spss中一般線性模型

2020/4/27,.,1,一般線性模型（一）,2020/4/27,.,2,一般線性模型,一般線性模型單變量分析的基本過(guò)程完全隨機(jī)設(shè)計(jì)資料的方差分析隨機(jī)區(qū)組（單位組）設(shè)計(jì)資料的方差分析,2020/4/27,.,3,一、一般線性模型單變量分析的基本過(guò)程,GeneralLinearModel（GLM，一般線性模型）包括：Univariate（單因變量多因素方差分析），Multivariate（多因變量方差分析），RepeatedMeasures（重復(fù)測(cè)量方差分析），Variance（方差分量分析）GLM可完成多自變量、多水平、多因變量、重復(fù)測(cè)量方差分析以及協(xié)方差分析等。,2020/4/27,.,4,Univariate（單因變量方差分析）基本過(guò)程,2020/4/27,.,5,1主對(duì)話框,DependentVariable:因變量FixedFacter:固定因子，所有可能的水平都出現(xiàn)在樣本中，如分組等RandomFacter:隨機(jī)因子，所有可能的取值并不都在樣本中出現(xiàn)，如觀察個(gè)體Covariates:協(xié)變量，協(xié)方差分析時(shí)用WLSWeight:WLS權(quán)重。用于加權(quán)最小二乘分析。,2020/4/27,.,6,2功能按鈕,Model：分析模型Contrast：對(duì)照方法Plots：分布圖形PostHoc：多重比較Save：保存運(yùn)算值Option：選擇輸出項(xiàng)。,2020/4/27,.,7,2.1Model按鈕、在SpecifyModel欄中指定模型類型,FullFactorial，全模型，系統(tǒng)默認(rèn)。包括所有因素的主效應(yīng)和所有的交互效應(yīng)。例如有三個(gè)因素變量，全模型包括三個(gè)因素的主效應(yīng)、兩兩的交互效應(yīng)和三個(gè)因素的高級(jí)交互效應(yīng)。Custom，自定義模型。選擇此項(xiàng)激活下面各操作框,2020/4/27,.,8,、建立自定義模型,FactorsCovariates框中自動(dòng)列出可以作為因素的變量名，其后面的括號(hào)中標(biāo)有字母“F”（固定因子）、“R”（隨機(jī)因子）或者“C”（協(xié)變量）。,2020/4/27,.,9,A、選擇效應(yīng)類型,Interactin：交互效應(yīng)Maineffects：主效應(yīng)All2-way：所有2維交互效應(yīng)All3-way：所有3維交互效應(yīng)All4-Way：所有4維交互效應(yīng)All5-Way：所有5維交互效應(yīng),2020/4/27,.,10,B、選擇模型中的主效應(yīng)（Model）,首先定義效應(yīng)類型為Maineffects鼠標(biāo)鍵單擊某一個(gè)因素，該變量名背景將改變顏色（一般變?yōu)樗{(lán)色），單擊BuildTerm（s）欄中下面的箭頭，該變量出現(xiàn)在Mode1中。一個(gè)變量名占一行稱為主效應(yīng)項(xiàng)。欲在模型中包括幾個(gè)主效應(yīng)項(xiàng)，就進(jìn)行幾次如上的操作。,2020/4/27,.,11,C、建立模型中的交互項(xiàng),例如，因素有Light(F)、Device（F）、Target（F），若要求模型中包括變量Light與Device交互效應(yīng)。首先定義效應(yīng)類型為Interactin，然后在FactorsCovariates框內(nèi)的變量表中，用鼠標(biāo)單擊Device變量使其背景改變顏色，再用鼠標(biāo)單擊變量Light變量使其背景改變顏色；單擊BuildTerm（s）欄內(nèi)殘數(shù)框的箭頭按鈕，一個(gè)交互效應(yīng)出現(xiàn)在Model框中。模型增加了一個(gè)交互效應(yīng)項(xiàng)：Device*Light。,2020/4/27,.,12,C.建立模型中的交互項(xiàng),模型中包括三個(gè)變量的所有2維交互效應(yīng)項(xiàng)，定義效應(yīng)類型為All2-way，單擊light、Device、Target三個(gè)變量名，單擊箭頭按鈕。Model中出現(xiàn)三個(gè)2維交互效應(yīng)項(xiàng)：Light*Device、Light*Target、Device*Target。模型中包括所有3維效應(yīng)，定義效應(yīng)類型為All3way，單擊變量Llight、Device、Target。單擊箭頭按鈕，Model框中出現(xiàn)3維交互效應(yīng)項(xiàng)：Ligh*Device*Target。,2020/4/27,.,13,、選擇平方和分解的方法,Sumofsquares:TYPE（嵌套設(shè)計(jì)）、TYPE（平衡設(shè)計(jì)、僅主效應(yīng)）、TYPE（系統(tǒng)默認(rèn)、最常用）TYPEIV（不完整數(shù)據(jù)）。,2020/4/27,.,14,2.2Contrasts按鈕,Factors框中顯示出所有在主對(duì)話框中選中的因素，其后的括號(hào)中是當(dāng)前的對(duì)比方法了；ChangeContrast欄中改變對(duì)照方法。,2020/4/27,.,15,可供選擇的對(duì)照方法,None：不進(jìn)行均數(shù)比較；Deviation：比較預(yù)測(cè)變量或因素的每個(gè)水平的效應(yīng)。選擇Last或First作為參照的水平；Simple：對(duì)預(yù)測(cè)變量或因素變量的每一水平都與參照水平進(jìn)行比較。選擇Last或First作為參照水平；Difference：對(duì)預(yù)測(cè)變量或因素每一水平的效應(yīng)，除第一水平以外，都與其前面各水平的平均效應(yīng)進(jìn)行比較。與Helmert對(duì)照方法相反；,注：只有Deviation和Simple需要選擇參考水平，Last（系統(tǒng)默認(rèn)）和First。,2020/4/27,.,16,2.3Plots按鈕,Factor：主對(duì)話框中所選因素變量名；Horizontal：橫坐標(biāo)框SeparateLines：確定分線變量SeparatePlots：確定分圖變量,2020/4/27,.,17,2.4PostHoc按鈕,均數(shù)多重比較（事后檢驗(yàn)）,2020/4/27,.,18,2.5Save按鈕(選擇保存運(yùn)算值),通過(guò)在對(duì)話框中的選擇，可以將所計(jì)算的預(yù)測(cè)值、殘差和診斷值（回歸分析時(shí)）作為新的變量保存在編輯數(shù)據(jù)文件中。以便在其他統(tǒng)計(jì)分析中使用這些值。,2020/4/27,.,19,2.5Save按鈕(選擇保存運(yùn)算值),PredictedValues（預(yù)測(cè)值）Unstandardized：非標(biāo)準(zhǔn)化預(yù)測(cè)值Weighted：如果在主對(duì)話框選擇了WLS變量，選中該復(fù)選項(xiàng)將保存加權(quán)非標(biāo)準(zhǔn)化預(yù)測(cè)值StandardError：預(yù)測(cè)值的標(biāo)準(zhǔn)誤,Residuals（殘差欄）Unstandarized:非標(biāo)準(zhǔn)化殘差Weighted:加權(quán)非標(biāo)準(zhǔn)化殘差Standardized:標(biāo)準(zhǔn)化殘差Studentized:學(xué)生化殘差Deleted:剔除殘差,2020/4/27,.,20,2.5Save按鈕(選擇保存運(yùn)算值),Diagnostics（診斷值欄）Cooksdistance：Cook距離；Leveragevalues：非中心化Leverage值；Savetonewfile將參數(shù)協(xié)方差矩陣保存到一個(gè)新文件中,2020/4/27,.,21,2.6Option按鈕(選擇輸出項(xiàng)),DisplayMeansfor：顯示分組因素Display：指定輸出的統(tǒng)計(jì)量Descriptivestatistics：描述統(tǒng)計(jì)量，均值、標(biāo)準(zhǔn)差，樣本量EstimatesOfeffectsize：效應(yīng)量估計(jì)。Observedpower：檢驗(yàn)假設(shè)的功效。Parameterestimates：各因素變量的模型參數(shù)估計(jì)、標(biāo)準(zhǔn)誤、t檢驗(yàn)的t值、P值和95的置信區(qū)間。Sigificancelevel：指定Confidenceintervals的顯著性水平,2020/4/27,.,22,Descriptivestatistics：描述統(tǒng)計(jì)量，均值、標(biāo)準(zhǔn)差，樣本量EstimatesOfeffectsize：效應(yīng)量估計(jì)。Observedpower：檢驗(yàn)假設(shè)的功效。Parameterestimates：各因素變量的模型參數(shù)估計(jì)、標(biāo)準(zhǔn)誤、t檢驗(yàn)的t值、P值和95的置信區(qū)間。Contrastcoefficientmatrix：變換系數(shù)矩陣或L矩陣。Homogeneitytests：方差齊性檢驗(yàn)。SpreadVslevelplot：繪制觀測(cè)量均值-標(biāo)準(zhǔn)差圖、觀測(cè)量均值-方差圖。Residualsplot：繪制殘差圖。Lackoffit：檢查因素和因變量間的關(guān)系是否被充分描述。Generalestimablefunction：可以根據(jù)一般估計(jì)函數(shù)自定義假設(shè)檢驗(yàn)。對(duì)比系數(shù)矩陣的行與一般估計(jì)函數(shù)是線性組合的。,2020/4/27,.,23,例1為研究多酚保健飲料對(duì)急性缺氧的影響，將60只Wistar小白鼠隨機(jī)分為低、中、高三個(gè)劑量組和一個(gè)對(duì)照組，每組15只小白鼠。對(duì)照組給予蒸餾水0.25ml灌胃，低、中、高劑量組分別給予2.0、4.0、8.0g/kg的飲料溶于0.20.3ml蒸餾水后灌胃，每天一次。40天后，對(duì)小白鼠進(jìn)行耐缺氧存活時(shí)間實(shí)驗(yàn)，結(jié)果如表1。試比較不同劑量的茶多酚保健飲料對(duì)延長(zhǎng)小白鼠的平均耐缺氧存活時(shí)間有無(wú)差別。,二、完全隨機(jī)設(shè)計(jì)資料的方差分析,2020/4/27,.,24,表1各組小白鼠耐缺氧時(shí)間/min,2020/4/27,.,25,建立數(shù)據(jù)文件：耐缺氧時(shí)間.sav.定義變量,2020/4/27,.,26,建立數(shù)據(jù)文件：耐缺氧時(shí)間.sav.定義變量輸入數(shù)據(jù),2020/4/27,.,27,建立數(shù)據(jù)文件：耐缺氧時(shí)間.sav.定義變量輸入數(shù)據(jù)開(kāi)始分析：analyzeGeneralLinearModelUnivariateYDependentVariableGroupFixedFactors,2020/4/27,.,28,建立數(shù)據(jù)文件：耐缺氧時(shí)間.sav.定義變量輸入數(shù)據(jù)開(kāi)始分析：analyzeGeneralLinearModelUnivariateYDependentVariableGroupFixedFactorsPostHoc：GroupPostHocTestsforLSD，SNK,Bonferroni,2020/4/27,.,29,建立數(shù)據(jù)文件：耐缺氧時(shí)間.sav.定義變量輸入數(shù)據(jù)開(kāi)始分析：analyzeGeneralLinearModelUnivariateYDependentVariableGroupFixedFactorsPostHoc：Options：GroupDisplayMeansforDescriptiveStatistics，Homogeneitytests,2020/4/27,.,30,主要結(jié)果-描述性統(tǒng)計(jì)量,2020/4/27,.,31,主要結(jié)果,方差齊性檢驗(yàn)的P值,方差齊性檢驗(yàn)的統(tǒng)計(jì)量F值,結(jié)論：尚不能認(rèn)為各總體方差不齊,2020/4/27,.,32,方差分析的P值,方差分析F值,方差分析MS值(均方）,方差分析自由度,方差分析SS值(平方和）,總變異,組間變異,組內(nèi)變異（誤差變異）,結(jié)論：各組總體均數(shù)不等。,2020/4/27,.,33,各組總體均數(shù)的95%置信區(qū)間,按方差分析中的誤差均方計(jì)算的標(biāo)準(zhǔn)誤,2020/4/27,.,34,Bonferroni方法的P值，是校正了a后的,2020/4/27,.,35,均數(shù)標(biāo)在同一列的組間差異無(wú)統(tǒng)計(jì)學(xué)意義，在不同列的差異有統(tǒng)計(jì)學(xué)意義，即對(duì)照組與低劑量差異無(wú)統(tǒng)計(jì)學(xué)意義，其他均有統(tǒng)計(jì)學(xué)意義,SNK檢驗(yàn),2020/4/27,.,36,用CompareMeansOne-WayANOVA建立數(shù)據(jù)同前開(kāi)始分析：analyzeCompareMeansOne-WayANOVAYDependentListGroupFactor,2020/4/27,.,37,用CompareMeansOne-WayANOVA建立數(shù)據(jù)同前開(kāi)始分析：analyzeCompareMeansOne-WayANOVAYDependentListGroupFactorPostHoc：LSD，Bonferroni，SNK,2020/4/27,.,38,用CompareMeansOne-WayANOVA建立數(shù)據(jù)同前開(kāi)始分析：analyzeCompareMeansOne-WayANOVAYDependentListGroupFactorPostHoc：LSD，Bonferroni，SNKOptionsStatisticsDescriptive，Homogeneitytests,2020/4/27,.,39,各組總體均數(shù)的95%置信區(qū)間,按各自的方差計(jì)算的標(biāo)準(zhǔn)誤,2020/4/27,.,40,主要結(jié)果,方差齊性檢驗(yàn)的P值,方差齊性檢驗(yàn)的統(tǒng)計(jì)量F值,2020/4/27,.,41,方差分析的P值,方差分析F值,方差分析MS值(均方）,方差分析自由度,方差分析SS值(平方和）,組內(nèi)變異（誤差變異）,組間變異,總變異,2020/4/27,.,42,Bonferroni方法的P值，是校正了a后的,2020/4/27,.,43,均數(shù)標(biāo)在同一列的組間差異無(wú)統(tǒng)計(jì)學(xué)意義，在不同列的差異有統(tǒng)計(jì)學(xué)意義，即對(duì)照組與低劑量差異無(wú)統(tǒng)計(jì)學(xué)意義，其他均有統(tǒng)計(jì)學(xué)意義,SNK檢驗(yàn),2020/4/27,.,44,練習(xí)1某人研究北京機(jī)關(guān)工作人員血脂水平，隨機(jī)抽取不同年齡男性各10名受試者，檢測(cè)他們的總膽固醇(TC)的含量(mmol/L)，其結(jié)果如下表：,2020/4/27,.,45,三、隨機(jī)區(qū)組（單位組）設(shè)計(jì)資料的方差分析,例2研究者欲比較生物蛋白粉飼料、血漿蛋白粉飼料和普通飼料喂養(yǎng)斷奶仔豬的增重效果。為了消除和控制其他因素的影響，研究者將斷奶仔豬配成若干區(qū)組(block)，每個(gè)區(qū)組3只仔豬，并且滿足同一區(qū)組的仔豬是同窩別、同性別、同日齡、體重接近，共配成10個(gè)區(qū)組。然后在每個(gè)區(qū)組內(nèi)隨機(jī)將3只仔豬分配到各實(shí)驗(yàn)組。比較喂養(yǎng)10天后各實(shí)驗(yàn)仔豬的平均體重增加量(kg)，結(jié)果見(jiàn)表2。試比較各種飼料的增重效果有無(wú)差異。,2020/4/27,.,46,表2生物蛋白粉、血漿蛋白粉和普通飼料飼養(yǎng)仔豬增重量/Kg,2020/4/27,.,47,建立數(shù)據(jù)文件：仔豬增重量.sav定義變量,2020/4/27,.,48,建立數(shù)據(jù)文件：仔豬增重量.sav定義變量輸入數(shù)據(jù),2020/4/27,.,49,建立數(shù)據(jù)文件：仔豬增重量.sav定義變量輸入數(shù)據(jù)開(kāi)始分析：analyzeGeneralLinearModelUnivariateYDependentVariableGroup，BlockFixedFactors,2020/4/27,.,50,建立數(shù)據(jù)文件：仔豬增重量.sav定義變量輸入數(shù)據(jù)開(kāi)始分析：analyzeGeneralLinearModelUnivariateYDependentVariableGroup，BlockFixedFactorsModelCustomMaineffects（Group，Block）,2020