【2017年整理】公选SAS_6.ppt

方差分析与卡方检验 方差分析 应用：两个或两个以上组均数的比较 几个概念： 分类变量：把要考察的处理因素做为分类变量，即自变量。它的取值即为分类变量的水平，可以是数值型，也可是字符型 因变量：也称响应变量，为连续的数值型变量。 效应：方差分析模型中规定的各分类变量组合代表其相应的效应 方差分析 主效应： 由分类变量本身引起，不考虑其他因素的影响，可以用分类变量本身表示。 Y=a b c ;其中a b c 是主效应 交叉效应：即交互作用。用*连接两个变量以表示它们之间的交互作用 ，检验在A因素的各个水平B因素的效应是否相同，即一个因素的效应是否依赖于交叉项里其他因素 Y=a b c a*b a*c a*b*c ;其中a*b a*c a*b*c 是交互效应 把Y称为因变量，a b c 称为自变量。因变量的个数反映出是一元或多元方差分析，自变量的个数反映的是方差分析的因素的个数 一、多组比较的假设检验 例：比较5种品牌木板的耐久性。 基本思想：总变差=组间差别+组内误差 总变差=组间差别+组内误差 因为检验的是分析数据中的变差，故称为方差分析（Analysis of Variance)ANOVA ANOVA在只考虑组间变差和误差变差时称为单向方差分析（One-Way ANOVA） ANOVA判断由各组间的不同引起的变差L组是否比纯粹由机会引起的变差L误要大 如果L组 L误，各组均值很可能是不同的。 1、单向方差分析 （1）假定 观测是独立的。对一个个体的测量不影响另一个个体的测量 样本为正态分布。如果存在组间差异，则每组有不同的正态分布。 各组的方差相等 1、单向方差分析 （2）数据集的建立 DATA ANOVA1; INPUT BRAND $ W @@; CARDS; X1 2.3 X1 2.1 X1 2.4 X1 2.5 X2 2.2 X2 2.3 X2 2.4 X2 2.6 X3 2.2 X3 2.0 X3 1.9 X3 2.1 X4 2.4 X4 2.7 X4 2.6 X4 2.7 X5 2.3 X5 2.5 X5 3.3 X5 3.4 RUN; 1、单向方差分析 （3）用程序分析 PROC ANOVA data=anova1; CLASS BRAND; MODEL W=BRAND; RUN; 其中，CLASS语句指出分组变量 MODEL语句指出效应模式，即： MODEL 因变量=效应变量 1、单向方差分析 （4）结果分析 输出的第一部分：给出了把数据分组的变量的名字（BRAND），此变量所取的水平、此变量的各个值和数据集中的观测数。 输出的第二部分：标有BRAND的一行PrF一列中给出了比较各组的P值，此例中为0.0112。得出各个品牌的平均磨损有显著的差异 关于多重比较： 以上的方差分析只能发现各组间有显著差异,但无法知道哪些均值不同 若想具体知道哪些组之间的均值差异显著,则要进行多重比较 两两比较常用的方法 SNK DUNCAN等 相应的选项分别为SNK和DUNCAN； 用菜单实现 解决方案/分析/分析家 打开数据集 统计/方差分析/单向方差分析?Dependent brand?Independent Means/brands/snk/ok OK 结论：X3品牌的耐久性较其余品牌的好 用程序实现 PROC ANOVA data=数据集名; CLASS BRAND; MODEL W=BRAND; Means brand/snk; RUN; 其中，means语句请求进行组间均值的两两比较 2、单向方差分析的非参数检验 （1）假定 正态性的假定不满足 （2）数据集的建立 同上 2、单向方差分析的非参数检验 （3）用程序分析 PROC NPAR1WAY data=anova1; CLASS BRAND; VAR W; RUN; 2、单向方差分析的非参数检验 （3）用菜单分析 解决方案/分析/分析家 打开数据集 统计/方差分析/非参数单向方差分析 w?Dependent brand?Independent OK 2、单向方差分析的非参数检验 （4）结果分析 看ProbCHISQ右边的数字0.0175 结论：各品牌的平均磨损有显著的差异 用INSIGHT进行单因素方差分析 在使用Insight进行方差分析时自变量X必须是列名型的。 选分析( Analyze)/拟合(Fit)（X Y) 在弹出的拟合窗选中自变量BRAND,点击X 选中因变量 W ,点击 Y 确定(OK) . 在随即显示的分析结果中包含若干个表： 用INSIGHT进行单因素方差分析 方差分析结果如下 3、二因素方差分析 为研究火箭的射程在其他条件基本相