?
- Die Daten einfüttern
- Das Modell in SAS-Code übersetzen
- Computer-Output korrekt interpretieren
Beratungsangebot des FG Bioinformatik nutzen!
Statistik Basics
Störfaktor Bodenunterschiede
Bodenunterschiede in Praxisschlag: Biomasse Getreide
Störfaktor Bodenunterschiede
Bodenunterschiede in Praxisschlag:
Ertragsvariabilität im Oberrheingraben
Störfaktor Bodenunterschiede
Versuchsflächen sind niemals homogen!
Beispiel für Bodenunterschiede
gute Bodenqualität
mittlere Bodenqualität
schlechte Bodenqualität
8 m
32 m
Einfluss von Bodenunterschieden
Angenommen die beiden Felder des Landwirts unterscheiden sich in der Ertragsfähigkeit…
Feld 1 im Mittel Ertrag 1,5 dt/ha über Durchschnitt
Feld 2 im Mittel Ertrag 1,5 dt/ha unter Durchschnitt
Wahrer Mittelwert von Sorte A = 48 dt/ha
Wahrer Mittelwert von Sorte B = 50 dt/ha
Zwei denkbare Experimente
Feld 1
Sorte A
48 +1,5 = 49,5 dt/ha
Feld 2
Sorte B
50 - 1,5 = 48,5 dt/ha
Feld 1
Sorte B
50 +1,5 = 51,5 dt/ha
Feld 2
Sorte A
48 - 1,5 = 46,5 dt/ha
Entscheidung: A ist besser
Entscheidung: B ist besser
Sinn der statistischen Analyse
Zwischen „echten“ und zufälligen Effekten unterscheiden
Wahrscheinlichkeit von Fehlentscheidungen minimieren
Aber: 100%ige Sicherheit gibt es nicht!
Tolerierbare Irrtumswahrscheinlichkeit
- 5% im Pflanzenbaulichen Versuchswesen üblich
Wiederholung Statistik-Grundlagen
Grundlagen (1)
Nullhypothese
zwischen den Prüfgliedern keine Unterschiede
im Feldversuch ermittelte Differenzen rein zufällig
Irrtumswahrscheinlichkeit
Wenn Nullhypothese richtig
wie wahrscheinlich zufälliges Auftreten des beobachteten oder eines noch größeren Effekts
Grundlagen (2)
Fehler erster Art (Alpha-Fehler)
Zwischen den Prüfgliedern besteht kein Unterschied, zufällig wird im Experiment jedoch ein solcher ermittelt.
Fehler zweiter Art (Beta-Fehler)
Es bestehen tatsächlich Unterschiede, diese werden im Experiment aber nicht nachgewiesen bzw. können nicht statistisch abgesichert werden.
Grundlagen (3)
Grenzdifferenz
Wenn Differenz zwischen zwei Prüfgliedmittelwerten größer als Grenzdifferenz, so gilt sie als signifikant, also statistisch abgesichert.
Berechnen aus
- Versuchsfehler
- Irrtumswahrscheinlichkeit
- Anzahl Wiederholungen je Prüfglied
Grundlagen (4)
Skalen
Intervallskala (z.B. °Celcius)
Verhältnisskala (metrische Einheiten)
Ordinalskala (Ränge, z.B. Schulnoten)
Nominalskala (Klassen, z.B. Blütenfarben)
Unabhängige Variable
Abhängige Variable
Verfahren
kardinalskaliert kardinalskaliert Regression, Korrelation
kategorial kardinalskaliert t-Test, Varianzanalyse
kategorial kategorial Chi²-Test
Grundlagen (5)
Median
der mittlere der nach der Größe sortierten Werte
n
xxchesMittelarithmetis
n
ii
1
Grundlagen (6)
Varianz einer Stichprobe
1
/²²
1
)²(² 1 11
n
nxx
n
xx
FG
SQMQs
n
i
n
ii
n
ii
i
Standardabweichung ²ss
x
ss %
Variationskoeffizient
Beispiel
- Kulturdeckungsgrad von Winterweizen-Sorten bestimmt
- in jeder Parzelle an drei zufällig ausgewählten Punkten
- Mittel auf Parzellenebene gebildet
- Vier Parzellen je Sorte
- Sorte „Monopol“ am 29. April 2003 folgende Parzellenmittelwerte (in Prozent, nach Größe geordnet):
- 11,67 20,33 25,00 30,00
- arithmetisches Mittel beträgt 21,75 %.
- Median 22,67% (arithm. Mittel aus 20,33 und 25,00).
Beispiel (2)
Summe der Abweichungsquadrate (SQ) berechnen
1 11,67 -10,08 101,612 20,33 -1,42 2,023 25 3,25 10,564 30 8,25 68,06Summe 87 0 182,25
Parzelle KDG Differenz zum Gesamtmittel
Quadrierte Differenz
)( xx i 2)( xx i
n
ii xx
1
)²(
Beispiel (3)
Varianz
Standardabweichung
Variationskoeffizient
75,6014
25,1822
FG
SQs
8,775,602 ss
%2875,27
8,7%
x
ss
Grundlagen (7)
Standardfehler des Mittelwertes
Im Beispiel
n
ssx
²
90,34
75,60
xs
Grundlagen (8)
95%-Vertrauensbereich (Konfidenzintervall) für den wahren Mittelwert µ
Mittelwert +/- (1,96 * Std.fehler Mittelwert)
xsx 96,1
1-(/2) Quantil der Standardnormalverteilung wenn =5%
Grundlagen (9)
Besser t-Verteilung nehmen
95%-Vertrauensbereich (Konfidenzintervall) für den wahren Mittelwert µ
Mittelwert +/- (t * Std.fehler Mittelwert)
xstx
1-(/2) Quantil der t-Verteilung wenn =5%
Abhängig von Fehler-FG
Beispiel (4)
= 0.05 n=4
Mittelwert = 21,7
n-1 = 3 Freiheitsgrade
t=3,18
Vertrauensbereich
= 21,7 -(3,18*3,9) bis 21,7 + (3,18*3,9)
[9,3 ; 34,1]
9,3xs
t-Test
Zwei Sorten
Monopol: 11,67 20,33 25,00 30,00
Batis: 24,00 25,00 41,67 83,33
Mittelwert Monopol: 21,75
Mittelwert Batis: 43,50
Differenz signifikant?
t-Test (2)
Mittelwert Monopol: 21,75
Mittelwert Batis: 43,50
Differenz signifikant?
Fehlervarianz berechnen
Standardfehler der Differenz
2)(²
21
21
nn
SQSQs 8,415
2)44(
56,231225,182²
s
n
ssd
²2 41,14
4
8,4152
ds
t-Test (3)
Grenzdifferenz nach t-Test
GD(t-Test) = LSD = Sd * t –Tabellenwert
Grenzdifferenz ist größer als Differenz zwischen den Mittelwerten
Differenz ist nicht signifikant
30,3545,241,14 tsGD d
Varianzanalyse
Fünf Sorten zufällig auf 20 Parzellen verteilt
Mittelwertdifferenzen signifikant oder zufällig?
Messwert A B C D E1 31 21 27 34 242 32 23 29 32 233 37 25 34 31 274 32 19 34 27 26
Mittelwert 33 22 31 31 25
Sorte
Varianzanalyse (2)
Varianzanalyse-Tabelle
F-Tabellenwert für 4 Zähler- und 15 Nenner-FG = 3,06.
GD nach Tukey:
Ursache FG SQ MQ FSorten 4 348,8 87,2 11,28Fehler 15 116 7,733
r
MQtLSD Fehler
FGTab
2];[ 19,4
4
733,72131,2
LSD
r
MQqHSD Fehler
FGtTabTukey ];;[)( 07,64
733,7367,4)( TukeyHSD
Varianzanalyse (3)
Multipler Mittelwertvergleich
Mittelwerte mit dem gleichen Buchstaben unterscheiden sich nicht signifikant
Sorte t-Test (LSD)
Tukey (HSD)
A 33 a 33 aD 31 a 31 abC 31 a 31 abE 25 b 25 bcB 22 b 22 cGrenzdifferenz 4,19 6,07
Computer zur Datenanalyse einsetzen
Software zur Datenauswertung
- SAS - SPSS (Sozialwissenschaften)- Systat- Statistica- PlabStat (Schwerpunkt Züchtung)- Agrobase (Schwerpunkt Züchtung)- ARM (Schwerpunkt Pflanzenschutz)- Diverse kleinere Programme- EXCEL
Das Statistikpaket SAS
SAS
- teuer (Uni hat Sonderkonditionen, sonst ca. 2500 € pro Jahr)
- zeilenorientiert = schwierig in der Handhabung (eigener Programmcode)
- bietet das größte Methodenspektrum („state of the art“)
> Trotz bekannter Nachteile erste Wahl für die Auswertung von Feldversuchen
Datenanalyse mit dem SAS-System
data Beispiel;input sorte$ @@;do Parzelle=1 to 4;input ertrag @@;output;end;cards;A 31 32 37 32B 21 23 25 19C 27 29 34 34D 34 32 31 27E 24 23 27 26;run;
Datenanalyse mit dem SAS-System (2)
Proc glm data = Beispiel;
class Sorte;
model Ertrag = Sorte ;
means Sorte / lsd tukey;
run;
Computer-Output (1)
The GLM Procedure
Dependent Variable: ertrag
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 4 348.8000000 87.2000000 11.28 0.0002
Error 15 116.0000000 7.7333333
Corrected Total 19 464.8000000
Computer-Output (2)
t Tests (LSD) for ertrag
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 15
Error Mean Square 7.733333
Critical Value of t 2.13145
Least Significant Difference 4.1912
Means with the same letter are not significantly different.
Mean N sorte
A 33.000 4 A
A 31.000 4 D
A 31.000 4 C
B 25.000 4 E
B 22.000 4 B
Computer-Output (3)
Tukey's Studentized Range (HSD) Test for ertrag
NOTE: This test controls the Type I experimentwise error rate, but it generally has a higher TypeII error rate than REGWQ.
Alpha 0.05
Error Degrees of Freedom 15
Error Mean Square 7.733333
Critical Value of Studentized Range 4.36699
Minimum Significant Difference 6.072
Means with the same letter are not significantly different.
Mean N sorte
A 33.000 4 A
B A 31.000 4 D
B A 31.000 4 C
B C 25.000 4 E
C 22.000 4 B
Praktische Übung
Praktische Übung
Im AB-Praktikum 2003 wurden in der ungedüngten Stufe im April folgende Kulturdeckungsgrade ermittelt:
Monopol 11,67 20,33 25,00 30,00
Batis 24,00 25,00 41,67 83,33
Hybnos 2,67 16,67 2,33 23,33
Vergleichen Sie die Sortenmittelwerte mit Varianzanalyse, t-Test und Tukey-Test.
Nutzen Sie hierfür das SAS-Programm
Mehrfaktorielle Varianzanalyse
Mehrfaktorielle Varianzanalyse
Zum Beispiel:
Versuch mit 3 Winterweizensorten und 4 Stickstoffstufen
(0, 80, 160, 140 kg N/ha)
Varianzanalyse-Tabelle
FG SQ MQ F-TestSorten 2 SQSorten SQ / 2 MQSorten / MQFehler
Düngung 3 SQDüng. SQ / 3 MQDüng. / MQFehler
Sorten x Düngung 6 SQSorten x Düng. SQ / 6 MQSorten x Düng. / MQFehler
Fehler 36 SQFehler SQ / 36
Total 47 SQgesamt
Mehrfaktorielle Varianzanalyse
Modell:
yijk = µ + si + nj + snij + eijk
yijk Ertrag der k-ten Parzelle mit i-ter Sorte und j-ter Düngung
µ der allgemeine Mittelwert
si Effekt der i-ten Sorte
nj Effekt der j-ten Düngung
snij Interaktion der i-ten Sorte mit der j-ten Düngung
eijk Restfehler k-te Parzelle der i-ten Sorte mit der j-ten Düngung
Ordinale Interaktion
80
100
120
140
160
180
Int. 1 Int 2
A
B
Hybride Interaktion
80
100
120
140
160
180
Int. 1 Int 2
A
B
Disordinale Interaktion
80
100
120
140
160
180
Int. 1 Int 2
A
B
Keine Interaktion
80
100
120
140
160
Int. 1 Int 2
A
B
Keine Interaktion
80
100
120
140
160
Int. 1 Int 2
A
B
Keine Interaktion
80
100
120
140
Int. 1 Int. 2
A
B
Datenbeispiel aus Praktikum SS 2003
Kulturdeckungsgrade
(in Prozent, jeweils Mittel aus drei Messungen je Parzelle)
N-Düngung Sorte Wdh1 Wdh2 Wdh3 Wdh4 Mittel1 Monopol 20,33 25,00 30,00 11,67 21,75
Batis 24,00 25,00 83,33 41,67 43,50Hybnos 2,67 16,67 2,33 23,33 11,25
2 Monopol 19,33 26,67 36,67 13,33 24,00Batis 46,67 25,67 66,67 68,33 51,83
Hybnos 14,00 9,00 30,00 10,67 15,923 Monopol 30,33 26,67 58,33 48,33 40,92
Batis 11,00 26,67 15,67 53,33 26,67Hybnos 2,67 21,67 30,00 21,67 19,00
4 Monopol 20,33 18,33 41,67 17,33 24,42Batis 30,33 28,33 55,00 68,33 45,50
Hybnos 13,00 3,33 26,67 13,33 14,08
Datenbeispiel aus Praktikum SS 2003
Kulturdeckungsgrade
(in Prozent, jeweils Mittel aus drei Messungen je Parzelle)
0
20
40
60
0 80 160 240
Stickstoffdüngung
Monopol
Batis
Hybnos
Auswertung mit SAS
data weizen3;input N Sorte Wdh KDG;datalines;1 1 1 20.331 1 2 25.001 1 3 30.001 1 4 11.672 1 1 19.332 1 2 26.67weitere Daten...4 3 3 26.674 3 4 13.33;run;
Auswertung mit SAS
Proc glm data=weizen3;
class N Sorte;
model kdg = Sorte N Sorte*N ;
means Sorte N / lsd;
run;
yijk = µ + si + nj + snij + eijk
SAS-Output
Sum of
Source DF Squares Mean Square FValue Pr > F
N 3 161.37 53.79 0.23 0.8778
Sorte 2 5756.22 2878.11 12.09 <.0001
N*Sorte 6 2288.56 381.42 1.60 0.1751
Error 36 8573.45 238.15
Total 47 16779.61
SAS-Output (2)
t Tests (LSD) for KDG Alpha 0.05Error Degrees of Freedom 36Error Mean Square 238.1516Critical Value of t 2.02809Least Significant Difference 11.065 Means with the same letter are not significantly different. Mean N SorteA 41.875 16 2B 27.770 16 1C 15.063 16 3
Alternative Auswertung
Skalierung
Sorte nominal
Stickstoffdüngung metrisch, kardinalskaliert
Auswertungsansatz für Stickstoffdüngung:
> Regression
Korrelation
Kovarianz
Korrelation
n
i
mimiXY yyxxn
Co1
)( ))((1
1var
yxXY
CoCorr
var
)(
Regression
wobei
y abhängige Variable
a absolutes Glied bzw. Achsenabschnitt
ß Regressionskoeffizient, Steigung
x unabhängige Variable
e zufälliger Restfehler
eßxay
Lineare Regression
z.B. Ertragssteigerung durch Stickstoffdüngung
y = 12,2 + 0,24x
R2 = 0,94
0
10
20
30
40
50
60
70
0 50 100 150 200 250
Stickstoffdüngung [kg N/ha]
Ert
rag
[dt/
ha]
dx
dy
ß = dy / dx
Kovarianzanalyse
Eine nominale und eine metrische Variable:
Verknüpfung zwischen Varianzanalyse und Regressionsanalyse
Kovarianzanalyse
Anwendung ebenfalls sinnvoll um Störgrößen auszuschalten
Beispiel Kovarianzanalyse
Vorfrucht Ackerzahl ErtragWeizen 90 100Weizen 85 95Weizen 80 87Weizen 75 82Raps 82 96Raps 77 88Raps 68 83Raps 54 61
Ertrag von Winterweizen nach verschiedenen Vorfrüchten
Datenerhebung auf Praxisschlägen
Beispiel Kovarianzanalyse
50
60
70
80
90
100
110
50 70 90 110
Ackerzahl
Kor
nert
rag
Wei
zen
Vorfrucht Weizen
Vorfrucht Raps
Linear (VorfruchtRaps)Linear (VorfruchtWeizen)