多元方差分析和重复测量方差分析.pptVIP

多元方差分析 多元方差分析 协 方 差 分 析 回归分析和方差分析结合的一种统计方法。 协 方 差 分 析与方差分析的区别 方差分析所有的自变量（效应因子）都是离散型分类变量，该分类变量是用来比较在自变量的各个不同水平上因变量均值的差异。 协 方 差 分 析与回归分析的区别 回归分析所有自变量都是连续型数值变量，它是用来估计自变量改变一个单位时因变量的改变量。 将线性回归分析中对自变量的数据要求放宽，方差分析和线性回归分析就可以应用在同一个总体中－－－广义线性模型分析。 目的：使得统计领域里这两个最重要的分析方法的准确性和实用性得到进一步提高． 方差分析中误差引起的这部分变异可能是由随机抽样时产生的随机误差，也可能是模型以外的其它效应因子或混杂因子引起的误差。因此，建立一个方差分析模型时，不仅要将重要的效应因子包含在模型中，而且要将重要的混杂因子包含在模中。 目的:为了校正因变量，即消除了混杂因子对因变量的影响后再进行方差分析。 如何消除一个混杂因子对因变量的影响？ １、选取各种条件基本相同的样本进行比较。 例如，人的肺活量大小与人的身高、体重、性别和年龄等因素有一定关系。如果比较不同人群的肺活量差异时，需要选择身高等因素相近的人群进行比较。 ２、从统计学技巧上平衡数据，使得方差分析能在基本条件一致的情况下进行。 协变量（covariable） 在协方差分析中，用来校正因变量的数值型变量。 协方差分析（analysis of covariance） 含有协变量的方差分析。 协方差分析因变量Y应当满足以下假设条件： １、在效应因子的每一水平上，因变量y服从正态分布，且方差相等； ２、在效应因子的每一水平上，因变量 y 和协变量 x 呈线性关系，且斜率相同。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。 前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。 广义线性模型分析（General Linear Model Analysis） 用来分析连续型因变量与任意类型自变量之间各种关系的一种统计分析方法． 它既包含了方差分析，又包含了线性回归分析，还包含了将二者结合起来的各种广义线性模型分析，如协方差分析，广义线性回归分析，多项式回归分析等． 广义线性模型分析 （General Linear Model Analysis） 输出结果涉及到四种类型的离均差平方和 （SS, sum of square）．是应用四种不同公式所得到的． 第一类型SS (Type I SS) 第二类型SS (Type II SS) 第三类型SS (Type III SS) 第四类型SS (Type IV SS) Type I SS与模型中自变量的进入顺序有关，即模型中每一个自变量对因变量的影响效应仅仅校正了在它之前进入模型的自变量（不包括交叉变量） Type II SS与模型中自变量的进入顺序无关，即模型中每一个自变量对因变量的影响效应都校正了模型中其它自变量（不包括交叉变量） Type III SS和Type IV SS 与模型中自变量的进入顺序无关， 即模型中每一个自变量（包括交叉变量）对因变量的影响效应都校正了模型中其它自变量（不包括交叉变量）． 这两种类型SS的区别只有当数据不平衡，且有空组的设计时才显示出来 一般来讲， Type I SS／Type II SS 适用于平衡设计，无交互效应的模型， Type III SS／Type IV SS 适用于非平衡设计，包含交互效应的模型． 在很多情况下， Type I SS＝Type II SS Type III SS＝Type IV SS 基　本　思　想 将变量（难以控制的因素）X 的影响看作自变量，或称协变量，建立应变量Y随自变量X变化的回归方程。 利用回归关系把Y变量中不易控制的影响扣除后，再进行修正均数间差别的假设检验。 修正均数间的多重比较用q检验（SNK法）。 例： 为了研究两种药物对癫疯病菌的治疗效果，将３０名病人随机分成３组。 １　使用抗生素Ａ (A组) ２　使用抗生素Ｄ (D组) ３　使用安慰剂 (F组) 治疗前和治疗后分别对病人身体的癫疯病菌数量进行了检测，病菌的数量是由每一个病人身体上六个部位病菌感染的程度而定的． X：治疗前病人身体的癫疯病菌数量 y：治疗后病人身体的癫疯病菌数量 Drug：用药种类 两种药物治疗癫疯病菌效果观察