多元方差分析与重复测量方差分析.pptVIP

在医学研究中，尤其在临床试验中，每个观察对象记录的观察结果通常有多个反应变量(responsible variable)。例如，血压记录有收缩压、舒张压、脉压等；血脂记录有胆固醇脂、甘油三酯、磷脂、未脂化脂肪酸等；心功能、肺功能、微循环的检测记录项目则可多达十几个乃至几十个，这种有多个反应变量的数据称为多变量数据（multivariate data)。在数据处理时，如果只有一个反应变量但有多个解释变量，有时也称为多变量数据。 要注意多变量数据与多因素试验的区别：多因素试验指的是有多个干预因素（分组因素）的试验，尽管析因设计方差分析和正交设计方差分析可以分析多个试验因素的作用，但试验结果只有一个反应变量，仍然是单变量方差分析。 描述和表达时采用了适合多变量的向量和矩阵的表示方法。 多元方差分析 多元方差分析 多变量分析与单变量分析 多变量分析是对m个反应变量进行一次假设检验（Hotelling T2检验或MANOVA），对组间差别作出推断。在大多数情况下，多变量假设检验结论与对m个反应变量进行m次单变量假设检验（t检验或ANOVA）的结论是一致的，即多变量假设检验拒绝H0，m次单变量假设检验至少有一次拒绝H0，SPSS、SAS等统计软件也是先给出多变量假设检验结果，再给出单变量假设检验结果，作为多变量分析的补充。 但理论上单变量假设检验不能代替多变量假设检验，主要理由： ①m次单变量假设检验增加假阳性错误的概率，设每次单变量假设检验的检验水准定为a，做完m次检验I类错误的概率增加为am＝1-（1-a)m。 ②单变量假设检验只说明某一变量在数轴分布上的组间差别，不能反映多个变量在平面或空间上的差别，两者的意义不同，各自说明各自的问题，不能相互代替。如表1的两组数据，分别对两组新生儿出生时的体重与身长做单变量t检验：体重t=4.112，p=0.002，拒绝H0，身长t=1.998，p=0.071，,不能拒绝H0。但双变量的Hotelling T2检验：T2=9.87，F=4 .58，P=0.03，拒绝H0：μ1= μ2，两组在平面分布上差别如下图所示。 重复测量的方差分析 重复测量的方差分析 Repeated Measures 过程 定义组内变量名pluse，并输入水平数：3，得pluse(3) Repeated Measures 过程 重复测量的变量名 次数 Repeated Measures 过程 Repeated Measures 过程 分析结果 （1） 组内、组间因素 组内因素：重复测量各时点变量 组间因素：活动锻炼、饮食不同种类 浙江大学医学院流行病与卫生统计学教研室 沈毅 浙江大学医学院流行病与卫生统计学教研室 沈毅 多变量方差分析与重复测量方差分析 解释变量 （处理因素） 反应变量 Y 解释变量 （处理因素） Y1 Y2 Y3 反 应 变 量 只有一个反应变量的模型 具有多个反应变量的模型 治疗组 对照组 反应变量（效应） T3 T4 T8 T3 T4 T8 处理因素 如何比较二组的T细胞免疫功能？ 1、如果T3、T4和T8各指标间不相关（独立？）且满足正态分布和方差齐性，则考虑用t检验。问题是t检验可能出现多种结果（本例可能有8种结果）有时不一定能解释或很难解释。其次多重t检验会增加I型错误的概率。 2、将T3、T4和T8三个指标看成一个整体，用多变量统计的方法来分析比较。 例1 将某班的学生按班级随机分成两组，一组施以素质教育，另一组仍用传统的应试教育，考察某次摸底考试的两种教育模型对学生成绩（如语文、数学 、外语、体育等）的影响。 很容易想到的分析方法是对两组学生各科成绩进行 t 检验，分别计算各门课程的 t 值、p值，回答素质教育是否降低学生的单科成绩，如语文、数学成绩等，但很可能出现的结果是：某一（几）门课程成绩检验结果p0.05，而其他的课程成绩检验结果p0.05。 多个反应变量用单变量分析方法有以下几个缺点： 1. 检验效率低 2. 犯一类错误的概率增大 3. 一元分析结果不一致时，难以下一个综合结论 4. 忽略了变量间相关关系 对这一类资料进行分析有两种思路： 1. 因子分析：先对因变量中蕴含的信息进行浓缩，然 后再对提取出的公因子进行后续的分析。 2. 多元方差分析 与一个反应变量的方差分析相似，都是将反应变量的变异分解成为两部分：一部分为两组间变异（组别因素的效应），一部分为组内变异（随机误差）。然后对这两部分变异进行进行比较，看是否组间变异大于组内变异。 不同的是，后者都是对组间均方与组内均方进行比较，而前者是对组间方差协方差矩阵与组内方差协方差矩阵进行比较。