多元统计应用分析.ppt

在Analyze中绘制分布拟合图和QQ图 在Analyze中打开数据集sryzc; 选择主采单statistc descriptive distributions…. 一元方差分析 平方和分解公式 SST=SSA+SSE 多元方差分析 设第i个p元正态总体 的数据阵为 总离差阵T的分解 总离差阵T=组内离差阵A+组间离差阵B. k 个p元正态总体均值向量的检验 零假设 检验统计量及其分布 否定域 例2.三组贫血患者的血红蛋白浓度(%,X1)及红细胞计数(万/mm3,X2) 300 3.3 200 2.9 310 5.1 180 5.5 290 4.3 240 3.6 310 3.7 220 5.5 260 2.4 275 3.8 290 5.9 160 2.7 195 4.5 220 4.4 230 5.2 230 3.3 270 4.6 220 4.4 330 4.5 245 4.5 170 4.0 240 2.9 230 5.4 240 3.7 305 3.7 180 4.7 190 4.2 250 4.4 270 4.8 210 3.9 X2 X1 X2 X1 X2 X1 C组 B组 A组 检验假设 设第i 组为2元正态总体 来自3个总体的样本容量 检验： 结论2 结论4 k 个p元正态总体均值向量的检验 取检验统计量 例2.(续) 三组的均向量和离差矩阵 三组的离差矩阵之和(组内变异) 总离差矩阵 组间离差矩阵 例2.(续) 多元方差分析表 n-1 T 总 n2=n-k A 组内 n1=k-1 B 组间 n SSCP 变异来源 p=2, k=3,n=30: n1=n - k=27，n2=k-1=2; 2n2=4, 2(n1-1)=52. p=0.001161. 例2.(续) 独立性检验(正态总体) 若 ，则 相互独立 检验 似然比统计量及其分布 独立性检验 正态性检验 p元正态分布的性质 每一个变量均服从正态分布。 变量的线性组合服从正态分布。 p 元正态分布中的任意 k (0km)个变量服从 k 元正态分布。 p元正态分布的条件分布仍服从正态分布。 协方差为0的变量间相互独立。 正态随机向量的概率密度等高线为椭球。 一维边缘分布的正态性检验 把 p元正态性检验化为 p 个一元数据的正态性检验，常用的方法有以下几种： 检验：用于连续型或离散型随机变量分布的拟合优度检验. Kolmogorov 检验:用于连续型分布的拟合优度检验. 仅用于正态性检验的方法 偏峰(Skewness)检验: 在SAS中： ● 关于均值对称的数据其偏度为0； ● 左侧更为分散的数据，其偏度为负，称为左偏； ● 右侧更为分散的数据，其偏度为正，称为右偏。 一维边缘分布的正态性检验 峰度(Kortosos)检验: 利用峰度研究数据分布的形状是以正态分布为标准(假定正态分布的方差与所研究分布的方差相等)比较两端极端数据的分布情况，若 近似于标准正态分布，则峰度接近于零； 尾部较正态分布更分散，则峰度为正，称为轻尾, 尾部较正态分布更集中，则峰度为负，称为厚尾. W(Wilks)检验和D检验.(0W1) W统计量是基于次序统计量线性组合平方的方差最佳估计与通常校正平方和估计之比.当样本来自正态总体时，由样本构造的W的值接近1. 若 一维边缘分布的正态性检验 Q-Q (Quantile-Quantile)图形检验法. P-P (Probability-Probability)图形检验法. QQ图是一种散点图。对应于正态分布的QQ图由点 构成，其横坐标为标准正态分布的分位数，纵坐标 x(i)（i = 1，2，…，n）是将x1，…，xn从小到大排序后的数列，为总体i/n分位点的估计。若观测数据近似正态分布N(μ，?2)，则QQ图上这些点近似在直线y = ?x +μ附近。 (n2000),则否定正态性假设.当n2000时，采用D统计量，若 否定正态性假设. (1) 分布函数与分位数 设随机变量X的分布函数为 ，若 则称 是 的上侧 分位数或 的 下侧分位数