SPSS170在生物統(tǒng)計(jì)學(xué)中的應(yīng)用實(shí)驗(yàn)五方差分析六簡單相關(guān)及回歸分析

1、SPSS在生物統(tǒng)計(jì)學(xué)中的應(yīng)用實(shí)驗(yàn)指導(dǎo)手冊(cè)實(shí)驗(yàn)五：方差分析一、實(shí)驗(yàn)?zāi)繕?biāo)與要求 1幫助學(xué)生深入了解方差及方差分析的基本概念，掌握方差分析的基本思想和原理 2掌握方差分析的過程。 3增強(qiáng)學(xué)生的實(shí)踐能力，使學(xué)生能夠利用SPSS統(tǒng)計(jì)軟件，熟練進(jìn)行單因素方差分析、兩因素方差分析等操作，激發(fā)學(xué)生的學(xué)習(xí)興趣，增強(qiáng)自我學(xué)習(xí)和研究的能力。 二、實(shí)驗(yàn)原理 在現(xiàn)實(shí)的生產(chǎn)和經(jīng)營管理過程中，影響產(chǎn)品質(zhì)量、數(shù)量或銷量的因素往往很多。例如，農(nóng)作物的產(chǎn)量受作物的品種、施肥的多少及種類等的影響；某種商品的銷量受商品價(jià)格、質(zhì)量、廣告等的影響。為此引入方差分析的方法。 方差分析也是一種假設(shè)檢驗(yàn)，它是對(duì)全部樣本觀測(cè)值的變動(dòng)進(jìn)行分解，將

2、某種控制因素下各組樣本觀測(cè)值之間可能存在的由該因素導(dǎo)致的系統(tǒng)性誤差與隨即誤差加以比較，據(jù)以推斷各組樣本之間是否存在顯著差異。若存在顯著差異，則說明該因素對(duì)各總體的影響是顯著的。 方差分析有3個(gè)基本的概念：觀測(cè)變量、因素和水平。l 觀測(cè)變量是進(jìn)行方差分析所研究的對(duì)象；l 因素是影響觀測(cè)變量變化的客觀或人為條件；l 因素的不同類別或不通取值則稱為因素的不同水平。在上面的例子中，農(nóng)作物的產(chǎn)量和商品的銷量就是觀測(cè)變量，作物的品種、施肥種類、商品價(jià)格、廣告等就是因素。在方差分析中，因素常常是某一個(gè)或多個(gè)離散型的分類變量。n 根據(jù)觀測(cè)變量的個(gè)數(shù)，可將方差分析分為單變量方差分析和多變量方差分析；n 根據(jù)因素

3、個(gè)數(shù)，可分為單因素方差分析和多因素方差分析。在SPSS中，有Oneway ANOVA(單變量單因素方差分析)、GLM Univariate（單變量多因素方差分析）；GLM Multivariate （多變量多因素方差分析），不同的方差分析方法適用于不同的實(shí)際情況。本節(jié)僅練習(xí)最為常用的單變量方差分析。 三、實(shí)驗(yàn)演示內(nèi)容與步驟 單變量單因素方差分析單因素方差分析也稱一維方差分析，對(duì)兩組以上的均值加以比較。檢驗(yàn)由單一因素影響的一個(gè)分析變量由因素各水平分組的均值之間的差異是否有統(tǒng)計(jì)意義。并可以進(jìn)行兩兩組間均值的比較，稱作組間均值的多重比較。主要采用One-way ANOVA過程。 采用One-way

4、ANOVA過程要求：因變量屬于正態(tài)分布總體，若因變量的分布明顯是非正態(tài)，應(yīng)該用非參數(shù)分析過程。若對(duì)被觀測(cè)對(duì)象的實(shí)驗(yàn)不是隨機(jī)分組的，而是進(jìn)行的重復(fù)測(cè)量形成幾個(gè)彼此不獨(dú)立的變量，應(yīng)該用Repeated Measure菜單項(xiàng)，進(jìn)行重復(fù)測(cè)量方差分析，條件滿足時(shí)，還可以進(jìn)行趨勢(shì)分析。 【例6.1】欲比較四種飼料對(duì)仔豬增重效果的優(yōu)劣，隨機(jī)選取了性別、年齡、體重相同，無親緣關(guān)系的20頭豬，隨機(jī)分為4組，每組5頭，分別飼喂一種飼料所得增重?cái)?shù)據(jù)如下在。試?yán)眠@些數(shù)據(jù)對(duì)4種飼料對(duì)仔豬增重效果的差異進(jìn)行檢驗(yàn)。飼料日增重（g）均值A(chǔ)573754426050B133941331929C131513292018D1824

5、38221323合計(jì)600= =30打開數(shù)據(jù)文件“單因素方差分析數(shù)據(jù)-1.xls”。在SPSS中實(shí)驗(yàn)該檢驗(yàn)的步驟如下： 步驟1：選擇菜單【分析】【比較均值】【單因素方差分析】，依次將觀測(cè)變量銷量移入因變量列表框，將因素變量地區(qū)移入因子列表框。 圖 5.1 One-Way ANOVA 對(duì)話框 單擊兩兩比較按鈕，如圖5.2，該對(duì)話框用于進(jìn)行多重比較檢驗(yàn)，即各因素水平下觀測(cè)變量均值的兩兩比較。 方差分析的原假設(shè)是各個(gè)因素水平下的觀測(cè)變量均值都相等，備擇假設(shè)是各均值不完全相等。假如一次方差分析的結(jié)果是拒絕原假設(shè)，我們只能判斷各觀測(cè)變量均值不完全相等，卻不能得出各均值完全不相等的結(jié)論。各因素水平下觀測(cè)變

6、量均值的更為細(xì)致的比較就需要用多重比較檢驗(yàn)。圖 5.2 兩兩比較對(duì)話框假定方差齊性選項(xiàng)欄中給出了在觀測(cè)變量滿足不同因素水平下的方差齊性條件下的多種檢驗(yàn)方法。² LSD。使用 t 檢驗(yàn)執(zhí)行組均值之間的所有成對(duì)比較。對(duì)多個(gè)比較的誤差率不做調(diào)整。² Bonferroni。使用 t 檢驗(yàn)在組均值之間執(zhí)行成對(duì)比較，但通過將每次檢驗(yàn)的錯(cuò)誤率設(shè)置為實(shí)驗(yàn)性質(zhì)的錯(cuò)誤率除以檢驗(yàn)總數(shù)來控制總體誤差率。這樣，根據(jù)進(jìn)行多個(gè)比較的實(shí)情對(duì)觀察的顯著性水平進(jìn)行調(diào)整。² Sidak?；?t 統(tǒng)計(jì)量的成對(duì)多重比較檢驗(yàn)。Sidak 調(diào)整多重比較的顯著性水平，并提供比 Bonferroni 更嚴(yán)密的邊

7、界。² Scheffe。為均值的所有可能的成對(duì)組合執(zhí)行并發(fā)的聯(lián)合成對(duì)比較。使用 F 取樣分布?？捎脕頇z查組均值的所有可能的線性組合，而非僅限于成對(duì)組合。² R-E-G-W F。基于 F 檢驗(yàn)的 Ryan-Einot-Gabriel-Welsch 多步進(jìn)過程。² R-E-G-W Q?；趯W(xué)生化范圍的 Ryan-Einot-Gabriel-Welsch 多步進(jìn)過程。² S-N-K使用學(xué)生化的范圍分布在均值之間進(jìn)行所有成對(duì)比較。它還使用步進(jìn)式過程比較具有相同樣本大小的同類子集內(nèi)的均值對(duì)。均值按從高到低排序，首先檢驗(yàn)極端差分。² Tukey。使用學(xué)生化

8、的范圍統(tǒng)計(jì)量進(jìn)行組間所有成對(duì)比較。將試驗(yàn)誤差率設(shè)置為所有成對(duì)比較的集合的誤差率。² Tukey's b。使用學(xué)生化的范圍分布在組之間進(jìn)行成對(duì)比較。臨界值是 Tukey's 真實(shí)顯著性差異檢驗(yàn)的對(duì)應(yīng)值與 Student-Newman-Keuls 的平均數(shù)。² Duncan。使用與 Student-Newman-Keuls 檢驗(yàn)所使用的完全一樣的逐步順序成對(duì)比較，但要為檢驗(yàn)的集合的錯(cuò)誤率設(shè)置保護(hù)水平，而不是為單個(gè)檢驗(yàn)的錯(cuò)誤率設(shè)置保護(hù)水平。使用學(xué)生化的范圍統(tǒng)計(jì)量。² Hochberg's GT2。使用學(xué)生化最大模數(shù)的多重比較和范圍檢驗(yàn)。與 Tuk

9、ey's 真實(shí)顯著性差異檢驗(yàn)相似。² Gabriel。使用學(xué)生化最大模數(shù)的成對(duì)比較檢驗(yàn)，并且當(dāng)單元格大小不相等時(shí)，它通常比 Hochberg's GT2 更為強(qiáng)大。當(dāng)單元大小變化過大時(shí)，Gabriel 檢驗(yàn)可能會(huì)變得隨意。² Waller-Duncan。基于 t 統(tǒng)計(jì)的多比較檢驗(yàn)；使用 Bayesian 方法。² Dunnett。將一組處理與單個(gè)控制均值進(jìn)行比較的成對(duì)多重比較 t 檢驗(yàn)。 最后一類是缺省的控制類別。另外，您還可以選擇第一個(gè)類別。雙面檢驗(yàn)任何水平（除了控制類別外）的因子的均值是否不等于控制類別的均值。<控制檢驗(yàn)任何水平的因子的均

10、值是否小于控制類別的均值。>控制檢驗(yàn)任何水平的因子的均值是否大于控制類別的均值。這里選擇最常用的LSD檢驗(yàn)法、S-N-K檢驗(yàn)法、Duncan檢驗(yàn)法。未假定方差齊性選項(xiàng)欄中給出了在觀測(cè)變量不滿足方差齊性條件下的多種檢驗(yàn)方法。² Tamhane's T2?；?t 檢驗(yàn)的保守成對(duì)比較。當(dāng)方差不相等時(shí)，適合使用此檢驗(yàn)。² Dunnett's T3?；趯W(xué)生化最大值模數(shù)的成對(duì)比較檢驗(yàn)。當(dāng)方差不相等時(shí)，適合使用此檢驗(yàn)。² Games-Howell。有時(shí)會(huì)變得隨意的成對(duì)比較檢驗(yàn)。當(dāng)方差不相等時(shí)，適合使用此檢驗(yàn)。² Dunnett's C

11、?；趯W(xué)生化范圍的成對(duì)比較檢驗(yàn)。當(dāng)方差不相等時(shí)，適合使用此檢驗(yàn)。這里選擇Tamhanes T2檢驗(yàn)法、Dunnett's T3檢驗(yàn)法。Significance level輸入框中用于輸入多重比較檢驗(yàn)的顯示性水平，默認(rèn)為5。 單擊【選項(xiàng)】按鈕，彈出options子對(duì)話框，如圖所示。在對(duì)話框中選中描述性復(fù)選框，輸出不同因素水平下觀測(cè)變量的描述統(tǒng)計(jì)量；選擇方差同質(zhì)性檢驗(yàn)復(fù)選框，輸出方差齊性檢驗(yàn)結(jié)果；選中均值圖復(fù)選框，輸出不同因素水平下觀測(cè)變量的均值直線圖。 圖 5.3 “選項(xiàng)”子對(duì)話框² 統(tǒng)計(jì)量。Ø 描述性。 計(jì)算每組中每個(gè)因變量的個(gè)案數(shù)、均值、標(biāo)準(zhǔn)差、均值的標(biāo)準(zhǔn)誤、最小

12、值、最大值和 95% 置信區(qū)間。Ø 固定和隨機(jī)效果。 顯示固定效應(yīng)模型的標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)誤和 95% 置信區(qū)間，以及隨機(jī)效應(yīng)模型的標(biāo)準(zhǔn)誤、95% 置信區(qū)間和成分間方差估計(jì)。Ø 方差同質(zhì)性檢驗(yàn)。 計(jì)算 Levene 統(tǒng)計(jì)量以檢驗(yàn)組方差是否相等。該檢驗(yàn)獨(dú)立于正態(tài)的假設(shè)。Ø Brown-Forsythe。計(jì)算 Brown-Forsythe 統(tǒng)計(jì)量以檢驗(yàn)組均值是否相等。當(dāng)方差相等的假設(shè)不成立時(shí)，這種統(tǒng)計(jì)量優(yōu)于 F 統(tǒng)計(jì)量。Ø Welch。計(jì)算 Welch 統(tǒng)計(jì)量以檢驗(yàn)組均值是否相等。當(dāng)方差相等的假設(shè)不成立時(shí)，這種統(tǒng)計(jì)量優(yōu)于 F 統(tǒng)計(jì)量。² 均值圖。顯示一個(gè)

13、繪制子組均值的圖表（每組的均值由因子變量的值定義）。² 缺失值?？刂茖?duì)缺失值的處理。Ø 按分析順序排除個(gè)案。給定分析中的因變量或因子變量有缺失值的個(gè)案不用于該分析。而且，也不使用超出為因子變量指定的范圍的個(gè)案。Ø 按列表排除個(gè)案。因子變量有缺失值的個(gè)案，或包括在主對(duì)話框中的因變量列表上的任何因變量的值缺失的個(gè)案都排除在所有分析之外。如果尚未指定多個(gè)因變量，那么這個(gè)選項(xiàng)不起作用。 在主對(duì)話框（單因素方差分析對(duì)話框）中點(diǎn)擊ok按鈕，可以得到單因素分析的結(jié)果。實(shí)驗(yàn)結(jié)果分析：表5.1 資料描述性統(tǒng)計(jì)表Descriptives日增重（g）NMeanStd. Deviatio

14、nStd. Error95% Confidence Interval for MeanMinimumMaximumLower BoundUpper Bound1550.009.9754.46137.6162.3937602529.0012.4105.55013.5944.4113413518.006.7823.0339.5826.4213294523.009.3814.19511.3534.651338Total2030.0015.4243.44922.7837.221360表5.2 方差齊性檢驗(yàn)表Test of Homogeneity of VariancesTest of Homogene

15、ity of Variances日增重（g）Levene Statisticdf1df2Sig.1.322316.302表5.3 單因素方差分析結(jié)果ANOVA日增重（g）Sum of SquaresdfMean SquareFSig.Between Groups2970.0003990.00010.219.001Within Groups1550.0001696.875Total4520.00019表5.4 多重比較檢驗(yàn)結(jié)果-LSD法、Tamhane法、Dunnett T3法Multiple ComparisonsDependent Variable:日增重（g）(I) 飼料(J) 飼料Mea

16、n Difference (I-J)Std. ErrorSig.95% Confidence IntervalLower BoundUpper BoundLSD1221.000*6.225.0047.8034.20332.000*6.225.00018.8045.20427.000*6.225.00113.8040.2021-21.000*6.225.004-34.20-7.80311.0006.225.096-2.2024.2046.0006.225.349-7.2019.2031-32.000*6.225.000-45.20-18.802-11.0006.225.096-24.202.20

17、4-5.0006.225.434-18.208.2041-27.000*6.225.001-40.20-13.802-6.0006.225.349-19.207.2035.0006.225.434-8.2018.20Tamhane1221.0007.120.111-4.0246.02332.000*5.394.00312.5251.48427.000*6.124.0145.7648.2421-21.0007.120.111-46.024.02311.0006.325.570-12.9934.9946.0006.957.960-18.6630.6631-32.000*5.394.003-51.4

18、8-12.522-11.0006.325.570-34.9912.994-5.0005.177.934-23.4813.4841-27.000*6.124.014-48.24-5.762-6.0006.957.960-30.6618.6635.0005.177.934-13.4823.48Dunnett T31221.0007.120.094-3.2445.24332.000*5.394.00313.2150.79427.000*6.124.0126.3847.6221-21.0007.120.094-45.243.24311.0006.325.481-11.9333.9346.0006.95

19、7.933-17.8629.8631-32.000*5.394.003-50.79-13.212-11.0006.325.481-33.9311.934-5.0005.177.896-22.8612.8641-27.000*6.124.012-47.62-6.382-6.0006.957.933-29.8617.8635.0005.177.896-12.8622.86*. The mean difference is significant at the 0.05 level.表5.5 多重比較檢驗(yàn)結(jié)果- Student-Newman-Keulsa法、Duncana法日增重（g）飼料NSubs

20、et for alpha = 0.0512Student-Newman-Keulsa3518.004523.002529.001550.00Sig.2121.000Duncana3518.004523.002529.001550.00Sig.1121.000Means for groups in homogeneous subsets are displayed.a. Uses Harmonic Mean Sample Size = 5.000.圖 5.4 均值圖 單變量多因素方差分析例7.1 為了比較3種不同飼料配方對(duì)4種不同品種的增重效果，從每個(gè)品種豬中隨機(jī)抽取了3頭體重相同的仔豬，分別隨

21、機(jī)飼喂不同的飼料，3個(gè)月后的增重效果（kg/頭）如下。試分析不同飼料和品種對(duì)仔豬增重的影響。品種飼料合計(jì) 平均 123Ti.Xi. A 52535215652B 56575817157C 45494714147D42444312943合計(jì)T.j194203200597平均 X.j 48.550.755049.75打開數(shù)據(jù)文件“兩因素方差分析數(shù)據(jù)-無重復(fù)數(shù)據(jù).xls”。在SPSS中實(shí)驗(yàn)該檢驗(yàn)的步驟如下： 步驟1：選擇菜單【分析】【一般線性模型】【單變量.】，彈出“單變量”對(duì)話框圖 5.5 “單變量”對(duì)話框依次將觀測(cè)變量“增重”銷量移入因變量列表框，將因素變量“品種”、“飼料”移入固定因子列表框。

22、u 單擊【模型】按鈕，彈出“模型”對(duì)話框，如圖5.6圖 5.6 “模型”對(duì)話框l 指定模型：Ø 全因子模型包含所有因子主效應(yīng)、所有協(xié)變量主效應(yīng)以及所有因子間交互。它不包含協(xié)變量交互。Ø 選擇定制可以僅指定其中一部分的交互或指定因子協(xié)變量交互。必須指定要包含在模型中的所有項(xiàng)。l 因子與協(xié)變量。列出因子與協(xié)變量。l 模型：模型取決于數(shù)據(jù)的性質(zhì)。選擇定制之后，您可以選擇分析中感興趣的主效應(yīng)和交互效應(yīng)。l 平方和：計(jì)算平方和的方法。對(duì)于沒有缺失單元的平衡或非平衡模型，類型 III 平方和方法最常用。l 在模型中包含截距：模型中通常包含截距。如果您可以假設(shè)數(shù)據(jù)穿過原點(diǎn)，則可以排除截距

23、。l 構(gòu)建項(xiàng)：對(duì)于選定因子和協(xié)變量：Ø 交互。創(chuàng)建所有選定變量的最高級(jí)交互項(xiàng)。這是缺省值。Ø 主效應(yīng)。為每個(gè)選定的變量創(chuàng)建主效應(yīng)項(xiàng)。Ø 所有二階。創(chuàng)建選定變量的所有可能的二階交互。Ø 所有三階。創(chuàng)建選定變量的所有可能的三階交互。Ø 所有四階。創(chuàng)建選定變量的所有可能的四階交互。Ø 所有五階。創(chuàng)建選定變量的所有可能的五階交互。l 平方和: 對(duì)于該模型，您可以選擇平方和類型。類型III 最常用，并且是缺省類型。Ø 類型I： 此方法也稱為平方和分級(jí)解構(gòu)法。在模型中，每一項(xiàng)只針對(duì)它前面的那項(xiàng)進(jìn)行調(diào)整。類型I 平方和常用于：И

24、708; 平衡ANOVA 模型，其中任何主效應(yīng)在任何一階交互效應(yīng)之前指定，任何一階交互效應(yīng)在任何二階交互效應(yīng)之前指定，依此類推。􀂄 多項(xiàng)式回歸模型，其中任何低階項(xiàng)在任何高階項(xiàng)之前指定。􀂄 純嵌套模型，其中第一個(gè)指定的效應(yīng)嵌套在第二個(gè)指定的效應(yīng)中，第二個(gè)指定的效應(yīng)嵌套在第三個(gè)指定的效應(yīng)中，依此類推。（此嵌套形式只能通過使用語法來指定。）Ø 類型II：此方法在為所有其它“相應(yīng)的”效應(yīng)進(jìn)行調(diào)節(jié)的模型中計(jì)算某個(gè)效應(yīng)的平方和。相應(yīng)的效應(yīng)是指，與所有效應(yīng)（不包含正被檢查的效應(yīng)）相對(duì)應(yīng)的效應(yīng)。類型II 平方和方法常用于：􀂄 平衡ANOVA 模型

25、。􀂄 任何只有主要因子效應(yīng)的模型。􀂄 任何回歸模型。􀂄 純嵌套設(shè)計(jì)。（此嵌套形式能通過使用語法來指定。）Ø 類型III：缺省類型。此方法在設(shè)計(jì)中通過以下形式計(jì)算某個(gè)效應(yīng)的平方和：為任何不包含該效應(yīng)的其他效應(yīng)，以及任何與包含該效應(yīng)正交的效應(yīng)（如果存在）調(diào)整的平方和。類型III 平方和具有一個(gè)主要優(yōu)點(diǎn)，那就是只要可估計(jì)性的一般形式保持不變，平方和對(duì)于單元頻率就保持不變。因此，我們常認(rèn)為此類平方和對(duì)于不帶缺失單元格的不平衡模型有用。在不帶缺失單元的因子設(shè)計(jì)中，此方法等同于Yates 加權(quán)均值平方方法。類型III 平方和法常用于：

26、48708; 任何在類型I 和類型II 中列出的模型。􀂄 任何不帶空白單元的平衡或非平衡模型。Ø 類型IV：此方法針對(duì)存在缺失單元的情況設(shè)計(jì)。對(duì)于設(shè)計(jì)中的任何效應(yīng)F，如果任何其它效應(yīng)中不包含F(xiàn)，則類型IV = 類型III = 類型II。當(dāng)F 包含在其它效應(yīng)中時(shí)，則類型IV 將F 中的參數(shù)中正在進(jìn)行的對(duì)比相等地分配到所有較高水平的效應(yīng)。類型IV 平方和法常用于：􀂄 任何在類型I 和類型II 中列出的模型。􀂄 任何帶有空白單元的平衡或非平衡模型。u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【對(duì)比】按鈕，彈出“單變量：對(duì)

27、比” 對(duì)話框，可對(duì)指定的因子變量不同水平進(jìn)行多種方式的比較，圖 5.7 “單變量：對(duì)比”對(duì)話框由于生物統(tǒng)計(jì)學(xué)的分析，主要是對(duì)每個(gè)影響因子的不同水平進(jìn)行多重比較，及交互作用檢驗(yàn)，在“模型”、“兩兩對(duì)比”、“選項(xiàng)”三項(xiàng)中進(jìn)行選擇設(shè)置即可滿足需要，故此項(xiàng)通常保持默認(rèn)設(shè)置，即不做相關(guān)對(duì)比。u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【繪制】按鈕，彈出“單變量：輪廓圖” 對(duì)話框，可對(duì)指定的因子變量之間是否存在交互作用進(jìn)行直觀分析。可任選一個(gè)因子作為水平軸取值，對(duì)另一個(gè)因子的不同水平取值的線性變化進(jìn)行顯示，若呈現(xiàn)“平行”相，則說明兩個(gè)因子沒有交互作用，若呈現(xiàn)“交叉相”， 則說明兩個(gè)因子有交

28、互作用。將“品種”選入水平軸框，將“飼料”選入單圖框，點(diǎn)擊“添加”，將所做選擇確定。圖 5.8 “單變量：輪廓圖”對(duì)話框u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【兩兩比較】按鈕，彈出“單變量：觀測(cè)均值的兩兩比較” 對(duì)話框，可對(duì)指定的因子變量各水平之間因變量均值的顯著差異性進(jìn)行檢驗(yàn)，只有在方差分析表明該變量的不同水平間的差異主要是處理效應(yīng)的前提下，此項(xiàng)比較才有意義。圖 5.9 “單變量：觀測(cè)均值的兩兩比較”對(duì)話框選擇最常用的LSD檢驗(yàn)法、S-N-K檢驗(yàn)法、Duncan檢驗(yàn)法。u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【保存】按鈕，彈出“單變量：保存” 對(duì)話框

29、，可以在數(shù)據(jù)編輯器中將模型預(yù)測(cè)的值、殘差和相關(guān)測(cè)量另存為新變量。這些變量中有許多可用于檢查關(guān)于數(shù)據(jù)的假設(shè)。要保存供另一SPSS Statistics 會(huì)話中使用的值，您必須保存當(dāng)前數(shù)據(jù)文件。圖 5.10 “單變量：保存”對(duì)話框由于生物統(tǒng)計(jì)學(xué)的分析，通常不對(duì)此項(xiàng)做選擇，保持默認(rèn)設(shè)置。u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【選項(xiàng)】按鈕，彈出“單變量：選項(xiàng)” 對(duì)話框。此對(duì)話框中有一些可選統(tǒng)計(jì)量。統(tǒng)計(jì)量是使用固定效應(yīng)模型計(jì)算的。圖 5.11 “單變量：選項(xiàng)”對(duì)話框估計(jì)邊際均值：選擇您需要的單元中的總體邊際均值估計(jì)的因子和交互作用。為協(xié)變量（如果存在）調(diào)整這些均值。𙦦

30、8; 比較主效應(yīng)。對(duì)于主體間和主體內(nèi)因子，為模型中的任何主效應(yīng)提供估計(jì)邊際均值未修正的成對(duì)比較。只有在“顯示以下項(xiàng)的均值”列表中選擇了主效應(yīng)的情況下，此項(xiàng)才可用。􀂄 置信區(qū)間調(diào)節(jié)。選擇最小顯著性差異(LSD)、Bonferroni 或?qū)χ眯艆^(qū)間和顯著性的Sidak 調(diào)整。此項(xiàng)只有在選擇了比較主作用的情況下才可用。輸出：Ø 描述統(tǒng)計(jì)：以生成所有單元中的所有因變量的觀察到的均值、標(biāo)準(zhǔn)差和計(jì)數(shù)。Ø 功效估計(jì)：給出了每個(gè)作用和每個(gè)參數(shù)估計(jì)值的偏eta 方值。eta 方統(tǒng)計(jì)量描述總變異性中可歸因于某個(gè)因子的部分。Ø 檢驗(yàn)效能：當(dāng)基于觀察到的值設(shè)置備用假設(shè)時(shí)

31、，選擇檢驗(yàn)效能可獲取檢驗(yàn)的效能。Ø 參數(shù)估計(jì)：選擇參數(shù)估計(jì)可為每個(gè)檢驗(yàn)生成參數(shù)估計(jì)值、標(biāo)準(zhǔn)誤、t 檢驗(yàn)、置信區(qū)間和檢驗(yàn)效能。Ø 對(duì)比系數(shù)矩陣：選擇對(duì)比系數(shù)矩陣可獲取L 矩陣。Ø 齊性檢驗(yàn)：為跨主體間因子所有水平組合的每個(gè)因變量生成Levene 的方差齊性檢驗(yàn)（僅對(duì)于主體間因子）。Ø 分布-水平圖和殘差圖：選項(xiàng)對(duì)于檢查關(guān)于數(shù)據(jù)的假設(shè)很有用。如果不存在任何因子，則禁用此項(xiàng)。Ø 殘差圖：選擇殘差圖可為每個(gè)因變量生成觀察-預(yù)測(cè)-標(biāo)準(zhǔn)化殘差圖。這些圖對(duì)于調(diào)查方差相等的假設(shè)很有用。Ø 失擬：選擇失擬可檢查因變量和自變量之間的關(guān)系是否能由模型充分地

32、描述。常規(guī)可估計(jì)函數(shù)允許您基于常規(guī)可估計(jì)函數(shù)構(gòu)造定制的假設(shè)檢驗(yàn)。任何對(duì)比系數(shù)矩陣中的行均是常規(guī)可估計(jì)函數(shù)的線性組合。顯著性水平。您可能想要調(diào)整用在兩兩比較檢驗(yàn)中的顯著性水平，以及用于構(gòu)造置信區(qū)間的置信度。指定的值還用于計(jì)算檢驗(yàn)的檢驗(yàn)效能。如果指定了顯著性水平，則相關(guān)聯(lián)的置信區(qū)間度會(huì)顯示在對(duì)話框中。生物統(tǒng)計(jì)學(xué)的分析，主要是對(duì)每個(gè)影響因子的不同水平進(jìn)行多重比較，及交互作用檢驗(yàn)，在“選項(xiàng)”中選擇“描述統(tǒng)計(jì)”、“ 齊性檢驗(yàn)”即可滿足需要，故此項(xiàng)通常保持默認(rèn)設(shè)置，即不做相關(guān)對(duì)比。u 點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【確定】按鈕后，結(jié)果輸出窗口看分析結(jié)果。表5.6 方差分析表Tes

33、ts of Between-Subjects EffectsDependent Variable:增重SourceType III Sum of SquaresdfMean SquareFSig.Model30145.500a65024.2506699.000.000品種337.0003112.333149.778.000飼料8.16724.0835.444.045Error4.5006.750Total30150.00012a. R Squared = 1.000 (Adjusted R Squared = 1.000)表5.6可知，品種各水平間效應(yīng)值的變異主要是處理效應(yīng)造成的，可進(jìn)行多重比

34、較；飼料各水平間效應(yīng)值的變異主要是處理效應(yīng)造成的，也可進(jìn)行多重比較。表5.7 品種各水平間多重比較表增重品種NSubset1234Student-Newman-Keulsa,b4343.003347.001352.332357.00Sig.1.0001.0001.0001.000Duncana,b4343.003347.001352.332357.00Sig.1.0001.0001.0001.000b. Alpha = .05.從表5.7可知，增重效果由大到小依次是2號(hào)、1號(hào)、3號(hào)、4號(hào)，各品種之間增重效果均達(dá)到了顯著性差異。表5.8 飼料各水平間多重比較表增重飼料NSubset12Stude

35、nt-Newman-Keulsa,b1448.753450.0050.002450.75Sig.087.267Duncana,b1448.753450.0050.002450.75Sig.087.267b. Alpha = .05.從表5.8可知，增重效果由大到小依次是2號(hào)、3號(hào)、1號(hào)，各飼料之間增重效果差異，2號(hào)和1號(hào)之間達(dá)到了顯著性。圖 5.12 品種與飼料間交互作用圖從圖5.8可知，品種與飼料間存在著一定的交互作用。實(shí)驗(yàn)六：簡單相關(guān)與回歸分析一、實(shí)驗(yàn)?zāi)繕?biāo)與要求 1幫助學(xué)生深入了解線性及回歸的基本概念，掌握線性相關(guān)與回歸分析的基本思想和原理 2掌握線性相關(guān)與回歸分析的過程。 二、實(shí)驗(yàn)原理

36、1相關(guān)分析的統(tǒng)計(jì)學(xué)原理相關(guān)分析使用某個(gè)指標(biāo)來表明現(xiàn)象之間相互依存關(guān)系的密切程度。用來測(cè)度簡單線性相關(guān)關(guān)系的系數(shù)是Pearson簡單相關(guān)系數(shù)。 2回歸分析的統(tǒng)計(jì)學(xué)原理 相關(guān)關(guān)系不等于因果關(guān)系，要明確因果關(guān)系必須借助于回歸分析?；貧w分析是研究兩個(gè)變量或多個(gè)變量之間因果關(guān)系的統(tǒng)計(jì)方法。其基本思想是，在相關(guān)分析的基礎(chǔ)上，對(duì)具有相關(guān)關(guān)系的兩個(gè)或多個(gè)變量之間數(shù)量變化的一般關(guān)系進(jìn)行測(cè)定，確立一個(gè)合適的數(shù)據(jù)模型，以便從一個(gè)已知量推斷另一個(gè)未知量。回歸分析的主要任務(wù)就是根據(jù)樣本數(shù)據(jù)估計(jì)參數(shù)，建立回歸模型，對(duì)參數(shù)和模型進(jìn)行檢驗(yàn)和判斷，并進(jìn)行預(yù)測(cè)等。三、實(shí)驗(yàn)演示內(nèi)容與步驟 兩個(gè)變量間的簡單相分析【課本例 】現(xiàn)有10

37、頭動(dòng)物體重與飼料消耗量的數(shù)據(jù)如下，試建立飼料消耗量對(duì)體重的回歸方程，并對(duì)回歸系數(shù)加以檢驗(yàn)。體重X4.65.14.84.45.94.75.15.24.95.1飼料消耗量Y87.193.189.891.499.592.195.599.393.494.4打開數(shù)據(jù)文件“線性相關(guān)與回歸分析數(shù)據(jù).xls”，依次選擇“【分析】【相關(guān)】【雙變量】”打開“雙變量”對(duì)話框如圖，將待分析的2個(gè)指標(biāo)移入右邊的變量列表框內(nèi)。其他均可選擇默認(rèn)項(xiàng)。圖 6.1 “雙變量”對(duì)話框選擇兩個(gè)或更多數(shù)值型變量。還可以使用以下選項(xiàng)：􀂄 相關(guān)系數(shù)。對(duì)于正態(tài)分布的定量變量，請(qǐng)選擇Pearson 相關(guān)系數(shù)。如果您的數(shù)據(jù)不是

38、正態(tài)分布的，或具有已排序的類別，請(qǐng)選擇Kendall 的tau-b 或Spearman，后兩者度量秩次之間的相關(guān)性。相關(guān)系數(shù)的值范圍為1（完全負(fù)相關(guān)）到+1（完全正相關(guān)）。0 值表示沒有線性關(guān)系。在解釋結(jié)果時(shí)請(qǐng)小心謹(jǐn)慎，不要因顯著的相關(guān)性而得出任何因果結(jié)論。􀂄 顯著性檢驗(yàn)。您可以選擇雙尾概率或單尾概率。如果預(yù)先已知關(guān)聯(lián)的方向，請(qǐng)選擇單尾。否則，請(qǐng)選擇雙尾。􀂄 標(biāo)記顯著性相關(guān)。用一個(gè)星號(hào)來標(biāo)識(shí)顯著性水平為0.05 的相關(guān)系數(shù)，用兩個(gè)星號(hào)來標(biāo)識(shí)顯著性水平為0.01 的相關(guān)系數(shù)。單擊【選項(xiàng)】按鈕，彈出“雙變量相關(guān)性：選項(xiàng)”對(duì)話框，選擇“均值和標(biāo)準(zhǔn)差”，圖 6.2

39、“雙變量相關(guān)性：選項(xiàng)”對(duì)話框統(tǒng)計(jì)量。對(duì)于Pearson 相關(guān)性，您可以選擇以下一項(xiàng)或兩項(xiàng)：􀂄 均值和標(biāo)準(zhǔn)差。為每個(gè)變量顯示。還顯示具有非缺失值的個(gè)案數(shù)。無論缺失值設(shè)置如何，都將逐變量處理缺失值。􀂄 叉積偏差和協(xié)方差。為每對(duì)變量顯示。偏差的叉積等于校正均值變量的乘積之和。這是Pearson 相關(guān)系數(shù)的分子。協(xié)方差是有關(guān)兩個(gè)變量之間關(guān)系的一種非標(biāo)準(zhǔn)化度量，等于叉積偏差除以N1。缺失值。您可以選擇以下選項(xiàng)之一：􀂄 按對(duì)排除個(gè)案。會(huì)從分析中排除對(duì)其計(jì)算相關(guān)系數(shù)的一對(duì)變量中一個(gè)或兩個(gè)含有缺失值的個(gè)案。由于每個(gè)系數(shù)均基于對(duì)特定變量對(duì)具有有效代碼的所有個(gè)

40、案，因此在每次計(jì)算中會(huì)使用可用的最大信息量。這可能因?yàn)閭€(gè)案數(shù)不同而產(chǎn)生一組系數(shù)。􀂄 按列表排除個(gè)案。從所有相關(guān)性中排除對(duì)任意變量有缺失值的個(gè)案。點(diǎn)擊【繼續(xù)】按鈕，返回主對(duì)話框（“單變量”對(duì)話框），點(diǎn)擊【確定】按鈕后，結(jié)果輸出窗口看分析結(jié)果。表6.1 雙變量相關(guān)性分析基本統(tǒng)計(jì)量表Descriptive StatisticsMeanStd. DeviationN體重X4.980.413110飼料消耗量Y93.5603.881610表6.2 雙變量相關(guān)性分析表Correlations體重X飼料消耗量Y體重XPearson Correlation1.818*Sig. (2-taile

41、d).004N1010飼料消耗量YPearson Correlation.818*1Sig. (2-tailed).004N1010*. Correlation is significant at the 0.01 level (2-tailed). 兩個(gè)變量間的線性回歸分析打開數(shù)據(jù)文件“線性相關(guān)與回歸分析數(shù)據(jù).xls”，依次選擇“【分析】【回歸】【線性】”打開“線性回歸”對(duì)話框如圖，將待分析的2個(gè)指標(biāo)移入右邊的變量列表框內(nèi)。其他均可選擇默認(rèn)項(xiàng)。圖 6.3 “線性回歸”對(duì)話框在“線性回歸”對(duì)話框中，選擇一個(gè)數(shù)值型因變量。選擇一個(gè)或多個(gè)數(shù)值型自變量。根據(jù)需要，您可以：􀂄 將自變

42、量分組成塊，并對(duì)不同的變量子集指定不同的進(jìn)入方法。􀂄 選擇一個(gè)選擇變量，將分析限于包含此變量特定值的個(gè)案子集。􀂄 選擇個(gè)案標(biāo)識(shí)變量，用于標(biāo)識(shí)圖上的點(diǎn)。􀂄 選擇數(shù)值型WLS 權(quán)重變量以進(jìn)行加權(quán)最小平方分析。WLS： 允許您獲取加權(quán)最小平方模型。以數(shù)據(jù)點(diǎn)方差的倒數(shù)對(duì)數(shù)據(jù)點(diǎn)進(jìn)行加權(quán)。這意味著方差較大的觀察值對(duì)分析的影響比方差較小的觀察值要小。如果加權(quán)變量的值為0、負(fù)數(shù)或缺失，則將該個(gè)案從分析中排除。本題中，因只有一個(gè)自變量，故只需選擇自變量和因變量即可，點(diǎn)擊【統(tǒng)計(jì)量】按鈕，彈出“線性回歸：統(tǒng)計(jì)量”對(duì)話框，可選擇需要輸出的基本統(tǒng)計(jì)量，圖 6.4 “

43、線性回歸：統(tǒng)計(jì)量”對(duì)話框我們選擇默認(rèn)的“估計(jì)”、“模型擬合度”和“描述性”。點(diǎn)擊繼續(xù)返回主對(duì)話框（“線性回歸”對(duì)話框），點(diǎn)擊【繪制】按鈕，彈出“線性回歸：圖”對(duì)話框，圖 6.5 “線性回歸：圖”對(duì)話框可以幫助驗(yàn)證正態(tài)性、線性和方差相等的假設(shè)。對(duì)于檢測(cè)離群值、異常觀察值和有影響的個(gè)案，圖也是有用的。在將它們保存為新變量之后，在數(shù)據(jù)編輯器中可以使用預(yù)測(cè)值、殘差和其他診斷以使用自變量構(gòu)造圖。以下圖是可用的：散點(diǎn)圖：您可以繪制以下各項(xiàng)中的任意兩種：因變量、標(biāo)準(zhǔn)化預(yù)測(cè)值、標(biāo)準(zhǔn)化殘差、剔除殘差、調(diào)整預(yù)測(cè)值、Student 化的殘差或Student 化的已刪除殘差。針對(duì)標(biāo)準(zhǔn)化預(yù)測(cè)值繪制標(biāo)準(zhǔn)化殘差，以檢查線性

44、關(guān)系和等方差性。源變量列表：列出因變量(DEPENDNT) 及以下預(yù)測(cè)變量和殘差變量：標(biāo)準(zhǔn)化預(yù)測(cè)值(*ZPRED)、標(biāo)準(zhǔn)化殘差(*ZRESID)、剔除殘差(*DRESID)、調(diào)整的預(yù)測(cè)值(*ADJPRED)、學(xué)生化的殘差(*SRESID) 以及學(xué)生化的已刪除殘差(*SDRESID)。生成所有部分圖：當(dāng)根據(jù)其余自變量分別對(duì)兩個(gè)變量進(jìn)行回歸時(shí)，顯示每個(gè)自變量殘差和因變量殘差的散點(diǎn)圖。要生成部分圖，方程中必須至少有兩個(gè)自變量。標(biāo)準(zhǔn)化殘差圖：您可以獲取標(biāo)準(zhǔn)化殘差的直方圖和正態(tài)概率圖，將標(biāo)準(zhǔn)化殘差的分布與正態(tài)分布進(jìn)行比較。如果請(qǐng)求了任意圖，則將顯示標(biāo)準(zhǔn)化預(yù)測(cè)值和標(biāo)準(zhǔn)化殘差（*ZPRED 和*ZRESID）的摘要統(tǒng)計(jì)。本題中，不需要此項(xiàng)，故保持默認(rèn)。點(diǎn)擊繼續(xù)返回主對(duì)話框（“線性回歸”對(duì)話框），點(diǎn)擊【保存】按鈕，彈出“線性回歸：保存”