动物饲养试验方法与设计

10动物饲养试验方法及设计一、概述饲养试验有狭义和广义之分。狭义的饲养试验系指在饲养治理和环境条件接近生产实际条件下所进展的争论，也称科学经济试验。在这类试验中，通常是在掌握饲养环境条件下，通过赐予动物养分含,评定饲料养分价值,确定动物对养分物质的需求和或者比较不同日粮或饲料的优劣和鉴定动物的生产性能；广义的饲养试验包括接近生产条件的消化试验、物质与能量代谢试验、比较屠宰试验以及通过生理生化指标测定以探讨养分物质在体内的代谢规律以及对动物体的影响等方面的争论。在畜禽养分与饲料争论的各个领域，狭义的饲养试验的结果反映畜禽对日粮或饲料的综合影响，但为说明事物的内存规律，还需要辅之以各种广义的饲养试验，两者是互为因果，相辅相成的。饲养试验名目繁多，但全部饲养试验的根本原理都是为到达某种目的。用样本平均数估量总体平均数，再通过统计推断和技术推断得出结论。因此，试验设计科学合理便成为试验成败的关键。无疑，试验数据的收集、整理、统计和分析等也至关重要环节。二、饲养试验的根本原则一般饲养试验的程序是：立题、查阅文献、拟定开题报告、论证、拟定实施方案、标准记录表格、一般饲养试验的程序是：立题、查阅文献、拟定开题报告、论证、拟定实施方案、标准记录表格、,但即使在同样条件下的重复试验，其结果亦会有肯定的差异。因此，在试验设计时，合理配置因素和水平，是减免试验误差，尤其是试验因素以外的系统误差的重要措施。〔一〕试验设计的根本要求１试验的代表性试验材料〔包括动物〕应能代表总体〔群体〕水平，试验条件不仅力求结合当前生产实际，同时还应考虑小试扩大后可能消灭的问题能反映将来推广试验结果所在地区的自然条件以便在具体条件下应用。既要代表目前条件，同时还要看到某些技术将被承受的可能性。２试验的正确性正确性包括准确性和准确性两个方面。准确性是指试验结果是否接近于真值。由于真值是未知的，所以我们只能用样本的统计数来推断。准确性是指试验误差的大小，可用屡次测定值的变异程度衡量。试验误差首先是试验材料本身固有的差异造成的变异，其次是由于在试验环境条件和操作过程中造成的误差。因此，准确性不等于准确性，但要获得高的准确性，必需首先提高准确性。用降低误差的方法，诸如增加重复、随机化、配比照较、区组设计等等，即可提高试验的准确性。３试验的重演性试验过程中要严格检查各种设施、条件，遵守操作规程，具体观看，准确记录，认真核对，认真分析，对可疑数据进展必要的重复验证，以避开人为因素引起的误差。４试验动物的均匀性主要包括遗传背景、年龄、性别、胎次、体重、生理状态、安康状况等等。应使这些条件尽量一样或相近。验设计的要求后延效应的影响。〔二〕试验设计的原则一般只要把试验预备工作做得精细一些，由于试验动物、饲料种类、饲养治理条件所引起的系统误差，〔统计分析中称试验误差〕是难以完全消退的。为了尽量削减这类试验误差，提高试验的准确性，在试验设计中应遵循以下原则：１重复(只)动物，也可以是多头。重复增加，每重复内的头数可适当削减；反之，削减重复应相应增加每重复的头数。重复的最主要作用是估量试验误差，假设一批处理只有一个观看值，便无从求得差异，也就无法估量误差。误差的大小与,由动物来源、环境和管,依据,6-12为宜。２随机化所谓随机化是将各试验单位的相关试验因子通过随机安排到各种处理中去，各组随机承受任何一种处理，使其不受任何主观因素的影响安排到各处理组中。随机化的目的是使偏差趋于相互抵消，即把系统误差转化为偶然误差。因此，重复与随机相结合，试验就能供给无偏的试验误差估量值。随机化的安排方法很多，以随机数字法较为常用。３局部掌握试验设计应考虑承受各种技术措施，掌握和削减处理因素以外其它各因素对试验结果的影响。增加重复可削减试验误差，但同时会加大系统误差，而随机化可将系统误差转化为随机误差。因此，承受分〔区组间〕和组内〔区组内〕的系统误差。各组间系统误差条件根本全都，不会影响组间比照，而组内系统误差由组内随机配置转化为随机误差，并且实行区组内条件保持全都〔或均等〕的治理方法，即局部掌握，可使随机误差尽量缩重复、随机化、局部掌握这三条原则由试验设计创始人Fisher提出过三者相互关联。依据这三条原则设计试验，协作适当的统计分析，就能得出牢靠的试验结果。〔三〕试验设计中的一些共性问题１因素与水平的选取１因素与水平的选取对试验结果有影响，在试验中被选中进展比较的那些缘由称为因素。水平则是因素所处的条件或状况。二者综合为试验处理。依据试验中选取因素的个数，把试验分为单因素试验与多因素试验。〔１〕因素的选取方法假定A、B34个水平，想知道其最正确组合，可以有三种设计：①对因素A、B分别做单因素试验②对因素A、B做二因素试验③A、B两因素的水平组合中，只做认为适宜的局部组合〔２〕水平的选取方法A3个水寻常，B因素的水平固定在B。同理，比较B•4个水寻常，A因素的水平固定在A。这样，随着A或B的不同，不仅结论不同，而且哪一个都不是真正的最正确12牢靠技术的前提下，水平组合构成的多因素试验比同时做几个单因素试验要好。但因素增加，水平组合数也加大，给试验的实施带来困难。为此，在整理过去已有阅历和学问的根底上，承受只作局部组合的方法，应承受方法①和方法③，即等于作了多个水平的单因素试验。总之，因素的选取不仅与试验目的〔２〕水平的选取方法如在试验中想尽可能多项选择取一些因素，而又不使试验规模过大时，则应考虑削减因素的水平数。通23个水平，只有在特别场合下才考虑取45个水寻常，试验组数增加，对试验的实施不利。水平梯度过窄，不易准确掌握，效应差异不明显；水平梯度过宽，简洁超出正常反响，漏掉最正确值。水平设置最普遍的做法是先宽后窄，即先进展预试验在水平较大的间隔下初步筛选，然后再缩小间隔准确确定。在多因素试验中，可将水平数错位配置，这样交互作用项的变化范围缩小，承受局部也简洁实施。２试验规模确实定总之，因子、水平、重复、误差自由度和检验水准之间是相互制约的，最终的目的是既要使试验简洁实施，又要使结果真实牢靠。２试验规模确实定最小显著差数欲获得正确的饲养试验结果，在进展试验设计时，不仅要尽可能地排解处理因子以外的其它一切干扰因子的影响，还需有肯定数量的重复组数和足够的试验动物总数。试验规模的大小取决于对试验精度的要求。精度要求低，动物可以少些，精度要求高，动物可以多些。而试验精度与最小显著差数、变异程度、误差自由度等亲热相关。最小显著差数〔１〕最小显著差数是两个平均数的差异到达显著水平的临界值。两平均数之差大于、等于此临界值时，推断为差异显著，小于此临界值时，推断为差异不显著。进展试验设计时，首先要确定最小显著差数。然后,,说明试验愈精细，精度愈高；反之，则说明试验愈粗放，精度愈差。个牢靠而明确的结论。中试或鉴定性试验最小显著差数的大小，依动物种类、试验的具体条件及特定的要求而定。一般状况下，对体重〔包括日增重、体尺等以确定数表示的指标，其最小显著差数可用相对相差〔差数占平均数的百分比〕表示，通常以不超过5％为宜；象产蛋率、瘦肉率等以百分数表示的指个牢靠而明确的结论。中试或鉴定性试验最小显著差数的大小，依动物种类、试验的具体条件及特定的要求而定。一般状况下，对体重〔包括日增重、体尺等以确定数表示的指标，其最小显著差数可用相对相差〔差数占平均数的百分比〕表示，通常以不超过5％为宜；象产蛋率、瘦肉率等以百分数表示的指标，其最小显著差数可用确定相差表示，通常以不超过3个百分点为宜。个体为重复的状况下，样本数不应少于6。固然，这也与试验动物本身的生物学特性有关。〔２〕变异程度最小显著差数与变异程度有关。变异程度越大，则试验误差越大，最小显著差也越大。变异程度通常用标准差(S)和变异系数(C.V)的计算公式如下：Σ(X-X)2n-1S＝Σ(X-X)2n-1SC.V= ───×100％… 式(2)X式中：X为观测值，攽X敀为观测值的平均数，n为重复数。误差自由度吉田实〔1984〕指出，对体重、体尺等测定值，标准差的大小随平均数而变化，而变异系数则相对稳定。如一般家畜体重的变异系数为12％左右，鸡为14％左右；消化率的标准差，草食动物为2.6％左右，鸡为3.77.5％左右〔吉田实，1984)。将式(1)转化为式(2)后,即可利用变异系数计算最小显著差数。误差自由度〔３〕最小显著差数也与误差自由度(dfe)有关。自由度越大，t0.05的值越小，最小显著差数也越小。所以，10～20为宜。误差自由度与试验设计方法有关：完全随机化设计时：dfe=k(n-1) 式中：k为处理数，n为重复数随机区组设计时：dfe=(a-1)(b-1) 式中：a为处理数，b为区组数在试验动物数肯定的状况下，每重复内的动物数越少，则重复数越多，误差自由度越大。试验动物总数确实定误差自由度小于5的试验很难供给有意义的数据。不同试验的误差自由度计算有别，但均与处理个数和观看值的重复数有关。提高显著水准可削减犯第Ⅰ类错误的可能性，但同时也增大了犯第Ⅱ类错误的可能性。因此，适当增大试验样本的含量，是降低试验误差，提高试验的准确性的有效措施。试验动物总数确实定〔４〕最小显著差数、变异程度、误差自由度〔反响t值的大小〕与试验动物头数之间的数量关系见公式和(4)。知道任何三者，即可求得第四者。2 ×2 0.05

(dfe)×S2N＝─────────── 式(5)LSD20.052 ×2 0.05

(dfe)×(C.V)2LN＝───────────── 式(6)L20.05式中：LSD0.05为平均数确定相差的最小显著差数，L0.05为平均数相对相差的最小显著差数，其它符号的含义同前。m头〔只〕时，则应按如下公式换算为以个体为单位的标准差和变异系数：mmmS=S·√mmmC.V＝C.V·√m(5)，试验指标为体重、体尺等确定指标时，应用式(6)。mdf2=12，P=0.050.01F值下降就减慢。因此，可以考虑以自由度12作为打算重复数的根本依据，K为重复数，m为处理数，则：12K＝──────＋1 式〔7〕总之，因子、水平、重复、误差自由度和检验水准之间是相互制约的，不行片面强调一方。最终的目的是既要使试验简洁实施，又要使结果真实牢靠。m-1总之，因子、水平、重复、误差自由度和检验水准之间是相互制约的，不行片面强调一方。最终的目的是既要使试验简洁实施，又要使结果真实牢靠。３试验日粮的设计４测定指标确实定承受饲养试验评定饲料生物学效价时，大多需要配制根底日粮。为了争论便利，排解日粮组成中某些养分的等因素的干扰，有时还需要设计纯合或半纯合日粮。有些试验因子在不同的日粮类型或养分水平下会得出不同的试验结果，因此，对于这个问题必需客观地慎重考虑。在肯定程度上日粮设计就是因子设计，既要考虑因子在日粮中所起的作用程度及其范围，又要避开人为因素的影响。例如，酶制剂的作用效果不但与动物的种类有关，而且与日粮构成亲热相关。在鸡日粮中，植酸酶的添加水平和效果因根底日粮的构成和其中植酸酶含量不同变化很大。其次，抗生素在低养分水平日粮下比高养分水平下的使用效果更明显。又譬如，在评定蛋氨酸及其羟基类似物的生物学效价时，根底日粮中必需缺乏蛋氨酸。假设根底日粮中蛋氨酸已满足需要，那么很简洁得出这两种产品的生物学效价相近的错误结论。实际上，在蛋氨酸严峻缺乏的状况下，蛋氨酸羟基类似物的生物学效价只有蛋氨酸的50％左右。同时，传统的方差分析和直线回归分析会过高地估量氨基酸的生物学效价。只有选用缺乏氨基酸的根底日粮，并结合曲线回归分析才能得出牢靠的结论。４测定指标确实定５数据的收集与整理测试指标的选取要以能客观反映试验因子作用的效果为前提，既要考虑针对性和灵敏性，又要考虑测试条件的局限性。通常选日增重、饲料转化率等简洁测定的生产性能指标作为测定指标。而对于某些没有针对性意义的指标则可以不选。就养分需要量而言，衡量指标不同，需要量有很大差异。所以，测试指标的选取并不是一成不变的，要依据多种条件综合考虑，才能得出客观的规律。５数据的收集与整理统计与分析来说明论据。因此，数据是争论报告的核心，应留意以下几个方面：保证记录的完整性和真实性。试验期间,应选用固定仪器设备，不要轻易更换。所用仪器设备要准确〔应常常进展校验时，要真实纪录，严禁随便涂改或无原则地取舍数据。记录的数据文件要妥当保管，最好一式两份分别存放并准时签署记录者及年月日。对原始数据要准时整理计算。对可疑数据应反复究其缘由，全部保存特别值备查。确实以后，一般以平均数加(减)二倍标准差为限,可以将极大值或微小值依据统计学原理剔除或按缺值处理。按试验设计方案进展统计分析，在得出差异显著或不显著之后，还有必要再观看数据的变化规或是组间差异超过了处理间差异。三、饲养试验设计分类总之，生物统计是建立在生物学和统计学根底之上的，假设生物学本身的理论建立不在充分的根底上，即使再准确计算也毫无意义。反之，正确的理论也会由于不准确的计算而导致错误的结论。因此，在作出统计结论之后，还必需再在生产上加以验证才行，决不能轻率定论。三、饲养试验设计分类下面主要争论常用饲养试验设计方法的适用范围及留意事项〔一〕单因子试验设计１完全随机化设计按因子设计水平数目，将试畜随机分组，然后配置到各个处理中去。该试验设计要求供试动物除处理因素的水平之外，试畜来源、治理和环境条件等尽量全都。它适用于组间非试验因素差异无视不计的状况。一般把试验因素的零水平作为比照组。两种处理平均数的比较用t检验，多种处理用F检验。假设两种处理试验单位变异很大，难于到达条件全都，在符合配对的状况下，可以考虑用配对设计，如同胎同性别仔猪、同一试验对象的前后两次观看值，都可以认为是配对的。但假设找不到配对动物，也不行牵强配对。假设试验规模过大，组间难以到达条件全都，就必需承受随机区组设计，否则会混淆试验因子的真正效果。２随机区组设计在组间难以到达全都的状况下，可承受设置区组的局部掌握方法，这样可把组间误差单独分开，从而突出了试验因子的差异程度。承受随机区组设计时，应留意以下几个问题：在系统误差比较大的状况下，把它分别出去〔设置区组〕格外有利。•但分别区组削减了误差自子与区组有交互作用时，不应承受无重复的随机区组设计。在畜牧试验中，常把试验场、同一场内的不同畜舍、试验日期、•家畜的窝别和胎次等作为区组且群体愈大，导致的系统误差与试验误差也愈大。难以用生物统计学方法进展比较。３拉丁方设计有时不仅上述因素会产生系统误差，而且试验挨次也会产生系统误差，用消退区组间差异的方法同样可以剔除这种差异。对于泌乳奶牛，在不同个体和不同泌乳阶段都分别设置一套因子，这种配置形式就是拉丁方设计。同样，区组因子与被检验的因子之间不应当有交互作用。假设前一试验阶段的处理有残效，就会全部包括在误差项里而增大误差。为此，每个阶段之前必需有肯定的预试期，使残效消逝，或延长试验期，只使用后半期的数据进展分析。拉丁方设计可用较少的动物获得较多的试验结果。为了抑制缺值，扩大误差自由度，提高检验的准确性，可设置重复或与随机区组结合进展。４穿插设计穿插设计是指处理因素在不同个体或期别间进展对调。例如，争论尿素对泌乳奶牛的饲用价值，可设置比照料A1和尿素协作饲料A2A1--A2--A1；其次组：A2--A1--A2。同理，可将试验分为前期和后期，处理在两组间进展对换。这种方法的优点是可消退个体和期别间的误差，用较少的试验动物可获得较高的精度。但必需满足以下条件：无视因子间的交互作用；没有处理残效；两组试畜头数相等。〔二〕复因子试验设计１析因试验设计争论全部变因效应的试验设计称为析因设计，它包括主效应和交互作用，通常以二元配置法较为普遍。A、B两因素的水平数a、b之积为试验处理数。各处理有重复的试验叫做有重复的二元配置法，没有重复时，ab个处理各做一次试验，其解析步骤与随机区组试验完全一样。实际上，随机区组设计是把区组作为一种因子的二元配置法。无重复时，把区组与处理的交互作用作为误差进展Ｆ检验。要争论交互作用或交互作用不容无视时，必需承受有重复的配置。交互作用是统计学的推断，必需协作生物学知识加以综合定论。同时，各因素水平在两个以上状况下，方差分析显著时，还须进展多重比较。２裂区试验设计有时试验因子的重要程度不同，没有必要象析因设计那样把全部的因子按同等地位处理或一起进展试验。裂区设计是把主试验〔主区〕再分割成副试验〔副区。例如，比较不同品种雏鸡对饲料能量和蛋白含量变化的反映，可由品种的一元配置与饲料〔能量和蛋白〕的二元配置法构成裂区设计。裂区设计有以下特点：对一级因子的检验精度低。•由于对一级因子的主效应以及两个或两个以上一级因子的交互作用都用一级误差检验,一级误差在理论上比二级误差大,而其自由度又比二级误差的自由度小,因此,一级因子的主效应及其交互作用,假设不是相当大的话,的，是否显著都无关紧要。对一级、二级因子交互作用的检验精度高。裂区设计(吉田实,1984)。３正交试验设计正交试验设计是在复因子试验设计中有规律地选取具有代表性的局部水平组合进展试验，这样既考虑了多因子多水平，又不扩大试验规模，它的实施依据是依据选定的因子和水平数，合理选择正交表，按表安排试验。由于多因子的交互作用随着因素的增加而渐渐变小，所以3因素以上的正交试验一般不考虑交互作用。正交设计适用于多因素、多指标、试验周期较长、试验误差较大的试验，尤其适用于争论养分物质间的合理配比。四、饲养试验的统计学评估(一)设计方法及其精度对动物饲养试验进展统计学评估有助于找出试验设计以及试验单位或材料选取方面的缺陷。按试验,BajpaiNigam(1980)引入了两个参数:设计权重(W1)和精度权重(W2)W1W20～11，表示试验设计愈合理，精度愈高。１定性试验(completerandomdesign,CRD)，随机区组设计(randomblockdesign,RBD)、拉丁方设计和穿插设计。在这些设计中，穿插设计是最好的设计方法，它能从试验误差组分中消退个体间的差异，因此，设穿插设计的W11。而对于CRD、RBD和拉丁方设计，一般的原则是：假设误差自由度大于5，它们的W1值分别为0.7、1.0、1.0；相反，假设误差自由度小于5，无论何种设计，W1值均为零。W2的值时，可将定性试验分为短期试验〔小于或等于3个月〕和长期试验〔3个月以上。短期试验通常争论维持需要，长期试验则以争论生产性能为目的。在•Bajpai•和Nigam所收集的试验中，对于维持需要，31％的试验的变异系数小于等于5％；而对于产奶量、产毛量、增重等生产指标，变异1031％、25％、45较高，而争论生产性能的长期试验变异较大，精度较低。依据变异系数查表可得知W2的值(Bhatia等,1992)。２单因子定量试验单因子定量试验W1确实定与定性试验一样，但对于W2确实定，必需考虑试验目的。2，假设水平数等于2，那么W2为零。对33个以上水平来讲，假设处理的一次和二次组分都显著，W21；假设仅是局部一次和二次组分显著，W20.5；假设一次和二次组分都不显著，则W2为零。寻求代替范围试验：在短期和长期试验的变异系数分别为5％和15％的状况下，假设处理不显著，那么W2为1，其它变异系数下W2的值与定性试验相像。假设处理显著，把处理平方和剖分成一次和二次组分检验它们的显著性，假设任一组分显著，它的结果是负效应，那么置W2为零，这说明所选的代替范围没有起作用。假设一次反响是正的、显著的，而二次组分不显著时，置W2等于0.5，这说明检测不到最大代替水平。在一次效应为正而二次效应为负或可获得最大代替水寻常，W21。３多因子定量试验反响面试验：多因子试验的主要目的是估测一系列因子与反响值之间的关系。一但获得适宜的〔反响面的必需条件是信息矩阵的非奇性。假设试验的信息矩阵是奇性的且不能估测模型参数，则W1为零。当1G率〔或称最适标准〕最为适宜。2121 2 争论不同因子主效应及其交互作用析因试验的W1和W：假设全部因子组合以完全随机化和拉丁方设计，W11。在混杂设计的状况下，W1W11W。W11与效应的相对重要性有关。在全部混杂试验中，W11都为零。对完全析因设计，W12等于其在全部效应总自由度中所占的比例。对局部析因设计，W11与最适标准有关，其确定方法与反响面试验一样。对S×S×……×S2121 2 W2按下式计算。具体计算实例可参阅Bajpai(1980)的文章。k nW＝────────W i=1 i 2i＝────────2 n式中：n:全部效应和交互作用的总自由度ni:与次序效应有关的自由度W2i:与次序效应有关的权重(二)剂量-反响数据的解释与曲线模型的应用１方差分析〔F(二)剂量-反响数据的解释与曲线模型的应用１方差分析〔F检验〕及多重比较２折线模型剂量-反响试验，t检验和方差分析，并非总是比较准确的统计分析方法。应用方差分析的前提是试验数据具有可加性、正态性和同质性。多数试验资料可以或根本满足这三个条件，因而，由方差分析能够做出有效的推断。但也有一些资料不能满足三性假定，对这些资料就不能直接进展方差分析，一种方法是承受非参数方法分析，另一种方法是将变量进展适当的转换后再进展方差分析。多重比较的方法主要有:最小显著差数(LSD)法、Duncan氏复极差法(SSR法)、TurkeyDunnett氏最小显著差数法等等。一个试验选用何种多重比较方法，主要应依据否认一个正确假说和承受一个不正确假说q检验;假设承受不正确的假说SSR检验或有FLSDMorris(1989)指出,当处理间有规律构造时，用Duncan法进展多重比较是不恰当的。此外，始终选用5％的概率水准也并不适宜，应依据具体的试验要求选取适宜的概率水准。２折线模型３抛物线模型,反响值是养分素进食量的线性函数。超过阈值后，反响值突然停顿。这一模型仅适用于离差均方略微小于误差均方的重复组数据。折线模型仅适用于个体。当人们进展饲养试验时,•所用的试验动物必定超过一头(只),因而实际上的,,某些特定状况下的剂量反响数据听从折线模型,但在实践中并非如此。３抛物线模型模型方程为：Y=a+bx+cx2 〔x为养分素摄入量，Y为反响值。假设前提是：动物对某一养分素的４双曲线模型,大多数养分素的摄入量过剩时,会引起生产性能下降,但这种反响很少与摄入量缺乏的反响对称,在一个较宽的范围内,养分素摄入量过剩时对生产性能也无不良影响。可见,抛物线模型从原理上是不通的(Morris,1989)。４双曲线模型５Reading模型模型方程为：Y=a-bc-x〔x为养分素摄入量，Y为反响值，a、b、c分别为生物参数。此模型假设在肯定范围内，反响值到达一个顶峰值，且不随养分素摄入量的增大而减小。该模型的优点是，与抛物线模型相比,５Reading模型模型方程如下：W W WW W Y＝aΔW＋bW＋X a2δ2 ＋b2δ2＋2abγ δW W WW W Δ Δ Δ式中：ΔW:平均增长率 W:平均体重δΔ:群体增长率标准差a:每克增重需要量δW:体重标准差 b:每克体重需要量X:标准正态分布之离均差Y:需要量γΔW:群体内个体间增重率与体重间的相关系数这种模型的优点之一是与日粮处理无关，而是取决于试验动物的变异性，但这种变异在不同试验之间变化不大。另一个优点是方程中的系数是有生物学意义的参数。因此，依据一组试验动物的一系列数据，就可以估量另外一组平均体重不同的动物的反响曲线;•汇总很多试验结果，便可获得最正确的反响系数估量值。此模型的缺点是，假定个体产量呈正态分布，而且都分布在平均数四周，并且需要估量平均体重。这一假设在短期试验易于满足,而在长期试验，则不易做到。某些饲养试验不能用Reading么是由于养分素摄入量过于简单或难以确定,要么是由于反响值不直接依靠于养分素摄入量而变化(Morris,1989)。〔三〕定性与定量因素饲养试验的统计分析对于定性与定量因素试验结果的统计分析，现行的做法大多承受参数差异的统计比较方法，或t检验或方差分析。实际上，当应用最小二乘法将方差分析转化为回归分析时，对于定性因素试验而言，运用多元回归分析不仅可将指标变化剖分成各因素水平影响的几个局部，而且对次级样本含量不等资料的方差分析结果与次级样本含量相等资料的方差分析结果一样。但对于定量因素试验来讲，假设照旧沿用定性因素试验的分析思路，那么除了几个参数因素组外，以其它水平取值的效果如何则难以判定。既然因素与指标间存在相关，就可以直接建立两者间的回归函数关系，估量因素允许取值区间任一水平效应的理论值，并以此值代替相应参数水平观看值的均值进展方差分析，此法等同于以因素为自变量，指标为依变量的回归分析。由此看来，对于定量因素而言，回归分析具有方差分析的成效，并且回归分析考,回归分析还有方差分析所不具备的推测功能，因此，应当承受回归分析法处理定量因素试验。由于定量因素饲养试验的统计处理应承受回归分析方法，而定性因素饲养试验通常承受方差分析方法，因此，对于定量与定性因素混合饲养试验资料的统计处理，明显是回归分析与方差分析的结合。这种结合有别于协方差分析。相对定性因素的不同水平比较而言，定量因素就成为协变量，这在某种程度上拓宽了协方差分析的范围，而且在一个饲养试验中可以有多个协变量。具体分析方法查阅有关文献。〔四〕饲养试验中的多指标综合分析饲养试验可同时考虑两个以上指标，用以比较两种或多种日粮的不同效果。对于这类资料，人们多:没有考虑各指标的整体效应;不同指标反响效果不全都时,很难判定两种处理方法的优劣。所以，它并不能真实反映问题的实质。因而有必要对几个指标同时考虑，进展综合分析。其统计方法可参见有关文献。〔五〕动物生长过程的统计比较方法动物的生长模式是曲线型的连续生长过程。通常只能在适当条件下测量生长过程中的一些特定生长点。假设能建立反映动物生长规律的数学模型，便可在不同饲养条件下推测其生长状况，一般以几个参数来描述。考虑到不同时刻生长点的相关，如将每个观看时刻的生长量都视为随机变量，以由各观看点〔杨运清和陈翠铃，1994。五饲养试验的其它设计方法〔一〕均匀设计从试验点在试验范围内的均匀性动身进展的试验设计称为均匀设计。均匀设计具有很多优点：布点均匀，代表性好;每个因素的每个水平只做一次试验;试验次数仅随水平数增加而增加。均匀设计依据一系列均匀设计表安排试验。如U5(56)65个水平，共做5次试验。均匀设计安排的试验，由于每个因素水平较多，而试验次数较少。所以，最好的分析方法是多元线性回归分析方法，回归平方和检验可通过复相关系数R•检验进展。R1，线性回归方程的可信度愈高。回归设计与正交设计比较，可大大削减试验次数。例如，L25(56)25•U5(56)则只需做5次试验。同时，省工、省时、省费用，同正交设计一样可以到达预期的效果。因此，应用范围很广,常用于筛选多因素之间的最正确组合。〔二〕回归正交设计随着寻求最正确工艺和配方以及建立数学模型的需要，人们越来越要求以较少的试验建立精度较高的回归方程。这就要求摆脱只是处理已有的试验数据，而对试验安排几乎不提任何要求的被动局面，主动地把试验安排、数据的处理和回归方程的精度统一起来加以考虑，就是依据试验目的和数据分析来选择试验点。这样，不仅使得每个试验点上获得的数据含有最大信息，而且削减试验次数，使统计分析具有较好的性质，这就是回归设计与分析所争论的内容〔,197。回归设计与分析的根本思想是：设：自变量X1,X2,……Xn和依变量Y可用如下函数表示：Y=f(X1,X2,. Xn)寻求最优化就是要在自变量空间中寻求Y回归和二次回归正交设计。１一次回归正交设计一次回归正交设计主要是运用二水平正交表，设计和分析的主要步骤如下：确定因子的变化范围：假设每个因子设两个水平，那么它们的算术平均数以及差的一半分别为零水平和变化区间。对每个因子的每个水平进展编码：对因子的取值进展变换，建立一一对应关系。选择适当的二水平正交表：把各变量放入正交表的某些列上，把这些列取出就组成了一项试验打算。在试验打算中，任一列的和及任二列的内积之和都等于零。由此，用二水平正交表编制的这种试验打算具有正交性。回归系数的计算与统计检验：由于设计的正交性，因而消退了回归系数的相关性，所以一次回归正交设计的计算与显著性检验同正交设计多项式回归完全类似。回归系数的符号和确定值大小刻划了对应变量在过程中的性质和作用。在筛选因子和查找最优区域中，一次回归正交设计应用较为普遍。２二次回归正交设计二次回归正交设计与一次回归正交设计根本原理一样。为了计算二次回归方程的系数，每个变量所取的水平应大于等于3，当变量超过4个时，试验次数的增加会使得试验无法进展。因此，人们提出了组合设计，即在因子空间中选择几类具有不同特点的点，把它们适当组合起来形成试验打算。组合设计的试验点比三水平全因子试验要少的多，但仍保持足够的剩余自由度，它在一次回归的根底上获得，假设一次回归不显著，那么只要在一次回归试验的根底上，再在星号点和中心点补充一些试验，就可求得二次回归方程，这对试验者是很便利的。但要使组合设计具有正交性，就要确定星号臂。二次回归正交设计的步骤与一次回归正交设计类似，也需要确定因子的变化范围并进展水平编码，同时要选择相应的组合设计表，查出此设计具有正交性的星号臂。缺乏旋转性是二次回归正交设计的主要缺点，这是由于回归系数的方差不全相等。二次回归正交设计主要用于寻求最正确配方和建立生产过程的数学模型。〔三〕回归旋转设计旋转性是指多维编码空间内，位于同一球面上的点的推测值的方差是相等的，即各回归系数的方差〔回归系数的方差不相等归设计具有旋转性，需要弄清楚旋转性在回归设计中的要求。在回归设计中，只要N个试验点至少位于半径不等的两个球面上，•就可获得旋转设计方案，一般通过在中心点补充一些试验或借助组合设计〔上海师范大学数学系，1977〕来完成。这样就可依据旋转性的要求，确定组合设计的星号臂，查表安排试验。〔四〕二次回归正交旋转组合设计这种设计是将回归正交设计与旋转设计组合起来的一种方法该试验布点分散均匀，试验次数少，消退了回归系数的相关性，可直接找出推测值相对较优的区域，克