应用统计学方差分析.ppt

* 6个选项 * Contrast：更精细的哑变量设置，更少应用。 * 比较若干种减肥茶功效时，减肥前体重对体重减少量有线性影响，为协变量。 图形分析(Profile plot)：均值折线图，可直观显示交互作用 保存新变量(Save)：可计算观测变量的预测值；可计算残差，评价模型拟和优度；异常点诊断。 Options选项： Estimated Marginal Means: 输出均数比较 Display:一些常用的指标 Estimates of effects:计算偏Eta统计量 Observed power:观测检验效能 Parameter estimates：参数估计 Homogeneity：方差齐性检验 Residual plot:绘制实测值、预测值与残差的两两散点图 Lack of fit:：失拟检验，检验模型拟和优度，零假设如被拒绝，则说明模型不能刻划观测变量与控制变量的关系。可能有其他因素未发现。 模型拟和一般流程 先拟和饱和模型； 交互效应无意义时，可剔除该项，再拟和不饱和模型； 因素有意义时，对因素的各个水平两两比较； 选择一些常用选项； 广告、城市与销售量 统计思想 研究控制变量对观测变量的影响时，如果存在对观测变量确有影响的其他因素，而该因素又不能在实验设计时予以排除，当该因素为连续性变量时，可用协方差分析其作用，该变量为协变量。 差异来源：控制因素的独立作用、交互作用、协变量的作用、随机误差 协方差分析 特点 线性回归＋方差分析 线性回归求出假定协变量相等时的控制因素各水平下的观测变量修正均数。 方差分析比较修正均数的差别。 前提 观测变量与协变量间有显著的线性关系。 在控制因素不同水平下，观测变量与协变量的总体回归系数应相等。即控制因素与协变量无交互作用。 多个协变量间无交互作用。 各比较组间协变量的取值范围不宜相差过大。 数学模型与假设检验 单因素协方差分析： 假设检验 H0 ：协变量对观测变量的线性影响不显著。其余同前。 例：生猪与饲料 研究三种饲料（SL）对生猪体重增加的影响 协变量：生猪喂养前体重（WYQ） 操作Analyze－General Linear Model－Univariate (一)前提条件预分析 分组散点图直观判断协变量与观测变量的关系。 交互作用模型：检验协变量与控制因素是否存在交互作用。 1. 操作Graph－Scatter－Simple 2. 交互作用模型检验 (二)比较修正均数 * 学历－－收入；地区差异－－生育率；促销方式－－销量等。公式145页 * i为控制因素的i水平，即组，K 为组数；r为每组样本数，观测值，组均数，抽样误差，因素对观测变量产生的附加影响，称为水平i对观测变量的效应。 如果观测变量为定量变量，而影响因素为分类变量，便可选用方差分析模型，此模型为线性模型。 * H0：μ1=μ2=…=μk * * Box研究表明：对于均衡数据，或大体正态数据，只要最大/最小方差之比小于3，方差分析结果都是稳定的。 残差图可考察数据正态性 * * * 无交互作用时，A×B的作用归入误差项。 * 多因素方差分析模型常需多次拟和，首先是饱和模型，如交互作用不明显，则剔除交互项，再拟和不饱和模型。 例如大豆亩产量，在不施氮肥的情况下，施加磷肥4 斤，产量增加50 斤；而在用氮肥6 斤时，同样施加磷肥4 斤，亩产就增加l30 斤。这表明氮肥和磷肥对大豆亩产量有交互作用，或者说A 和B 两因素的综合效应不是二因素效应的简单相加。 * 药理上的协同、拮抗作用：A∧B≠ A＋B， * 区分较困难，都按固定因素处理。单元格无重复数据时，随机效应无法估计。 * 例如：班级因素对学生考试成绩的影响 * 实际上，混合效应模型有更复杂的方差分析模式 LSD法：最灵敏，会犯假阳性错误； Sidak法：比LSD法保守； Bonferroni法：比Sidak法更为保守一些； Scheffe法：多用于进行比较的两组间样本含量不等时； Dunnet法：常用于多个试验组与一个对照组的比较； S-N-K法：寻找同质亚组的方法； Turkey法：最迟钝，要求各组样本含量相同； Duncan法：与Sidak法类似。 均数两两比较方法 仍以例1为例，LSD法的输出格式： 均数两两比较方法 结果分析 仍以例1为例，SNK法的输出格式： 结果分析 均数两两比较方法 该方法的目的是寻找同质子集，故各组在表格的纵向上，均数按大小排序，然后根据多重比较的结果将所有的组分为若干个子集，子集间有差别，子集内均数无差别。 当各组样本含量不同，选择Scheffe法，得结果： 均数两两比较方法 结果分析 假设在调查的设计阶段，就计划好了第二组和第一组，以及第三组和第一组的比较，可以