SPSS教程分析.ppt

第三节 协方差分析 在方差分析中，控制变量的各个水平都可以人为控制，但在实际问题中，有些控制因素很难人为控制，但它们的不同水平确实对观察变量产生较为显著的影响。在方差分析中，如果忽略这些因素的存在而单纯分析其他因素对观测变量的影响，往往会夸大或缩小其他因素的影响作用，使分析结论不准确。 如： 研究农作物产量：化肥、品种【地块】 研究饲料对生猪增重：饲料、添加剂【生猪初始体重】 协方差分析即是将那些很难人为控制的因素作为协变量，并在排除协变量对观测变量影响的条件下，分析控制变量对观测变量的作用，从而更加准确地对控制因素进行评价。 协方差分析仍然延承方差分析的基本思想，并在分析观测变量变差时，考虑协变量的影响，认为观测变量的变动受四个方面的影响，即控制变量的独立作用、控制变量的交互作用、协变量的作用和随机因素的作用，并在扣除协变量的影响后，再分析控制变量对观测变量的影响。 单因素协方差分析的数学模型 是在水平Ai下的第j次试验的样本值， 为观测变量总的理论值； 为控制变量水平Ai对观测变量产生的效应；β是回归系数； 是水平Ai下的第j次试验的样本值对应的协变量值； 为抽样误差，是服从正态分布N（0， ）的独立随机变量。 例题 为研究三种不同饲料对生猪体重增加（wyh）的影响，将生猪随机分成三组各喂养不同的饲料（sl）。由于生猪体重的增加理论上会受到自身条件的影响，于是收集生猪喂养前体重（wyq）的数据，作为自身身体条件的测量指标。为准确评价饲料的优劣，采用单因素协方差分析的方法进行分析。这里，猪体重的增加量为观测变量，饲料为控制变量，猪喂养前的体重为协变量。 比较这两个表格，观测变量的总变差（Corrected Total）为2555.958，同单因素方差分析中的SST,随机因素可解释的变差由原来的1238.375减少为227.615，这是由于扣除了喂养前体重的影响造成的。 从表可见喂养前体重对生猪体重增加有显著的贡献；同时在排除了喂养前体重的影响下，不同饲料对生猪体重的增加也存在显著的差异。从模型对观测数据的拟合优度看，考虑协变量的模型其R2为0.911。而不考虑协变量的模型其R2仅为0.515. 第八章 线性回归分析 第一节 相关分析与偏相关分析 第二节 线性回归分析 第一节 相关分析与偏相关分析 相关分析通过图形和数值两种方式，能够有效揭示事物之间的统计关系的强弱程度。 一、散点图 绘制散点图是相关分析中极为直观的分析方式。它将数据以点的形式画在直角平面上。通过观察散点图能够直观地发现变量间的统计关系以及它们的强弱程度和数据的可能走向。 Graphs---Legacy Dialogs---Scatter/Dot 例题 根据31个省市自治区部分高校有关社科研究方面的数据，研究立项课题数（当年）与投入的具有高级职称的人年数（上年），发表的论文数（上年）之间是否具有较强的线性关系。 （一）简单散点图simple scatterplot 表示一对变量间统计关系的散点图。 指定某个变量为散点图的纵轴变量，选入Y Axis 框中； 指定某个变量为散点图的横轴变量，选入X Axis 框中； 可把分组变量指定到Set Markers by框中，样本数据被分成若干组，并在一张图上分别以不同颜色绘制散点图。该项可省略； 把标记变量指定到Label Cases by框中，表示将标记变量的各变量值标记在散点图相应点的旁边。该项可省略。 双因素方差分析的数据结构 ? 是因素A的第i个水平下各观察值的平均值 ? 是因素B的第j个水平下的各观察值的均值 ? 是全部 kr 个样本数据的总平均值 其中Lij为因素A第i个水平和因素B第j个水平下样本观察对象的个数。 计算均方 MS 各离差平方和的大小与观察值的多少有关，为消除观察值多少对离差平方和大小的影响，需要将其平均，这就是均方，也称为均方差 计算方法是用离差平方和除以相应的自由度 三个平方和的自由度分别是 总离差平方和SST的自由度为 mn-1 因素A的离差平方和SSA的自由度为 m-1 因素B的离差平方和SSB的自由度为 n-1 因素A与B交互作用离差平方和SSAB的SSAB的自由度为 (m-1)(n-1) 随机误差平方和SSE的自由度为mn(L-1) 构造检验的统计量(计算均方 MS) 因素A的均方，记为MSA，计算公式为 因素B的均方，记为MSB ，计算公式为 随机误差项的均方，记为MSE ，计算公式为 多因素方差分析的基本步骤 1，成立零假设 a1=a2=…=am=0; b1=b2=…=bn=0 (ab)11=(ab)12=…=(ab)mn=0 2,选择检验统