高级统计和SPSS操作--MANOVA-and-ANCOVA.pptVIP

2021/3/26 * GLM Repeated Measures 的基本结果输出:Multivariate Tests 2021/3/26 * Mauchleys Test of Sphericity 2021/3/26 * Tests of Within-Subjects Effects 2021/3/26 * Mauchly test of sphericity 如果该检验不显著, 那麽将n 个单个自由度的估计量加在一起来代表n 个自由度的总体估计就是恰当的 如果该检验显著,即sphericity前提不能满足,averaged F-tests 就过高估计了联系的强度。有两个办法: 忽略 averaged F-tests, 只报告 multivariate test of significance. 用 averaged F-tests 的校正公式. 如 Huynh-Feldt Epsilon 2021/3/26 * 多变量结果 （Multivariate ANOVA Results） 四种多变量参数: Pillai‘s Trace:合并效应方差 Wilks‘ Lambda:误差方差的合并比率/总方差 Hoteling‘s Trace：有效方差的合并比率/误差方差 Roy‘s Largest Root: 只用第一个维度,不考虑合并效应。 如何选用? 如果组的区别靠一个维度,Wilks‘ Lambda,Hoteling‘s Trace更有效力 如果组的区别分布在几个维度, Pillai‘s Trace更有效力 Pillai‘s Trace 比较稳妥，适用于小样本，非均衡设计 2021/3/26 * 解释显著的组内差异: 事后检验 用比较主效应 Estimated Marginal Means Compare main effects 。。。 注意所给出的比较是未校正过的 Post Hoc... 对话框对检验组内差异不可用 2021/3/26 * Analysis of Covariance (ANCOVA) 2021/3/26 * 协变量(covariate) 协变量是一个连续变量,在实验中没有操控,但却对因变量有着显著的影响. 协变量必须与因变量有显著相关 选择协变量的标准: 使我们解释更多的组内方差,增加检验的效力 使我们去除混淆变量的影响造成的偏差 2021/3/26 * ANOVA 是否奥运志愿者 志愿者倾向 曾否献血 2021/3/26 * ANCOVA 是否奥运志愿者 志愿者倾向 外向性 曾否献血 2021/3/26 * ANOVA Result 2021/3/26 * ANCOVA Result 2021/3/26 * 前后测设计 当随机化不能实现的时候, 组间的基线可能是不等的 这些前测的差异可能成为混淆变量 解决: 将前测分数当作协变量,这样就消除了基线的差异 2021/3/26 * MANOVA的前提条件 2021/3/26 * 理论上的考量 漂亮的统计不能弥补设计的缺陷 因变量的选择要特别谨慎,高度相关的因变量会显著削弱分析的效力 2021/3/26 * 被试数目和效力 每个单位格中的被试数目应大于因变量数目 如果任何一个单位格中的被试数目小于因变量数目,单位格就成为奇单位(singular)而不可能进行倒数运算. 如果被试数目/因变量数目比值很低, 那么协方差同质的前提很有可能被拒绝. 如果被试数目/因变量数目比值很低, 效力也会很低. 2021/3/26 * 多元正态性 假设各个因变量在各单位格的均值及其所有线性组合都正态分布. 很难明确地表示出来. 2021/3/26 * 多元正态性 在单变量检验中,当df20, 且设计均衡时, 对多元正态性的违反是可以耐受的. 如果在最小的单位格中,n20, 而设计不均衡,对多元正态性的违反还是可以耐受的. 如果被试少,且设计不均衡,多元正态性的假定一般不能满足 2021/3/26 * 没有 outlier 需要在每一个单位格中识别univariate multivariate outliers 2021/3/26 * 线性关系 MANOVA 和 MANCOVA 假定所有因变量,所有 协变量和所有因变量/协变量对之间的线性关系. 线性关系的偏离降低统计的效力因为: 因变量线性组合不会使组间的差别最大化. 协变量不能最大限度地调整误差. 2021/3/26 * 协方差矩阵的同质性(Homogeneity of Covariance Matrices) 假定设计中的每一个单位格都是从同一总体中抽取的以利于它们合理地合并在一起, 形成误差项. 如果样本容量是均等的, MANOVA 对违反协方差矩阵的同质性具有耐受性,所以