『壹』 在統計學中，方差分析表如何填
方差分析表填的方法如下：
表格中通常列出方差來源、變差平方和、自由度、方差估計值、方差比、統計量F臨界值、顯著性檢驗標記符等，只要通過實驗測出以上數據即可填表。
自由度，在統計學中指的是計算某一統計量時，取值不受限制的變數個數。
通常df=n-k。其中n為樣本含量，k為被限制的條件數或變數個數，或計算某一統計量時用到其它獨立統計量的個數。自由度通常用於抽樣分布中。
方差（variance)，在概率論和統計方差衡量隨機變數或一組數據是離散程度的度量。概率論中方差用來度量隨機變數和其數學期望（即均值）之間的偏離程度。
統計中的方差（樣本方差）是各個數據分別與其平均數之差的平方的和的平均數。在許多實際問題中，研究方差即偏離程度有著重要意義。
(1)各股票方差分析擴展閱讀：
為了便於進行數據分析和統計判斷，按照方差分析的過程，將有關步驟的計算數據。
例如差異來源、離差平方和、自由度、均方和F檢驗值等指標數值逐一列出，以方便檢查和分析的統計分析表。
一般的統計軟體給出的方差分析表的形式。運用Excel的「分析工具庫」中的「方差分析：單因素方差分析」工具，進行方差分析，由Excel輸出的「單因素方差分析表」。
『貳』 方差分析F值 是什麼意思
方差分析：根據不同需要把某變數方差分解為不同的部分，比較它們之間的大小並用F檢驗進行顯著性檢驗的方法。 又稱「變異數分析」或「F檢驗」，是用於兩個及兩個以上樣本均數差別的顯著性檢驗。
F值是兩個均方的比值[效應項/誤差項]，不可能出現負值。F值越大[與給定顯著水平的標准F值相比較]說明處理之間效果[差異]越明顯，誤差項越小說明試驗精度越高。
（當且僅當X取常數值E（X）時的概率為1時，D（X）=0。）
註：不能得出X恆等於常數，當x是連續的時候X可以在任意有限個點取不等於常數c的值。
『叄』 單因素方差分析表anova表怎麼看
校正模型
指包括通過方差分析擬合的模型整體是否顯著，也就是方差分析整體是否顯著的判斷。從其sig值可以看出 方差整體顯著。主要是因為你圖中這個方差分析就一個自變數，所以校正模型和brand這個自變數的影響是一樣，即校正模型顯著、brand這個因素也顯著。如果再多一個自變數的話，此時校正模型就會與每個自變數的影響參數是不同的，就會出現有可能校正模型顯著，而其中某個自變數不顯著的情況
截距
是在假設不存在自變數的情況下，該因變數的基本情況參數，比如你這里分析的是品牌對口感評分的影響，而截距就表示不存在品牌因素的情況下的口感基本評分。有點類似於需求中的基本需求和刺激後的需求。實際分析中，很多時候直接忽略它就好。
Brand
這一項就是分析你研究的品牌因素對口感評分的影響了，從sig值可以看出，品牌因素有顯著影響。
誤差
是指除開品牌之外 沒有包括在研究內的各種未知因素對口感評分的影響
3型平方和
是指計算方差的一種理論方法，是最通用的，具體意義可以參看統計學教材，比較復雜，實際應用中可以忽略它
F就是方差值，
它對應的後面sig值 是判斷方差是否有效的參數，所以實際中 主要看F對應的sig值即可，sig小於0.05，說明有顯著影響，sig大於0.05 說明沒有顯著影響
『肆』 什麼是方差分析，簡述方差分析的基本步驟
方差分析是檢驗多個總體均值是否相等的統計方法.它是通過檢驗各總體的均值是否相等來判斷分類型自變數對數值型自變數是否有顯著影響.
單因素方差分析基本思想：數據的誤差即總誤差平方和分為組間平方和組內平方和,組內誤差只包含隨機誤差.組間誤差包含隨機誤差和系統誤差,系統誤差即為因素不同水平造成的誤差,如果因素的不同水平對數據沒有影響,系統誤差為0,組間誤差與組內誤差經過自由度平均後的數值相比接近於1,反之,如果因素的不同水平對數據有影響,這個比值就會大於1,當它大到某種程度時,就可以說不同水平之間存在著顯著差異,也就是自變數對因變數有顯著影響
『伍』 單變數方差分析(One-Way ANOVA)得到的表中F值、P值分別什麼意思
F是組間均方(MS組間）和組內均方（MS組內）的比值，這個比值越大說明相對組間的差異越大。F在方差分析中是檢驗統計量，將統計量F的值與給定的臨界值的F進行比較，從而做出決策。
P是經過計算得到的檢驗統計量F的置信區間，只有當給定的臨界值的數值小於P值，這個決策才是可取的。
(5)各股票方差分析擴展閱讀
單因素方差分析基本步驟 ：
1、提出原假設：H0——無差異；H1——有顯著差異
2、選擇檢驗統計量：方差分析採用的檢驗統計量是F統計量，即F值檢驗。
3、計算檢驗統計量的觀測值和概率P值：該步驟的目的就是計算檢驗統計量的觀測值和相應的概率P值。
4、給定顯著性水平，並作出決策
『陸』 股票投資結構分析研究什麼內容
投資結構分析、回收率和風險 投資有各種機會:國家的公債、銀行存款、股票、實物和不動產等。每種投資機會都各有利弊。由於資金有限,不可能利用所有的投資機會。為了取得高效益,投資應當有一個合理的結構,因此有必要對投資結構進行分析。 現代投資結構分析理論認為,投資的決定因素有兩個:一是投資回收率;二是伴隨投資的風險。 回收率R=(期末價值一期初價值)、期初價值。很多投資都會引起現金流(如股票的股息和紅利所得等),這在回收率公式中必須有所反映,故回收率R=(期末價值一期初價值+現金流)*期初價值。但是,投資回收往往是不確定的,因此採用期望回收率即平均回收率為宜。期望回收率二藝(回收的概率)(可能的回收率),即ER=藝(Pi)(Ri)。若存在通貨膨脹,回收率應該用除以(1+f)的方法來調整,f是通貨膨脹率。 風險被認為是由投資回收的不確定性所致。很明顯,不確定性越大,回收的離散越大,風險也就越大。風險的具體度量是回收率分布的方差或方差的平方根—標准偏差。
『柒』 excel里的數據分析相關性，方差分析的各個指標是什麼含義
我想你的第一個表裡面的東西什麼含義不用我說了吧？下面我來說說第二個表--方差分析
SS代表離均差平方和，組間SS反映各組數據的差異性，其值等於兩列各自和的平方除以各自列內數據個數的和，再減去兩列的總和的平方除以總個數，比如你上面930*930/18+897*897/18-(930+897)*(930+897)/36=29.866；組內SS反映組內數據的變異情況，其值等於總SS-組間SS;總SS的演算法是兩列中每個數據的平方和減去兩列數據的總和的平方除以兩列數據的總個數；
df叫做自由度，組間df=列數-1，組內df=數據個數-列數
MS代表均方，這可以代替離均差平方和以消除各組內數據個數不同產生的影響，其值=SS/df
F值是組間均方除以組內均方得到，F值與1比較若接近1，說明組間的差異不具有統計學意義，若F遠大於1，說明組間差異具備統計學意義（F值越大代表兩組數據越不相關）
F crit是一個特定值，這個值可以通過查閱F界值表得到，一旦你的組數和組內數據個數確定，F crit值也就一定了（所謂特定值就這個意思）
P-VALUE檢驗假設成立條件下F值大於F crit的概率，不懂可以去學統計學的F檢驗
『捌』 求A、B兩股票標准差和協方差，要有計算步驟
1、求A、B兩股票標准差和協方差，要有計算步驟如下圖：
2、標准差（Standard Deviation） ，中文環境中又常稱均方差，但不同於均方誤差（mean squared error，均方誤差是各數據偏離真實值的距離平方的平均數，也即誤差平方和的平均數，計算公式形式上接近方差，它的開方叫均方根誤差，均方根誤差才和標准差形式上接近），標准差是離均差平方和平均後的方根，用σ表示。標准差是方差的算術平方根。標准差能反映一個數據集的離散程度。平均數相同的，標准差未必相同。
3、協方差分析是建立在方差分析和回歸分析基礎之上的一種統計分析方法。 方差分析是從質量因子的角度探討因素不同水平對實驗指標影響的差異。一般說來，質量因子是可以人為控制的。 回歸分析是從數量因子的角度出發，通過建立回歸方程來研究實驗指標與一個（或幾個）因子之間的數量關系。但大多數情況下，數量因子是不可以人為加以控制的。
『玖』 方差分析的分類舉例
1、單因素方差分析：
是用來研究一個控制變數的不同水平是否對觀測變數產生了顯著影響。這里，由於僅研究單個因素對觀測變數的影響，因此稱為單因素方差分析。
例如，分析不同施肥量是否給農作物產量帶來顯著影響，考察地區差異是否影響婦女的生育率，研究學歷對工資收入的影響等。這些問題都可以通過單因素方差分析得到答案。
單因素方差分析的第一步是明確觀測變數和控制變數。例如，上述問題中的觀測變數分別是農作物產量、婦女生育率、工資收入；控制變數分別為施肥量、地區、學歷。
單因素方差分析的第二步是剖析觀測變數的方差。方差分析認為：觀測變數值的變動會受控制變數和隨機變數兩方面的影響。據此，單因素方差分析將觀測變數總的離差平方和分解為組間離差平方和和組內離差平方和兩部分，用數學形式表述為：SST=SSA+SSE。
單因素方差分析的第三步是通過比較觀測變數總離差平方和各部分所佔的比例，推斷控制變數是否給觀測變數帶來了顯著影響。
單因素方差分析基本步驟：
提出原假設；選擇檢驗統計量；計算檢驗統計量的觀測值和概率P值；給定顯著性水平，並作出決策。
2、雙因素方差分析
雙因素方差分析（Double factor variance analysis) 有兩種類型：一個是無交互作用的雙因素方差分析，它假定因素A和因素B的效應之間是相互獨立的，不存在相互關系；另一個是有交互作用的雙因素方差分析，它假定因素A和因素B的結合會產生出一種新的效應。
例如，若假定不同地區的消費者對某種品牌有與其他地區消費者不同的特殊偏愛，這就是兩個因素結合後產生的新效應，屬於有交互作用的背景；否則，就是無交互作用的背景。這里介紹無交互作用的雙因素方差分析。
雙因素方差分析的基本思想：通過分析研究中不同來源的變異對總變異的貢獻大小，從而確定可控因素對研究結果影響力的大小。
3、多因素方差分析
多因素方差分析實質也採用了統計推斷的方法，其基本步驟與假設檢驗完全一致 。
（1）提出原假設
多因素方差分析的第一步是明確觀測變數和若干個控制變數，並在此基礎上提出原假設。
多因素方差分析的原假設是：各控制變數不同水平下觀測變數各總體的均值無顯著性差異，控制變數各效應和交互作用效應同時為0，即控制變數和它們的交互作用沒有對觀測變數產生顯著影響。
（2）觀測變數方差的分解
在多因素方差分析中，觀測變數取值的變動會受到三個方面的影響：第一，控制變數獨立作用的影響，指單個控制變數獨立作用對觀測變數的影響；第二，控制變數交互作用的影響，指多個控制變數相互搭配後對觀測變數產生的影響；
第三，隨機因素的影響，主要指抽樣誤差帶來的影響。基於上述原則，多因素方差分析將觀測變數的總變差分解為(以兩個控制變數為例)：SST=SSA+SSB+SSAB+SSE。
其中，SST為觀測變數的總變差；SSA、SSB分別為控制變數A、B獨立作用引起的變差；SSAB為控制變數A、B兩兩交互作用引起的變差；SSE為隨機因素引起的變差。通常稱SSA+SSB+SSAB為主效應，SSAB為N向(N-WAY)交互效應，SSE為剩餘。
（3）比較觀測變數總離差平方和各部分所佔的比例，計算檢驗統計量的觀測值和相伴概率P值
多因素方差分析的第三步是通過比較觀測變數總離差平方和各部分所佔的比例，推斷控制變數以及控制變數的交互作用是否給觀測變數帶來了顯著影響。
容易理解，在觀測變數總離差平方和中，如果SSA所佔比例較大，則說明控制變數A是引起觀測變數變動的主要因素之一，觀測變數的變動可以部分地由控制變數A來解釋；反之，如果SSA所佔比例較小，則說明控制變數A不是引起觀測變數變動的主要因素，觀測變數的變動無法通過控制變數A來解釋。對SSB和SSAB同理。
在多因素方差分析中，控制變數可以進一步劃分為固定效應和隨機效應兩種類型。其中，固定效應通常指控制變數的各個水平是可以嚴格控制的，它們給觀測變數帶來的影響是固定的；隨機效應是指控制變數的各個水平無法作嚴格的控制，它們給觀測變數帶來的影響是隨機的。一般來說，區分固定效應和隨機效應比較困難。
由於這兩種效應的存在，多因素方差分析模型也有固定效應模型和隨機效應模型之分。這兩種模型分解觀測變數變差的方式是完全相同的，主要差別體現在檢驗統計量的構造方面。多因素方差分析採用的檢驗統計量仍為F統計量。如果有A、B兩個控制變數，通常對應三個F檢驗統計量。
4．給定顯著性水平，並做出決策
給定顯著性水平，與檢驗統計量的相伴概率P值作比較。在固定效應模式中，如果FA的相伴概率P值小於或等於給定的顯著性水平，則應拒絕原假設，認為控制變數A不同水平下觀測變數各總體均值有顯著差異，控制變數A的各個效應不同時為0，控制變數A的不同水平對觀測變數產生了顯著影響；
相反，如果FA的相伴概率P值大於給定的顯著性水平，則不應拒絕原假設，認為控制變數A不同水平下觀測變數各總體均值無顯著差異，控制變數A的各個效應同時為0，控制變數A的不同水平對觀測變數沒有產生顯著影響。對控制變數B和A、B交互作用的推斷同理。在隨機模型中，應首先對A、B的交互作用是否顯著進行推斷，然後再分別依次對A、B的效應進行檢驗。