方差分析中为了拒绝零假设我们希望组间变异和组内变异的比例是越小越好

方差分析是一种用来检验多个总体均值是否相等的统计方法。零假设是所有总体均值相等，即没有处理效应。组间变异是由于处理效应造成的变异，组内变异是由于非处理效应（如随机误差）造成的变异。F比值是组间方差与组内方差的比值，反映了处理效应相对于非处理效应的大小。

为了拒绝零假设，我们希望F比值越大越好，因为这意味着处理效应造成的变异远大于非处理效应造成的变异，也就是说总体均值之间有显著差异。所以我们希望组间变异和组内变异的比例是越大越好，而不是越小越好。

方差分析是一种比较多个组的平均数是否有差别的方法。比如说，我们想知道不同品牌的汽车油耗是否有区别，我们就可以把不同品牌的汽车作为不同的组，然后测量它们的油耗，然后用方差分析来看看它们的平均油耗是否相等。如果相等，就说明品牌对油耗没有影响；如果不相等，就说明品牌对油耗有影响。

那么怎么判断平均数是否相等呢？我们可以用一个指标叫做F比值来衡量。F比值是两个方差（也就是变化程度）的比值。一个方差是组间方差，也就是不同组之间的平均数有多大差别；另一个方差是组内方差，也就是每个组里面的数据有多大波动。如果F比值很大，就说明组间方差很大而组内方差很小，也就是说不同组之间有很大的区别而每个组里面很稳定；如果F比值很小，就说明组间方差很小而组内方差很大，也就是说不同组之间没有什么区别而每个组里面很混乱。

所以我们希望F比值越大越好，因为这样才能证明我们想要比较的东西（比如品牌）对结果（比如油耗）有影响。如果F比值越小越好，那么我们就无法发现任何有效的信息。

        这几天一直在暗中观察同事们对这次"外卖小程序"项目的一些反馈，下面我会站在一个产品经理的角色对以下四个部分进行：用户行为&分析、餐品本身、场景流程、个人建议

前置条件：在用户心理分析有一个专业术语：叫“均匀悬浮注意”，意思是需要像一个旁观者一样在观察者被访对象和观察对象发生了什么，“均匀悬浮注意”一样适用于我们的产品。由于分析不能受到个人主观意愿影响，需要形成较为客观、事实的分析，截止今天为止我并没有下过一次单，也不参与各种吐槽环节。

分析目的：通过多维度分析，找出项目中运营、程序、流程上存在的不足点，提出可行性建议。

一用户行为及分析

        先引入一句话--“ 一个产品对于用户的意义存在于他对这个产品所产生的反应之中 ”，你也可以理解为--不同的用户对同一个产品会产生不同的反应，产品经理必须通过各种设计手法， 缩短或改良使用者对产品的认知过程 。

        我在南山办公，所以对南山的同事能观察到的行为举止包括有语言、表情、肢体语言、情绪等方面的因素，对于在福田的同事，我只能通过他/她在群里的吐槽进行表象的分析。以下列举出出现较多的场景：

        场景一： A同事抱怨点了餐，在小程序上付了1元，但是却没有拿到他想要的那份餐品，于是另外一个B同事和A解释到可能是在一个测试时间段点的餐，所以数据被忽略了。A同事无法理解，我为什么付了钱却给不了我想要的东西。

        分析：

        A虽然是我的同事，但首先他也是一个用户，作为一个用户，A同事的抱怨理由依据都非常充分。

        B同事也是我的同事，这个时候他扮演的角色是开发，在B看来你在测试时间段点的餐我也有充分的理由不计算到我实际的配送份额内。

        这个场景引出1个问题：制造期望&控制期望 

        1针对"制造期望/控制期望"这个问题还原场景：A用户打开了小程序，小程序页面展示的是主流点餐页面，此时，在A用户的心理已经产生我可以选择餐品的感知，当A用户点击了下单之后，小程序制造了一个"确认订单"的期望，并且这个期望通过小程序的交互被用户所感知及反馈到大脑中，最后A用户支付了这1块钱，完成一个订单的销售闭环，此时此刻，我们给到A用户的期望---明天中午我能吃到通过小程序下单的那顿"雪菜小黄鱼套餐"。

        2A用户的期望是在对产品认知的过程当中一步一步的建立起来的，用户会在认知产品的场景当中，一直做着同一个事情---无限接近他所期望结果的 *** 作。

        结论：通过分析可以知道在场景一中我们做到了第一步，通过小程序制造了A用户能吃上饭的期望，但是制造了期望总要去兑现，如何去控制这个期望让它得以实现，需要解决的问题是我们的线上线下运营能力，沟通是否顺畅，如果中间缺失了一环，那么这种情况可能还会出现。

        通过这个结论我提出了一个建议： 特别是在当前程序并非完善的情况下， 沟通变得很有必要 ，打破沟通的屏障才能让整个项目运作更顺畅。其实作为旁观者的我来说，场景一中的根本问题是沟通问题，如果A同事提前知道测试时间段内下单的数据无效，就可以完全避免这个问题。同样，我们也不能要求我们的用户去适应我们带出来的问题，如果A同事这种情况发生在正式上线的情况，这个小程序会从此在A用户的小程序列表里消失，所以在项目运营层面来说，应该增强各个部门之间的沟通，只有内部沟通顺畅了，才能更加容易的切入我们中，实现“控制期望”。

        场景二： 部分同事抱怨点餐截止时间不合理，这里我先不给出截止时间是否合适的结论，还是那句，客观的分析，成型的产品不应该是产品经理个人执念的产物，而是遵循市场规律设计出的产品才是好的产品，否则产品生命周期会提前结束。

        首先来看看某个同事A做的调查，

        A同事：“你觉得提前点餐，你能接受吗？”

        路人甲：“可以”

        好，到这里为止我认为类似这种引导性问卷已经没有必要往下看了，因为这种问卷是基于引导式的场景提问了，除非这个场景是用户自己提出的，否则基于一个引导性场景做出的调研后面得到的反馈和数据是没有意义的。

        点餐本身是个随机事件(何时在哪个平台点哪个店铺的哪个餐品)，既然是随机事件，那么调研之初就不能用这种直接切入的访谈/提问/问卷去做调研，如果是假设对方会提前点餐的前提下去做调研或者只能二选一，那么你调研的结论应该是和你的商业论证呈现惊人的一致或大概率一致。

        这种随机事件调研最好的办法是观察/数据采集/数据分析，不需要去提问，因为用户的行动是不会说谎的，你只要观察或者用数据得出结论即可，一旦用引导性方式提问，将会影响被受访者的本身意愿/甚至带偏。

        在以前还没有做出外卖小程序之前，我得出南山这边点餐的数据(随机抽样，6个同事包括我自己,每个同事抽取12月的随机6个样本，因为当时大家都不知道年后要做外卖小程序，所以抽样规避了引导性的问题)：

        点餐时间样本：

        1号调研对象：11:03 11:15 11:13 11:10 11:06 11:08

        2号调研对象：11:00  10:58 10:55 11:02 11:03 10:58

        3号调研对象：11:11  11:15  11:08 11:11 11:12  11:07

        4号调研对象：11:22  11:40  09:30 11:08 11:24 11:05

        5号调研对象：11:30  11:35  11:10 11:16 11:10  11:10

        6号调研对象：11:10  10:55  11:12  11:08  10:55  11:20

        从抽样数据来看，用户点餐时间最早时间09:30 ，最晚时间11:40，排除掉拐点3个方差范围外的离散点(09:30)，得出结论，点餐高峰期和前期做外卖小哥接头采访(参考2020-03-05发布的《取餐柜调研分析》案例二第13条，如下图)的结论惊人相似，再把外卖小哥调研的12:30时间往前推40分钟(配送时间)，得出结论，点餐高峰期是11:00-11:40，这个时间段也符合我们以上6个抽样调查结果的结论。

        到这里为止，我们可以看到，用户的习惯点餐时间在11:00-11:40，和我们设置的点餐截止时间不吻合。

        再看看我们是否可以通过我们的产品设计控制来达到改变用户习惯的效果，下面继续分析。

        首先，得知道用户习惯从何地/从何时而来，这里直接给出答案

         1用户习惯，在最初的需求解决方式中形成

         2用户习惯，在新的需求解决方式中展现

         3用户习惯，在新的需求解决方式中改变

         然后回头看看，我们的这个项目是否满足以上三条，不着急，一条一条来分析。

         在最初的需求中，外卖平台的上线是用来解决用户维度里面的“懒-贪-装”中的 “懒” (参考我《直播/视频行业分析》一文中所提到)

         自此之后，外卖平台的上线已经解决了核心问题--- 如何将远距离的餐品直接送到用户手中 ，之后外卖平台核心的需求没有改变，那么就没办法满足以上第2、第3条。再回过头看看，核心的需求已经被美团、饿了么等各大平台占领了，那么用户习惯就已经被这两大巨头培养起来了，如果这时候我们需要通过我们产品设计来培养用户新的用户习惯会 出现两种结果 ：

        1用户被层层的规则限制，呈现出漏斗形过滤，用户在每层漏斗中被筛选转化(可以参考电商的转换模型)， 最终到达支付闭环的用户占比很少 ，这里指的规则包括所有和现在主流平台不一致的业务。

        2假设用户习惯被培养起来了，但是出现的复购概率不高。引用美团的数据，一个用户点同一家店的频率为3次/月，这意味着，大概一个星期会吃一次这个店的餐品。

        然后这里举一个场景的例子：用户A平时使用美团/饿了么外卖点餐，习惯点餐时间一直保持在11:00-11:40，然后突然有一天，用户想起来要吃我们《塘食》的外卖，结果点进去发现此时已超过点餐时间，无法点今天的餐(因为我们的点餐截止时间不在当天11:00-11:40之内)，此时用户只有两种选择，第一，点击右上角关闭小程序，第二，出现这种情况的时候，我们的小程序本身针对这种情况是有提示用户可以去浏览每周的其他餐品，于是用户就点了进入“每周餐品”的页面进行浏览，再之后的 *** 作无法确定也无法控制。很显然，以上两种 *** 作都对我们小程序很不利( 用户流失 )，因为我们没法控制用户在这种情况下会产生哪种情绪，会对小程序进行哪些 *** 作，那换然之会进入到支付步骤的用户数更不能明确，如果我们有足够时间做埋点，可以大胆猜测这个数据会很惨淡。

         那么回归我们的“外卖小程序”场景当中，我们解决了用户什么需求？ 核心需求还是没有改变 ，远距离餐品送到用户手中，那么我们的餐品是定点进行领取，那么我们的目标用户就限定了在取餐点的短距离范围之内，如果一个餐品需要一个用户走很远的距离去取，那么这个和最初的需求所冲突，所以产品也会自动排除掉了一部分用户

          总结了以上分析得出以下结论：

           1 假设用户距离我们取餐点太远，那么没有解决核心需求，远距离的用户直接会被过滤掉 。

           2 没有新的核心需求在市场上出现，培养用户习惯会导致用户被层层筛选

           3 小程序现有规则大概率影响到我们用户的复购率

        到此，对于场景二的分析也完毕，得出的结论也比较残酷，虽然这只是我们自己公司的内测阶段，但在产品经理的这个岗位里有一句话“产品如果连自己都不能感动，又怎么能感动市场呢？”换言之，只有当我们自己用都觉得用得很舒服的时候，才有可能获得市场的认同。

         针对场景二以上得出的结论，提出个人的一些建议：

         1基于我们的取餐点附近进行重点的推广，比如南山可以推广赛西周边的几栋写字楼，距离远的用户很难驱动。

         2我们的点餐截止时间可以设置在11:00左右，根据数据分析得出结论，用户提早点餐或在11点前点餐概率很低，因为这个本身是个随机事件，在用户眼里，我什么时候点餐-点哪家的餐-点哪个餐品需要三个步骤，我们不能认为用户都会点塘食的基础上做假设。

         3优化一些点餐的流程，从业务流程上优化，比如缩短用户可感知的产品的路径(比如如何能获取到我喜欢的餐品在哪一天会出现)，会复购的用户一般都是我们的忠实用户，所以我们应该更重视这部分用户的使用。

二、餐品本身

        核心竞争力是产品 ，在我们这个项目当中，指的就是我们的餐品，下面列举2个关于餐品的实际场景进行分析

        场景一： 我一直在观察着是否有部分同事不会点小程序的餐，想验证下这部分同事具有怎样的共性，结果我发现有三个同事是不点的(当然在利招下发通知必须点后，我可以认为这是外部环境因素而对产品数据结果造成影响，不过没关系，我还有前三天的数据可以做分析)。

        A同事，看到餐品从楼下被领上去，会好奇凑上去看餐品的卖相，没表达任何不满或者嫌弃的意思，但没有点餐

        B同事，被其他同事问及为啥不点的时候，直接来了句“这看上去一点都不辣”

        C同事，我还是比较喜欢重口味的，这个我吃不下

        结论： 以上就是三位不同的同事，他们具有的共性就是对餐品本身不感兴趣，我们主推的是江浙菜，那么必定会有一部分的用户不是目标群体，这部分用户在小程序浏览的餐品时候已经被过滤掉，自然不会产生订单，那么针对我们的餐品，我们是否需要做调整，如果不做调整我们该如何在运营上如何快速定位我们的目标用户呢？继续往下分析

        建议：         

         如果我们需要做调整？ 那么我们可能只有一种可能，就是通过市场调研，了解我们目标区域内用户的主流菜系，对应做出调整。

        如果我们不调整？ 那么我们需要让我们自己的产品被标签化，让用户更容易感知我们主推的菜系，那么会在具有相同属性的用户群体当中进行裂变，而且产品的标签化是产品运营中必不可少的因素，显然在小程序当中，用户并不能通过快速浏览我们的主页获得这层信息，如果我们能在产品当中给用户打下某个烙印，第一，有助于用户快速识别我们到底是做什么菜系的，第二，我们可以把更多精力集中到我们这部分用户的反馈当中，无需花时间、成本、精力去照顾我们的非目标用户。

        场景二： 然后我们看看那些点了餐的同事的真实反映，这种反映包括语言、表情、肢体语言，我认为这些是最真实的体现，而在群里发表的意见并不一定是用户本身的真实意愿，所以在南山的同事我只考量这些客官因素

        A同事，(猪脚饭)，味道不错，就是分量少了点(还是笑着在评价)

        B同事，这个饭分量太少了，吃不饱(带有抱怨的语气)

        C同事，这个价格如果有优惠还行，外面的话就不是这个量了

        D同事，这条鱼也太小了吧(脸上略有不满）

        这些同事都很充分的角色代入了，没有因为是公司餐品而掩饰不满，非常好，我需要这种客观反馈

        结论: 对小范围内抽样调研，如果出现反馈具有很多同一属性的问题，那么这个问题如果投放到市场，会被无限放大，直指餐品存在一个问题：量少

        建议： 对于多少，每个人评判标准不一，到底是多是少，需要量化，前期如果无法使用一些高额成本的量化工具，可以用某些固定容器作为参考标准进行量化生产，然后收集反馈，继续优化，再收集反馈，达到一个较为理想且大部分用户都能接受的一个量，然后通过这个量倒推成本，再对产品定价进行修改，希望定价方面要经过计算，不要靠感觉，这样以后万一定价出现问题，也容易追查到哪个评估的环节出了问题。 餐品是我们的核心竞争力， 价值需要由用户来评判，我们首先给到的是优质的餐品，再去想别的事情(身边已有较多这种案例，哪怕是网吧楼下卖炒粉的，核心竞争力是这个炒粉是否满足广大用户的口味)

三、场景流程

        对于用户来说，大概的场景是这样的：

        1某时刻我在小程序上点了某一天的某一个餐品

        2在某时刻我看到路边有人在做外卖推广，于是我扫码尝试去点个餐

        我们只需要针对这两个场景去做分析就好了，复购/朋友圈/搜索的这部分用户符合第一个情况，拉新/递推符合第二种情况，基本上不存在第三种。

        对于第一种，自己不做分析，自己分析自己的设计存在主观因素，当局者很迷，只能对提出的问题作出解答，为什么这样设计之类的问题，至于好不好不分析。

        针对第二种，市场部在策划跟进，在这当中我也从市场部的得到了比如说易拉宝、产品外观设计这块的一些资料，但是具体如何推广的流程还没有具体获知，下面我举一些例子，通过市面上较为成功的案例倒推我们现在存在的一些问题

        案例一：

        下面是一个电饭煲(俯视图)

            这个画面需要表达的是三个事情，第一，我可以控制温度，第二，我可以控制时间，第三，如果你想提起来，我还有个把手，至于怎么调整温度、时间，怎么拎起把手无需我做过多的说明。

            分析： 反问一句，你是如何从画面中感知这些要素的，为什么你在调整温度时，会顺其自然顺时针去扭动，其实这个是用户心理模型当中的感知造成的，这里不深究，简言用一句，就是最简单的设计表达用户可感知的事情，所有多余不是核心的元素只会让用户在认知层面出现感知困难，比如我以前提过最好不要用d幕形式做背景一样，视觉信息量大，变相没重点，用户潜意识会产生一种这个背景没有一个中心思想去表达，人的心里都是这样的，越复杂的事情越抗拒去看。

            结论： 现在处于拉新阶段，无需把太多元素暴露给用户，先让自身产品打上一个“最硬核、最简洁”的标签(包括视觉、solgan、公司logo等)，易于形成品牌记忆，举几个简单的例子，一句话搓中用户的，梅赛德斯--"The best or nothing "，携程--"携程在手，想走就走"，碧桂园--"给你一个五星级的家"，产品需要不断更新迭代，我们只需要一个亮点，让用户铭记于心就好。

四、个人建议

        我们每天都会想到很多好玩的东西，每天可能都会发现市场上存在的空缺及机会，在商言商，我们有好的想法，就要想办法落地，落地需要更多的观察市场、分析市场、揣摩市场，站在产品岗--我需要站在一个较为客观的维度去给大家分析项目，时间宝贵，避免少走弯路，前期的调研分析必不可少，只有分析透彻了，才能做出顺应市场的产品。

F值是F检验的统计量，也就是组间和组内的离差平方和与自由度的比值，显著性就是与F统计量对应的显著性水平，0001说明拒绝原假设，即单因素的不同水平之间有显著差异。

在方差分析的体系中，F测验可用于检测某项变异因素的效应或方差是否存在。F越大，越说明组间方差是主要方差来源，处理的影响越显著。 F越小，越说明随机方差是主要的方差来源，处理的影响越不显著。

F值的大小与样本数据本身的大小没关系，样本数据值的范围是14-18，而F值21吗，这个F值完全没问题。

扩展资料

方差分析，对多个（两个以上）处理平均数进行假设检验的方法，而单因素是指该实验中只有一个实验因素。单因素方差分析是用来判断这一实验因素对各处理的优劣情况。

简单而言，如果实验，只有一种影响因素，而又有多个不同的处理水平，最后得到的数据就可以用单因素方差分析来分析数据。F值是用于判断显著性的。

例如结果显示F值为20571，将这一数值与显著性水平的F进行比较，若大于显著性的F值，那么P则小于该显著性的概率，F>F（005），那么P<005，说明处理间差异显著。

spss单因素方差分析显著性字母标记方法：

标记字母法；

先将各处理平均数由大到小自上而下排列 ，然后在最大平均数后标记字母， 并 将该平均数与以下各平均数依次相比，凡差异不显著标记同一字母 ，直到某一个与其差异显著的平均数标记字母b ；

再以标有字母b的平均数为标准 ，与上方比它大的各个平均数比较，凡差异不显著一律再加标b ，直至显著为止；

再以标记有字母 b的最大平均数为标准，与下面各未标记字母的平均数相比，凡差异不显著，继续标记字母b，直至某一个与其差异显著的平均数标记c；

如此重复下去，直至最小一个平均数被标记、比较完毕为止。这样，各平均数间凡有一个相同字母的即为差异不显著，凡无相同字母的即为差异显著。

用小写拉丁字母表示显著水平 α=005 ，用大写拉丁字母表示显著水平α=001。

通常用方差（variance）表示偏差程度的量，先求某一群体的平均值与实际值差数的平方和，再用自由度除平方和所得之数即为方差（普通自由度为实测值的总数减1）。组群间的方差除以误差的方差称方差比，以发明者RAFisher的第一字母F表示。将F值查对F分布表，即可判明实验中组群之差是仅仅偶然性的原因，还是很难用偶然性来解释。换言之，即判明实验所得之差数在统计学上是否显著。方差分析也适用于包含多因子的试验，处理方法也有多种。在根据试验设计所进行的实验中，方差分析法尤为有效。

方差法计算原则:

一种表达值精确度的常用方法是表示真值在一定概率下所处的界限，平均值的界限给出：数据结果如果有两组试验结果，表示对两种材料进行的同样试验,了解这两组结果的平均值究竟有无明显差别，所算出的这一参数就是最小显著性之差，假如这两个平均值之间的差别超出这一参数，那么这两组数据来自同一总体的机会就会很小，也就是说这两者的总体很可能是不同的,最小显著差由下式计算,若每组所含的数据个数相同，如果这一比值大于从分布表查得的相应的值，那么这两个标准偏差在一定概率水平上是显著不同的，这种显著性检验仅在数据分布呈正态分布或接近于正态分布时才是有效的,采用合并标准偏差检验平均值显著性差异应严格限制在比值检验标准偏差有明显差异时使用,有多种原因会造成试验结果的波动性，因此最好是经常测定总变动性中的每一变动源所占的比例,方差分析就是用于评价总变动性来自每一变动源中各组分显著性一项技术,是以构成总方差的各独立因素方差而不是标准的总和等于总方差这一基本事实为基础的,其总的原则是鉴别试验变动性的可能来源，编制方差分析表，以得出每一组分平均值偏差的平方和，以及相应的自由度数值的均方值，方差的数据主要与加工性能以及损耗等多种因素有关。

SPSS软件进行方差齐性检验，都是levene检验得出的；

Levene的结果主要出现在方差分析和独立样本T检验中，用于考察方差是否齐性；Sig值(p值)是根据F值计算出来的，因此只要看sig值就可以推断方差是否齐性；

一般情况下，只要sig值大于005就可以认为方差齐性的假设成立，因此方差分析的结果为正确的；如果sig值小于或等于005，方差齐性的假设就存在错误，导致方差分析的结果也是错误的。

以上就是关于方差分析中为了拒绝零假设我们希望组间变异和组内变异的比例是越小越好全部的内容，包括:方差分析中为了拒绝零假设我们希望组间变异和组内变异的比例是越小越好、"外卖小程序"分析报告、用spss做单因素方差分析，F值代表什么意思等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！