spss课件22.ppt

从结果图22-13（b）所示中可以看出，多元方差分析药品和性别主效应的4种检验统计量的值相同，P0.05，拒绝原假设，可以认为药品和性别两个因素对Y1与Y2两个指标有统计学意义，交互作用分析，4个检验统计量的P值均大于检验水准α=0.05，不拒绝原假设，可以认为药品和性别对两个指标的影响不存在协同作用。 （3）方差齐性检验结果见结果如图22-14所示。从结果中我们可以得出两个指标满足总体方差相等的假设（P0.05）。 （4）方差分析结果和参数估计结果如图22-15所示。 在多变量的分析结果中，只给出了均数向量是否有差别的结论，并没有给出单因素之间的差别。结果图22-15（a）和22-15（b）所示分别给出了方差分析结果和参数估计结果，进一步给出了Y1和Y2单变量的分析结果。从结果中我们可以得出，Y1在药品和性别两个因素上都是有差别（P0.05）的；Y2在药物上有差别（P0.05），在性别上不具有统计学差异（P=0.056）。交互效应在Y1（P=0.629）和Y2（P=0.893）上都没有统计学差异。 （5）对照分析结果与多变量与单变量分析结果见图22-16所示。 结果图22-16（a）所示给出了药品的偏均差对照分析结果。一般情况是以最后分类为参考，Y1和Y2的总均数分别为8.33和8.04。因此，当药品=1时，Y1与Y2的偏差分别为-2.708（=5.63-8.33）和-2.417（=5.63-8.04）；当药品=2时，分别为-2.208（=6.13-8.33）和-0.917（=7.13-8.04）。Sig.提供了他们之间的统计学差异。多变量分析结果22-16（b）和22-16（c）与前者分析相同。 （6）多重比较结果见结果图22-17所示。我们可以得出，Y1、Y2两个指标在药品分别取1、2时没有统计学差异，取1与3、2与3之间有统计学差异。 配对设计资料的多元方差分析 例22.4：对9名乳腺癌患者进行大剂量化疗，测量化疗前后血液中尿素氮BUN（mg%）与血清肌酐Gr（mg%）水平，结果见图22-18（数据文件见例22-4.sav）。试问化疗是否对患者的肾功能有影响？ 1．操作过程 （1）单击“分析”|“一般线性模型”|“多变量”命令，弹出多变量主对话框。 因变量：BUG/Gr。固定变量：编号/group。 （2）单击“模型”选⊙设定 模型：编号/group。 类型：主效应。 单击“继续”返回主对话框。 （3）单击“确定”按钮运行输出结果。 2．结果解读 主要输出结果见结果图22-19所示。 从结果中我们可以得出治疗前后4个检验统计量的值都是2.235，P=0.178，不拒绝原假设，故尚无理由认为该化疗对肾功能有影响。 THE END IBM-SPSS 第22章 多元方差分析 主要内容 第一节 单因素设计资料的多元方差分析 第二节 多因素资料的多元方差分析 在前面的章节中我们学习了一个应变量的方差分析，即为一元方差分析，当扩展到多个应变量时，则称为多元方差分析（Multivariate Analysis of Variance，MANOVA），通常称为多变量方差分析。多元方差分析除了满足方差分析的基本条件：独立、正态、方差齐；还需要满足：各应变量之间具有相关性，每一组都有相同的方差——协方差矩阵，各应变量为多元正态分布。本章我们从单因素设计资料多元方差分析、多因素资料的方差分析。 第一节 单因素设计资料的多元方差分析 实例详解 例22.1：了解某地不同时期儿童生长发育情况，随机调查了20名8岁男童的身高（Y1）、体重（Y2）、胸围（Y3）三项指标，调查结果如图22-1所示（数据文件例22-1.sav）。试检验本次儿童生长发育调查结果是否高于10年前得平均水平（121.57cm，21.54kg，57.98cm）。 2．操作过程 （1）数据转换 单击“转换”|“计算变量”命令，弹出图22-2所示的计算变量对话框。 目标变量：将产生新变量，本例中分别将身高、体重和胸围分别产生新变量（Y11、Y22、Y33）。以身高为例，目标变量：Y11；数字表达式：Y1-121.57。单击“确定”按钮运行。（2）单击“分析”|“一般线性模型”|“多变量”命令，弹出图22-3所示的多变量分析主对话框。 因变量：即反应变量，可以输入多个，本例中输入Y11、Y22、Y33。 固定因子：固定因素，是用于固定效应模型。 协变量：与应变量有关的定量变量，协方差分析是选用。 WLS权重：变量加权。 单击“模型”按钮，弹出图22-4所示的模型对话框。 单击“对比”按钮，弹出图22-5所示的对比对话框。有6种选择，此处不再一一介绍。 单击“选项”按钮，弹出图22-6所示的选项对话框 3．结果解释 详细