多元分析报告常用统计量与均向量统计推断.docVIP

多元统计分析方法 一、多元分析常用统计量 例1.1 调查某地16岁中学生12名，其身高、体重和胸围资料见下表。 表1.1 12名16岁中学生身高、体重和胸围测量资料 编号 身高(cm) 体重(kg) 胸围(cm) 1 171.0 58.5 81.0 2 175.0 65.0 87.0 3 159.0 38.0 71.0 4 155.3 45.0 74.0 5 152.0 35.0 63.0 6 158.3 44.5 75.0 7 154.8 44.5 74.0 8 164.0 51.0 72.0 9 165.2 55.0 79.0 10 164.5 46.0 71.0 11 159.1 48.0 72.5 12 164.2 46.5 73.0 单变量时，对每个变量分别计算和。 多变量时，则计算每个变量的均数、方差以及变量间的协方差。 为了清晰表达多变量间的关系，常用矩阵(matrix)表示。构成矩阵的每个数据称为元素(element)。这里称为均向量、方差协方差矩阵。 1. 均向量(means vector) 将各变量的均数用矩阵形式排列，称为均向量。如本例均向量为三维列向量： 其转置向量为三维行向量： 更一般地： 观测对象 1 2 n 则样本均向量为： 2. 方差协方差矩阵(简称协方差矩阵或协差阵) 本例：第1个变量方差为： 本例共三个方差 第1个变量与第2个变量的协方差为： 本例共三个协方差。 为了全面反映这三个变量本身的变异和三个变量间的协变异，可将其方差和协方差用矩阵形式排列，称方差协方差矩阵，简称协差阵。记为V(See P.2)。 显然，。即协差阵为对称阵。常给出矩阵的左下半，称为下三角阵。 一般地，如n个观察单位测量了m个变量，则样本协差阵为维的对称阵。记为： 其中：对角线上为各变量的方差： ， 对角线两侧为变量间的协方差： ， 可见，方差为协方差的特例，或协方差为更一般的形式。 3. 离均差平方和与离均差积和矩阵(离差阵) 将各变量的离均差平方和与离均差积和用矩阵排列，该矩阵称为离差阵(SSCP)。用SS或L表示。 与V的关系为： 或 4. 相关系数矩阵(相关阵) 与的相关系数为： 变量本身的相关系数为1，因此： 将各变量间的相关系数用矩阵形式排列，称相关阵。记为R(See P.3)。 一般地，n个观察对象有m个变量，则有维的样本相关阵： 其中： 如事先对每个变量做标准化变换，则变换后变量的协差阵等于原变量的相关阵。 5. 总体均向量与协差阵 用 ( 表示总体均向量，记为 用∑表示总体协差阵，维的总体协差阵记为 其中，为第i个变量的总体方差，为第i个变量与第k个变量的总体协方差。 二、均向量的统计推断 1. 多元T检验(Hotelling检验) (1) Student-t检验的简单回顾 ① 检验一样本是否来自某已知总体 设有某正态总体N，现有一大小为n的样本，其均数和标准差分别为和S。是总体均数的估计值。问此样本是否来自均数为的总体？ ，检验水准为α t服从于自由度为n -1的t分布。，在α水准拒绝；，在α水准上不拒绝。 在成立的条件下，，也可根据F分布作出统计推断。此时，。 ② 检验两样本是否来自同一总体 设两样本来自两个具有公共方差的总体和 ，两样本有关指标分别为和。 ，检验水准为α t服从于自由度为的t分布。 如，在α水准上拒绝； 如，在α水准上不拒绝。 在成立的条件下，，此时， 在许多医学问题中，做假设检验时(如检验两样本是否来自同一总体时)所依据的指标可能不只一个。例如： 儿童生长发育：身高、体重、头围、胸围 血压: 收缩压、舒张压 甲状腺功能： 血脂： 总胆固醇、甘油三酯 风湿或类风湿： 血沉、抗“O”、WBC计数 编号 血沉() 抗“O”() WBC() 风湿： 1 2 类风湿： 1 2 若仍用t检验，有几个问题： (1) 重复进行t检验，增加犯I型错误的概率。 (2) 忽略了变量间的相互联系。 (3) t检验结果不一致时，难以下一个综合结论。 例如，本例只有出现下列情况之一，才可作出明确判断： ① 两组间的差别均有统计学意义，且大小趋势一致(三项指标都是值越大，病情越差)； ② 两组间各指标的差别均无统计学意义。 反之，出现下列情况之一，则难以得出明确结论： ① 两组间各指标的差别具有统计学意