数据：这三个数据内容是一致的。

data.txt

data.gsh

data.xlsx

参考资料：

SASprogramAugDes.pdf

R代码：

用R语言包进行增广设计数据分析.R

R语言生成的结果：

R语言处理的结果.csv

R语言分析的结果主要是根据一般线性模型，其实质是对方差分析的进一步调整，所谓的调和均值，其实就是混线性模型中，cul+block都当做固定因子的cul的predict means（blup值）。

分析结果比较低级，还没有测试过数据量大和不平衡的情况，总之，靠方差分析的缝缝补补不如用混线性模型分析的功能强大和实用。

下面是GenStat分析的流程：

数据如下：

New和entryc这两列主要是为了区分对照和测试品种两个因素。

New的建立原则是，如果entry为对照，则它就是0，否则是1.那么new.entry就是代表品种

Entryc的原则是，如果是品种，就为999（一个新的水平），如果是对照，则为其本身。那么，entryc其实就是对照。我们先按照一般的分析：Entry和Block都当做固定因子：

方差分析：

我们来看一下同一区组内的品种的lsd，对照的lsd

不同区组内品种的lsd，对照的lsd

可以看出：

不同区组见品种的lsd最大，为0.9613，因为它们不在一个区组内，可利用的信息较少。

同一区组间，品种的lsd为0.8325，因为没有重复

品种与对照的lsd为0.7075，因为对照有重复

对照与对照之间lsd最小，为0.3399，因为都有对照，控制的最好。

将entry和block都当做随机因子，计算blup值，并排名：

可以看出排名前10的品种分别是：31,23,47,30,11,34,14,27,20,25

如果不进行统计分析，根据原始数据进行排名，我们去掉对照，剩下的排名为：

31,23,47,30,34,11,27,14,40,20

两者比较前10名的排名可以看出，前四名没有变化，第五名和第六名顺序反了，第七名和第八名反了，blup值25位第10名，但根据平均值排序则没有出现前10名。

在平均值中出现的第9名（40号品种），没有出现在blup的前10名中。

由此可以看出，根据平均值排名和blup排名基本趋势是一样的，但是也有差异，因为blup去除了区组的影响，估计的是品种的育种值。这只是前10名的差异，前30名差异更大，显然，用blup值进行选择有很大的优势。

将测试品种和对照分开进行考虑：

一般认为对照应当做固定因子，区组当做随机因子。

品种可以当做固定因子，也可以当做随机因子。因为我们需要根据blup对其进行排序选择，因此，这里我们将其当做随机因子。

这里entryc是对照，entry.new是测试品种，block是区组。

方差组分：

估算测试品种的blup，并对其排序：

第一个是测试品种的blup，第二个是所有参试品种（包括对照的）blup值，可以看出两者顺序也有一定差别。一般认为，第一种方法，即将对照当成固定因子，能够去掉更多的误差，得到的blup值更准确。

Blup和sas得到的结果是一致的：

左边是sas的结果，右边是genstat的结果。但是genstat更简便一点。