生物统计学实习.pptVIP

Linear regression 擬說測驗(Hypothesis test) 虛無假設（H0）及對立假設（Ha）： H0：b ＝0 Ha： b ≠0 若拒絕H0 ，則表示此直線迴歸方程式的斜率不為零，即此迴歸方程式成立。 反之，則表示此直線迴歸方程式的斜率為零，即此迴歸方程式不成立。。 擬說測驗(Hypothesis test) 變異數分析的基本假定 1.?常態性假設 每一個樣本是抽取自每一個子族群，而子族群來自常態 化的母群體。 ???2. 變異數同質性假設 每一個常態化子族群必須具有相同的離散狀況。 3. 各子族群(subpop.)的均值(my,xi)呈直線分布 4. eij～NID(0, s2) for all i, j 5. x is measured without error 資料分析及ANOVA表格 資料分析及ANOVA表格 資料分析及ANOVA表格 相關係數 相關係數 SAS之迴歸分析 迴歸分析主要是在探討變數之間的關係，一般作法是設定一個函數(也就是Regression function)。 將手上資料分為應變數及解釋變數，應變數應該是你最有興趣的變數，或是最想預測的變數。 我們先(依經驗或觀測或是其他領域的專業知識)指定迴歸模型--也就是指出函數的樣子，再利用資料來估計未知的參數，再驗證資料是否符合作推論所需的假設。 若一切順利的話，這個迴歸模型才適用手上的資料，也才可以用來正確地解釋變數之間的關係及預測應變數。 此處我們利用程序PROC REG的使用來建立我們的迴歸模型。 SAS之迴歸分析 建立迴歸模式時，一方面希望包含較多的預測變項，以求得較準確之預測；另一方面，基於經費及控制程度的考慮，希望模式中的預測變項數目能儘量減少(黃俊英，1991，頁70)。基於這二方面的考慮，我們希望能以較少的預測變項，達到足以解釋整個模式的變異程度。通常選取預測變項的方法可分兩大類：一為所有可能迴歸法，一為逐步選取法。 SAS之迴歸分析 1．所有可能迴歸法： (一)複相關係數平方法(R2)：估算全部可能的迴歸模式之R2值，相互比較，以選取最大之R2為最佳、最有效的迴歸模式。 (二)校正後的複相關係數平方法(R2)：估算全部可能的迴歸模式之R^ 2 值，相互比較，以選取最大之R^ 2 為最佳最有效的迴歸模式。 (三)Mallows(l973)的 Cp法：估算全部可能的迴歸模式之Cp 值，相互比較，以選取最小之值 Cp 為最佳、最有效的迴歸模式。 SAS之迴歸分析 2．逐步選取法： (一)順向選擇法(FORWARD)：在每一次選擇的步驟中，選出一個變項，對模式的貢獻最大者，進入迴歸方程式中，並對尚未進入迴歸程式的預測變項加以考驗，以決定某一個預測變項是否有資格被納入迴歸模式中。而進入的標準為是否具有最小 F機率值，通常SAS/PC的內設值0.50，若預測變項的F 值小於此者，將被選取進入。 (二)反向淘汰法(BACKWARD)：首先將所有預測變項放入迴歸方程式中，而後在每一次淘汰的步驟中，剔出一個變項，對模式的貢獻最小者，並對留在迴歸方程式中的預測變項加以考驗，以決定某一個預測變項是否應繼續被保留在迴歸模式中。而剔除的標準為是否具有最大F 機率值，通常SAS/PC內設值為0.10，若預測變項的F 值大於此者，將被選取剔除。 SAS之迴歸分析 2．逐步選取法： (三)逐步迴歸法(STEPWISE)： 是傾向選擇法與反向淘汰法的綜合。首先模式中不包含任何預測變項。然後採順向選擇法，根據對模式的貢獻最大者，挑選預測變項進入迴歸模式中。而在每一步驟中，已被納入模式的預測變項則必須再經過反向淘汰法的考驗，以決定該變項要被淘汰亦或留下。通常在SAS/PC中，逐步迴歸法的進入標準(F機率值)為0.15，剔除標準則為0.15。 (四)最大R2法：亦即採取最大R2，依次導出在預測變項數目逐一增加時，選出各個最佳的迴歸方程式。 (五)最小R2法：亦即採取最小R2，依次導出在預測變項數目逐一增加時，選出各個最佳的迴歸方程式。 SAS之迴歸分析 變異數分析的SAS語法： PROC REG程序 (1)基本語法： PROC REG 選項串： MODEL 依變項名稱串=實驗效果串／選項串；←選擇統計分析模式 VAR 變項名稱串： ←指名那些在MODEL中未提到的變項將之包含在計算矩陣內 FREQ 變項名稱：←指明一個變項名稱為各觀察體重覆出現的次數 WEIGH