博文
SAS、SPSS、R和GenStat分析裂区试验数据 代码、模型干货分享
||
SAS、SPSS、R和GenStat在裂区试验数据 分析中如何实现
结论：
1、四种软件结果再平衡数据（没有缺失值）的情况下是一致的。
2、SAS和R进行多重比较时比较麻烦。
3、SPSS根本就无法对交互作用的因子进行多重比较，而且多重比较的形式乖乖的。
4、GenStat操作最简单，结果最直观。
ps：如果想咨询数据分析的问题，请加入群： 203276907，这里有软件免费试用和数据分析咨询。
数据：data：oats.xls（见附件，或者到群里面下载）Oats.xlsx
该试验处理3个燕麦品种（Victoy，Golden rain和Marvelous）和4种氮水平（0,0.2,0.4,0.6 cwt），设置6个区组。因为在较小的小区处理肥料比较品种更方便，每个区组先区分3个主区，每个主区再分为4个副区。品种当成主区，氮水平当成副区。构成二因素裂区随机区组设计。
1数据截图
2 GenStat对应模型，有专门分析裂区试验的模块
22 多重比较的模型
方差分析结果：
多重比较结果
R语言处理裂区试验代码：
df <- read.csv("Oats.csv",header = T)
head(df)
str(df)
df$blocks <- as.factor(df$blocks)
df$wplots <- as.factor(df$wplots)
df$subplots <- as.factor(df$subplots)
str(df)
attach(df)
fit <- aov(yield~variety*nitrogen + Error(blocks/variety))
summary(fit)
结果：
> summary(fit)
Error: blocks
Df Sum Sq Mean Sq F value Pr(>F)
Residuals 5 15875 3175
Error: blocks:variety
Df Sum Sq Mean Sq F value Pr(>F)
variety 2 1786 893.2 1.485 0.272
Residuals 10 6013 601.3
Error: Within
Df Sum Sq Mean Sq F value Pr(>F)
nitrogen 3 20020 6674 37.686 2.46e-12 ***
variety:nitrogen 6 322 54 0.303 0.932
Residuals 45 7969 177
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
SPSS裂区试验
模型设置
模型如下
![](\"/static/ueditor/themes/default/images/spacer.gif\"){kind=spacer}
![](\"http://image.sciencenet.cn/album/201512/30/2133166237ldl7zqk3dq6k.png\")
4将命令修改如下：（在新建，语句里面把命令复制进去）
![](\"http://image.sciencenet.cn/album/201512/30/213331jfczrtyrkz76q6y7.png\")
5 spss结果
![](\"http://image.sciencenet.cn/album/201512/30/213342wq868xl53dp3w3m6.png\")
SAS数据及其命令：
data split;
input block$ w$ s$ v$ n$ y;
cards;
1 1 1 Marvellous 0.6cwt 156
1 1 2 Marvellous 0.4cwt 118
1 1 3 Marvellous 0.2cwt 140
1 1 4 Marvellous 0cwt 105
1 2 1 Victory 0cwt 111
1 2 2 Victory 0.2cwt 130
1 2 3 Victory 0.6cwt 174
1 2 4 Victory 0.4cwt 157
1 3 1 Goldenrain 0cwt 117
1 3 2 Goldenrain 0.2cwt 114
1 3 3 Goldenrain 0.4cwt 161
1 3 4 Goldenrain 0.6cwt 141
2 1 1 Marvellous 0.4cwt 104
2 1 2 Marvellous 0cwt 70
2 1 3 Marvellous 0.2cwt 89
2 1 4 Marvellous 0.6cwt 117
2 2 1 Victory 0.6cwt 122
2 2 2 Victory 0cwt 74
2 2 3 Victory 0.2cwt 89
2 2 4 Victory 0.4cwt 81
2 3 1 Goldenrain 0.2cwt 103
2 3 2 Goldenrain 0cwt 64
2 3 3 Goldenrain 0.4cwt 132
2 3 4 Goldenrain 0.6cwt 133
3 1 1 Goldenrain 0.2cwt 108
3 1 2 Goldenrain 0.4cwt 126
3 1 3 Goldenrain 0.6cwt 149
3 1 4 Goldenrain 0cwt 70
3 2 1 Marvellous 0.6cwt 144
3 2 2 Marvellous 0.2cwt 124
3 2 3 Marvellous 0.4cwt 121
3 2 4 Marvellous 0cwt 96
3 3 1 Victory 0cwt 61
3 3 2 Victory 0.6cwt 100
3 3 3 Victory 0.2cwt 91
3 3 4 Victory 0.4cwt 97
4 1 1 Marvellous 0.4cwt 109
4 1 2 Marvellous 0.6cwt 99
4 1 3 Marvellous 0cwt 63
4 1 4 Marvellous 0.2cwt 70
4 2 1 Goldenrain 0cwt 80
4 2 2 Goldenrain 0.4cwt 94
4 2 3 Goldenrain 0.6cwt 126
4 2 4 Goldenrain 0.2cwt 82
4 3 1 Victory 0.2cwt 90
4 3 2 Victory 0.4cwt 100
4 3 3 Victory 0.6cwt 116
4 3 4 Victory 0cwt 62
5 1 1 Goldenrain 0.6cwt 96
5 1 2 Goldenrain 0cwt 60
5 1 3 Goldenrain 0.4cwt 89
5 1 4 Goldenrain 0.2cwt 102
5 2 1 Victory 0.4cwt 112
5 2 2 Victory 0.6cwt 86
5 2 3 Victory 0cwt 68
5 2 4 Victory 0.2cwt 64
5 3 1 Marvellous 0.4cwt 132
5 3 2 Marvellous 0.6cwt 124
5 3 3 Marvellous 0.2cwt 129
5 3 4 Marvellous 0cwt 89
6 1 1 Victory 0.4cwt 118
6 1 2 Victory 0cwt 53
6 1 3 Victory 0.6cwt 113
6 1 4 Victory 0.2cwt 74
6 2 1 Goldenrain 0.6cwt 104
6 2 2 Goldenrain 0.4cwt 86
6 2 3 Goldenrain 0cwt 89
6 2 4 Goldenrain 0.2cwt 82
6 3 1 Marvellous 0cwt 97
6 3 2 Marvellous 0.2cwt 99
6 3 3 Marvellous 0.4cwt 119
6 3 4 Marvellous 0.6cwt 121
;
proc print data=split;
run;
proc anova;
class block v n;
model y= block v n block*v v*n;
test H=v e=block*v;
run;
结果如下：
| ||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
https://blog.sciencenet.cn/blog-2577109-946943.html
上一篇：不完全双列杂交NCⅡ设计的数据处理方法
下一篇：双标图GGE分析在农作物品种多点试验中的应用（综述）
