SAS软件及统计应用教程.ppt

编辑课件 对协方差矩阵SR、SQ进行因子分析，分别提取两个最重要的公因子R1、R2与Q1、Q2。由于采取的是一种特殊变换方法，公因子R1与Q1在本质上是相同的，同理，R2与Q2在本质上也是相同的，故可用dim1作为R1、Q1的统一标志，用dim2作为R2、Q2的统一标志。于是可将(R1，Q1)和(R2，Q2)两组数据点画在由(dim2，dim2)组成的同一个直角坐标系中，这样，便于考察变量与样品之间的相互关系。 2. 对应分析的步骤 设原始数据矩阵X = (xij)nm，i = 1, 2，…，n(n为样品数)；j =1，2，…，m(m为变量数)。 1) 计算过渡矩阵Z = (zij)nm： (1) 其中，Xi.为第i行的合计、X.j为第j列的合计、X..为全部数据的合计。 4) 单击“Statistics（统计）”按钮，打开“Canonical Correlation：Statistics”对话框； 选中“Canonical redundancy statistics”复选框，并选择3个典型变量，如图所示。两次单击“OK”按钮，得到计算结果。 3. 结果分析 (1) 典型相关系数及显著性检验 第一部分的4列依次是：典型相关系数、校正的典型相关系数、近似的标准误以及典型相关系数的平方。从图7-10中可以看出，本例提取了3个典型相关系数，第一个典型相关系数CanR1 = 0.795608，其校正值为0.754056，标准误为0.084197，CanR12 = 0.632992，第一典型相关系数表示的是第一对典型相关变量之间的相关性。第二个典型相关系数为0.200556，第三个为0.072570。 第二部分是特征根以及相应的统计量，如图所示。 可以看出，第一对典型变量所能解释的变异已占总变异的97.34%，其它两个典型相关变量的作用很小，一共只解释了总变异的3%，可以不予考虑。 右边4列给出对典型相关系数的检验，结果表明，第一行的F值2.05，p值为0.0635，在0.07的检验水平下，应拒绝原假设，认为第一相关系数以及比它小的两个相关系数不为0；后两行检验的p值都远大于显著水平0.05，故可以认为只有第一个典型相关系数不为0。 第三部分输出的是用四种多元统计方法进行的所有典型相关系数均为0的F检验结果，如图所示。四种方法中一般参照Wilks Lambda检验的结果。本例中的Wilks Lambda检验结果与前述完全一致，表明至少有一个典型相关系数在α = 0.0635的显著水平下非0。 (2) 典型变量系数与典型结构 第四部分给出的是用原始变量表达的典型变量系数(典型权重)，如图所示。 因6个变量没有使用相同单位进行测量，因此考虑分析标准化后的系数。 第五部分给出的是用标准化变量（对原始变量标准化）表达的典型变量系数，如图所示。 V1 = – 0.7754 weight*+1.5793 waist* – 0.0591 pulse* 它近似地是waist*和weight*的加权差，在waist*上权重更大些。V1在pulse*上系数近似为0。 W1 = – 0.3495 chins* – 1.0540 situps* + 0.7164 jumps* 它在situps*上的系数最大。这一对典型变量主要是反映waist*和situps*的负相关关系。 第六部分为典型结构，分别是各组原始变量与典型变量两两之间的相关系数矩阵，如图所示。可以看出： 在原始变量与本组的典型变量的相关关系(典型载荷)中，生理指标的典型变量V1与腰围waist的相关系数最大(0.9254)，说明这个典型变量主要反映人的肥胖程度；运动指标的典型变量W1与起坐次数situps和引体向上次数chins有较大的负相关关系(-0.7276，-0.8177)，说明这个典型变量主要反映人不适合运动的程度。 在原始变量与配对组的典型变量的相关关系(典型交叉载荷)的分析结果中，腰围waist与运动指标的第1典型变量W1的相关性较强，这也说明了腰围大(体形较胖)则运动能力差；起坐次数和引体向上与生理指标的第1典型变量V1呈一定的负相关系数，说明人的体形肥胖程度对这两种运动能力有负面影响。 (3) 典型冗余分析 第七部分给出典型冗余分析的结果 上图是变量的原始方差通过它的典型变量和配对的典型变量所解释的方差比例。 下图是变量的标准化方差通过它的典型变量和配对的典型变量所解释的方差比例。