一、为什么普通方差分析不够用

做单因素方差分析时，我们通常关心的是：几组均值之间是否存在显著差异。比如比较五种不同剂量下的反应率，ANOVA 只告诉你"这五组不全相等"。但它回答不了一个更有价值的问题：反应率是不是随着剂量增加而线性上升？

如果剂量从低到高，反应率也跟着线性升高，这就是一个明确的"剂量-反应关系"，比单纯说"组间有差异"信息量大得多。这种分析在毒理学、医学、心理学、农业实验中非常常见——自变量是有序的（剂量、时间、年龄、浓度），研究者想知道因变量是否随自变量呈现某种趋势。

这就是方差分析中的趋势检验（Trend Analysis），最基础的形式是线性趋势检验。

二、什么是线性趋势分析

2.1 核心思想

普通 ANOVA 把组间变异拆成"组间"和"组内"两部分。趋势检验进一步把"组间变异"再拆成几部分：

• 线性趋势：均值是否随自变量等距变化呈直线上升或下降
• 二次趋势：是否存在先升后降的曲线关系
• 三次趋势：是否存在更复杂的波动
• 剩余偏离：去掉趋势后剩下的不规则部分

通过这种分解，你能回答：组间差异主要是线性趋势造成的，还是有更复杂的曲线关系？

2.2 什么时候用

趋势检验适用于以下场景：

• 自变量是有序等距的：比如剂量 0、5、10、15、20 mg，间隔相等
• 自变量有明确的数量含义：时间（1月、2月、3月）、浓度、年龄组
• 研究假设是"随X增加，Y如何变化"，而不只是"组间不同"

如果自变量是无序的（比如五种不同品牌、五个不同城市），就不能做趋势检验。

三、线性趋势检验的原理

3.1 正交多项式系数

趋势检验的核心工具是正交多项式系数。对于 k 个等距组，统计学家已经算好了一套标准系数：

这些系数有几个重要性质：

• 加起来等于 0
• 线性、二次、三次系数之间互相正交
• 组数越多，系数绝对值越大

3.2 计算线性趋势 F 值

基本步骤：

1. 给每组算均值或总计数 Tᵢ。
2. 乘以对应的线性系数 cᵢ。
3. 计算线性趋势平方和：

其中 nᵢ 是第 i 组样本量。

4. 自由度：线性趋势占 1 个自由度（不管有多少组，线性趋势只占 1 df）。
5. 均方 = SS / 1。
6. F = 线性趋势均方 / 组内均方（误差均方 MSE）。
7. 和 F 分布表比较，判断线性趋势是否显著。

3.3 解读

• 线性趋势显著：均值随自变量呈直线变化，支持剂量-反应关系。
• 线性趋势不显著，但二次趋势显著：关系是曲线型的，比如先升后降。
• 整体 ANOVA 显著但趋势不显著：组间差异来自不规则波动，不是单调趋势。

四、完整计算示例

假设某实验考察四种浓度（0、10、20、30 mg）下的细胞存活率，每组 5 个样本：

第一步：查线性系数

4 组等距，线性系数为 -3, -1, +1, +3。

第二步：计算线性趋势平方和

先算每组总计数 Tᵢ = 均值 × n：

• T₁ = 95×5 = 475
• T₂ = 88×5 = 440
• T₃ = 75×5 = 375
• T₄ = 60×5 = 300

分子：

分母：

第三步：算 F 值

假设整体 ANOVA 中误差均方 MSE = 20（这是组内方差）：

F(1, 16) = 174.05，远大于临界值 4.49，p < 0.001。

结论：细胞存活率随浓度升高呈显著线性下降。

五、和普通 ANOVA 的关系

一个重要事实：当真实关系是线性时，趋势检验比普通 ANOVA 更有检出力。因为普通 ANOVA 把 k-1 个自由度分散到所有可能的组间差异上，而趋势检验把全部检验力量集中在"线性"这一个方向上。

六、二次趋势什么时候看

如果线性趋势显著，但还想确认是不是纯线性、有没有弯曲，可以继续分解二次趋势。

4 组数据的二次系数是 +1, -1, -1, +1（或反过来）。用同样方法算 SS_quadratic。

• 线性显著、二次不显著 → 关系就是直线。
• 线性显著、二次也显著 → 关系是曲线，比如先升后降。
• 线性不显著、二次显著 → 存在倒 U 型关系。

七、软件实现思路

7.1 SPSS

在单因素 ANOVA 对话框里，点"对比"按钮 → 选"多项式" → 选"线性"或"二次"。SPSS 自动算好正交系数并输出趋势检验结果。

7.2 R 语言

用 contr.poly() 生成多项式对比矩阵，喂给 aov()：

fit <- aov(yield ~ factor(concentration))
contrast <- contr.poly(4, scores = c(0,10,20,30))
summary.lm(fit, split = list(concentration = list(linear = 1, quadratic = 2)))

7.3 Excel

Excel 没有现成的趋势检验功能，但可以按上面的手算步骤：

1. 算每组均值和样本量。
2. 查正交多项式系数。
3. 算 SS_linear 和 F 值。
4. 用 FDIST() 或 F.DIST.RT() 算 p 值。

八、常见误区

8.1 自变量不是等距的硬做线性趋势

如果五组浓度是 0、1、2、10、50，间隔严重不等，直接套标准系数就错了。这种情况要么用实际剂量值做回归，要么用加权的多项式系数。

8.2 组数太少做高次趋势

3 组数据只能分解线性趋势（1 df），没有自由度做二次。4 组才能分解线性 + 二次。想做三次趋势至少要 5 组。

8.3 趋势显著就说"因果关系"

趋势检验只说明变量间存在单调/曲线关系，不直接证明因果。剂量反应关系要成立，还需要实验设计本身是随机对照的。

8.4 把"线性趋势显著"等同于"关系是完美直线"

线性趋势显著只说明直线模型比"完全无趋势"好，不代表数据完美落在直线上。可以看 R² 或画散点图确认直线拟合质量。

九、总结

方差分析中的线性趋势检验，是把"组间差异"这个笼统的问题，细化成"差异是怎么随自变量变化的"。它特别适合自变量是有序等距的场景——剂量、浓度、时间、年龄。

核心方法就是用正交多项式系数把组间平方和分解成线性、二次、更高次几个部分，分别做 F 检验。当研究问题是"随 X 增加，Y 是否线性变化"时，趋势检验比普通 ANOVA 更精准、更有说服力。掌握这套方法，实验数据分析就从"知道有差异"升级到了"知道差异长什么样"。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0