方差分析大致介紹

方差分析大致介紹第1頁，共33頁，2023年，2月20日，星期五本章內(nèi)容9.1方差分析的概念與方差分析的過程9.2單因素方差分析9.3單因變量多因素方差分析過程9.4多因變量線性模型的方差分析9.5重復(fù)測量設(shè)計(jì)的方差分析9.6方差成分分析9.7正交實(shí)驗(yàn)設(shè)計(jì)練習(xí)題（對銀行數(shù)據(jù)進(jìn)行方差分析）第2頁，共33頁，2023年，2月20日，星期五9.1.1方差分析的概念在科學(xué)實(shí)驗(yàn)中常常要探討不同實(shí)驗(yàn)條件或處理方法對實(shí)驗(yàn)結(jié)果的影響。通常是比較不同實(shí)驗(yàn)條件下樣本均值間的差異方差分析是檢驗(yàn)多組樣本均值間的差異是否具有統(tǒng)計(jì)意義的一種方法。例如醫(yī)學(xué)界研究幾種藥物對某種疾病的療效；農(nóng)業(yè)研究土壤、肥料、日照時間等因素對某種農(nóng)作物產(chǎn)量的影響不同飼料對牲畜體重增長的效果等都可以使用方差分析方法去解決第3頁，共33頁，2023年，2月20日，星期五方差分析基本原理認(rèn)為不同處理組的均值間的差別基本來源有兩個:（1）隨機(jī)誤差，如測量誤差造成的差異或個體間的差異，稱為組內(nèi)差異，用變量在各組的均值與該組內(nèi)變量值之偏差平方和的總和表示，記作SSw，組內(nèi)自由度dfw（2）實(shí)驗(yàn)條件，即不同的處理造成的差異，稱為組間差異。用變量在各組的均值與總均值之偏差平方和表示，記作SSb，組間自由度dfb總偏差平方和SSt

、SSb、SSw的公式P147第4頁，共33頁，2023年，2月20日，星期五方差分析基本原理（續(xù)）組內(nèi)SSw

、組間SSb除以各自的自由度(組內(nèi)dfw=n-m，組間dfb=m-1，其中n為樣本總數(shù)，m為組數(shù))，得到其均方MSw和MSb，一種情況是處理沒有作用，即各組樣本均來自同一總體，MSb/MSw≈1。另一種情況是處理確實(shí)有作用，那么，MSb>>MSw

(遠(yuǎn)遠(yuǎn)大于)。MSb/MSw比值構(gòu)成F分布，用F值與其臨界值比較，推斷各樣本是否來自相同的總體.第5頁，共33頁，2023年，2月20日，星期五方差分析的假設(shè)檢驗(yàn)零假設(shè)H0：m組樣本均值都相同，即μ1=μ2=....=μm如果經(jīng)過計(jì)算結(jié)果組間均方遠(yuǎn)遠(yuǎn)大于組內(nèi)均方（MSb>>MSw

），F(xiàn)>F0.05(dfb,dfw),p<0.05，拒絕零假設(shè)，說明樣本來自不同的正態(tài)總體，說明處理造成均值的差異有統(tǒng)計(jì)意義；否則,F<F0.05((dfb,dfw),p>0.05不能拒絕零假設(shè)，說明樣本來自相同的正態(tài)總體，處理間無差異。第6頁，共33頁，2023年，2月20日，星期五9.1.2方差分析中的術(shù)語1、因素與處理：因素是影響因變量變化的客觀條件；處理是影響因變量變化的人為條件。也可通稱為因素。用分類變量表示，取有限的離散值2、水平：因素的不同等級稱作水平。水平值取有限的離散值。如：性別中的0，1（男、女）等3、單元(cell)：指各因素的水平之間的每個組合。如性別(0,1)和年齡(10,11,12)的六種組合。第7頁，共33頁，2023年，2月20日，星期五9.1.2方差分析中的術(shù)語（續(xù)）4、因素的主效應(yīng)和因素間的交互效應(yīng)（如藥物A、B的主效應(yīng)及AB的交互效應(yīng)）5、均值比較：均值的相對比較是比較各因素對因變量的效應(yīng)大小的相對比較，如研究A、B的單獨(dú)效應(yīng)之和是否等于它們的交互效應(yīng)，或A、B的效應(yīng)是否相等。均值的多重比較是研究因素單元對因變量的影響之間是否存在顯著性差異。如A、B的療效是否存在顯著性差異。6、單元均值、邊際均值：在多因素方差分析中，每種因素水平組合的因變量均值稱為單元均值。一個因素水平的因變量均值稱為邊際均值（MarginalMeans）第8頁，共33頁，2023年，2月20日，星期五方差分析中的術(shù)語（續(xù)）7、協(xié)方差分析：在一般進(jìn)行方差分析時，要求除研究的因素外應(yīng)該保證其他條件的一致。作動物實(shí)驗(yàn)往往采用同一胎動物分組給予不同的處理，研究不同處理對研究對象的影響就是這個道理。如研究身高與體重的關(guān)系時要求按性別分別進(jìn)行分析，以消除性別因素的影響。要消除其他因素的影響，應(yīng)采用協(xié)方差分析。8、重復(fù)測量：組內(nèi)變異的主要的原因是實(shí)驗(yàn)對象之間的個體差異。由于個體差異存在，即使實(shí)驗(yàn)對象受到相同的處理，他們的因變量值也可能相當(dāng)不同。重復(fù)測量設(shè)計(jì)的方差分析也是像協(xié)方差分析一樣，是在研究中減少個體差異帶來的誤差方差的一種有效方法，而且由于對相同個體進(jìn)行重復(fù)測量，在一定程度上降低了人力、物力、財(cái)力的消耗。如果重復(fù)測量是在一段時間內(nèi)或一個溫度間隔內(nèi)進(jìn)行的，還可以研究因變量對時間、溫度等自變量的變化趨勢，這種重復(fù)測量研究稱為趨勢研究。第9頁，共33頁，2023年，2月20日，星期五9.1.3方差分析過程1、One-Way過程：單因素簡單方差分析過程。在CompareMeans菜單項(xiàng)中，可以進(jìn)行單因素方差分析、均值多重比較和相對比較。2、GeneralLinearModel(簡稱GLM)過程：GLM過程由Analyze菜單直接調(diào)用。這些過程可以完成簡單的多因素方差分析和協(xié)方差分析，不但可以分析各因素的主效應(yīng)，還可以分析各因素間的交互效應(yīng)。第10頁，共33頁，2023年，2月20日，星期五GeneralLinearModel(簡稱GLM)過程在GeneralLinearModel菜單項(xiàng)下有四項(xiàng)：Univariate：提供回歸分析和一個因變量和一個或幾個因素變量的方差分析。Multivariate:可進(jìn)行多因變量的多因素分析RepeatedMeasure:可進(jìn)行重復(fù)測量方差分析VarianceComponent：可進(jìn)行方差成分分析。通過計(jì)算方差估計(jì)值，可以幫助我們分析如何減小方差。第11頁，共33頁，2023年，2月20日，星期五9.２單因素方差分析也稱有一維方差分析，對二組以上的均值加以比較。檢驗(yàn)由單一因素影響的一個（或幾個相互獨(dú)立的）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，還可以對該因素的若干水平分組中哪些組均值不具有顯著性差異進(jìn)行分析，即一致性子集檢驗(yàn)。One-WayANOVA過程要求：因（分析）變量屬于正態(tài)分布總體，若因（分析）變量的分布明顯的是非正態(tài)，應(yīng)該用非參數(shù)分析過程。對被觀測對象的實(shí)驗(yàn)不是隨機(jī)分組的，而是進(jìn)行的重復(fù)測量形成幾個彼此不獨(dú)立的變量，應(yīng)該用RepeatedMeasure菜單項(xiàng)，進(jìn)行重復(fù)測量方差分析，條件滿足時，還可以進(jìn)行趨勢分析。第12頁，共33頁，2023年，2月20日，星期五9.２.1簡單的一維方差分析使用系統(tǒng)默認(rèn)值進(jìn)行一維方差分析：P151比較四種飼料對豬體重增加的作用有無不同（注意：分組變量的定義）data09-01Analyze->CompareMeans->One-WayANOVADependentList：weightFactor：fodder結(jié)果只有方差分析表結(jié)果中比較有用的值：Sig顯著性概率值。結(jié)論：四種飼料對豬體重增加的作用有顯著性差異。零假設(shè)H0：組間均值無顯著性差異（即四種飼料對豬體重增加的平均值無顯著性差異）；第13頁，共33頁，2023年，2月20日，星期五9.２.2--9.２.3

單因素方差分析的選擇項(xiàng)和例子使用選擇項(xiàng)的單因素方差分析：P155比較四種飼料對豬體重增加的作用data09-01Analyze->CompareMeans->One-WayANOVADependentList：weightFactor：fodderContrasts選項(xiàng):多項(xiàng)式比較（AD與BC比較和AC與BD比較）PostHoc選項(xiàng):均值多重比較LSD和Tamhane’sT2，一致性子集檢驗(yàn)Duncan（各種方法的使用條件－方差齊或不齊）Options選項(xiàng):Descriptive描述統(tǒng)計(jì)量，Homogeneity-of-variance方差齊次性檢驗(yàn)，Meansplot均值分布圖結(jié)果除了方差分析表，還有很多選項(xiàng)相應(yīng)的結(jié)果結(jié)論：四種飼料對豬體重增加的作用有顯著性差異，還可得知ABCD四種飼料對豬平均體重增加多少（越來越多）。P159同種三葉草被接種上不同的菌種，其含氮量情況data09-02（注意PostHoc各種方法結(jié)果的使用條件－方差齊或不齊）.第14頁，共33頁，2023年，2月20日，星期五9.3單因變量多因素方差分析過程

（多因素，2）1、單因變量多因素方差分析概述2、單因變量多因素方差分析的菜單和選擇項(xiàng)3、使用系統(tǒng)默認(rèn)值進(jìn)行隨機(jī)區(qū)組設(shè)計(jì)資料的方差分析4、2×2析因?qū)嶒?yàn)方差分析實(shí)例5、拉丁方區(qū)組設(shè)計(jì)的方差分析實(shí)例6、協(xié)方差分析實(shí)例7、多維交互效應(yīng)方差分析實(shí)例第15頁，共33頁，2023年，2月20日，星期五9.3.1單因變量多因素方差分析概述1、概述是對一個獨(dú)立變量是否受多個因素或變量影響而進(jìn)行的方差分析。SPSS調(diào)用UNIANOVA過程，檢驗(yàn)不同水平組合之間因（分析）變量均值由于受不同因素影響是否有差異的問題。UNIANOVA過程可以分析每一個因素的作用（主效應(yīng)），也可以分析因素之間的交互作用（交互效應(yīng)）?？梢赃M(jìn)行協(xié)方差分析，以及各因素變量與協(xié)變量之間的交互作用。UNIANOVA過程要求因變量是從多元正態(tài)總體隨機(jī)采樣得來，且總體中各單元的方差相同，也可以通過方差齊次性檢驗(yàn)選擇均值比較結(jié)果。因變量和協(xié)變量必須是數(shù)值型變量，協(xié)變量與因變量彼此不獨(dú)立。因素變量是分類變量，可以是數(shù)值型和字符型。固定因素變量（FixedFactor）是反應(yīng)處理的因素。隨機(jī)因素是隨機(jī)設(shè)置的因素，是在確定模型時需要考慮會對實(shí)驗(yàn)有影響的因素，對實(shí)驗(yàn)結(jié)果影響的大小可以通過方差成分分析確定。2、關(guān)于模型：GLMUnivariate功能很強(qiáng)，可以建立包括各種主效應(yīng)、交互效應(yīng)的模型。必須認(rèn)真分析因素變量的具體情況，來確定自己的模型，否則會產(chǎn)生不可解釋的輸出結(jié)果。第16頁，共33頁，2023年，2月20日，星期五9.3.2單因變量多因素方差分析的菜單和選擇項(xiàng)菜單：Analyze->GeneralLinearModel->Univariate選項(xiàng)：選擇分析模型Model:默認(rèn)全模型FullFactorial：包括所有因素變量的主效應(yīng)、所有協(xié)變量的主效應(yīng)、所有因素與因素的交互效應(yīng)，不包括協(xié)變量與其他因素的交互效應(yīng)。自定義模型Custom：主效應(yīng)（Maineffects及其因素變量）、交互變量（有交互效應(yīng)維數(shù)之分）選擇分解平方和的方法（默認(rèn)為TYPEIII）IncludeInterceptinmodel：系統(tǒng)默認(rèn)截距包括在回歸模型中。選擇對照方法Contrasts選擇分布圖形Plots選擇多重比較分析PostHoc保存運(yùn)算結(jié)果的選擇項(xiàng)Save選擇輸出項(xiàng)Options第17頁，共33頁，2023年，2月20日，星期五9.3.3使用系統(tǒng)默認(rèn)值進(jìn)行隨機(jī)區(qū)組設(shè)計(jì)資料的方差分析P168比較不同種系、劑量的雌性大白鼠子宮重量，看不同種系、不同劑量對雌性大白鼠子宮重量是否有顯著性作用data09-03Analyze->GeneralLinearModel->Univariate

Dependent：wuteriFixedFactor（s）：mouse、etrogenModel選項(xiàng):Custom(Maineffect,mouse和etrogen)主效應(yīng)方差分析檢驗(yàn)結(jié)果(截距，主效應(yīng)，誤差Error）結(jié)果中比較有用的值：Sig顯著性概率值（各自主效應(yīng)，截距-線性回歸關(guān)系）結(jié)論：不同種系、不同劑量對雌性大白鼠子宮重量均有有顯著性作用。注意：選擇只有主效應(yīng)，原因是每種組合只有一個觀測量。如果分析交互作用，無法計(jì)算差異的顯著性第18頁，共33頁，2023年，2月20日，星期五9.3.4析因?qū)嶒?yàn)方差分析概念多因素析因?qū)嶒?yàn)的方差分析：析因?qū)嶒?yàn)是把各因素的各水平的全部組合排列出來，然后按每個條件的組合作一次或多次重復(fù)的實(shí)驗(yàn)，所得的全部數(shù)據(jù)個數(shù)n=a*b*...*k，其中a，b，...為各因素的水平數(shù)，k為每種組合內(nèi)的重復(fù)數(shù)。析因分析的好處在于對各因素間的交互影響項(xiàng)的方差都可以加以析離并檢驗(yàn)其顯著性。第19頁，共33頁，2023年，2月20日，星期五9.3.42×2析因?qū)嶒?yàn)方差分析實(shí)例兩因素、兩水平的實(shí)驗(yàn)設(shè)計(jì)。例子：P171使用兩種藥物A（0-不用，1-用）和B（0-不用，1-用）治療缺鐵性貧血（2*2=4種組合，每種組合有3個病人），看A、B、AB的作用data09-04Analyze->GeneralLinearModel->Univariate

Dependent：redcellFixedFactors：drugA、drugB保留全模型選項(xiàng)（不對Model操作）選擇Plot選項(xiàng)：作三個圖drugA、drugB、drugA*drugB選擇輸出Option選項(xiàng)：選drugA、drugB、drugA*drugB、Overall進(jìn)入DisplayMeansfor框中結(jié)果除了方差分析表（(截距、主效應(yīng)、交叉效應(yīng)、誤差Error），還有很多選項(xiàng)相應(yīng)的結(jié)果結(jié)論p173：兩種藥物A和B均對治療缺鐵性貧血有顯著療效，兩種藥物A和B的協(xié)同作用也很顯著。第20頁，共33頁，2023年，2月20日，星期五9.3.5拉丁方區(qū)組設(shè)計(jì)的方差分析實(shí)例拉丁方實(shí)驗(yàn)設(shè)計(jì)的特點(diǎn):有兩個以上因素變量,每個因素變量的水平數(shù)相等。例子：P174為了評價六種不同甜菜，選擇地塊土壤條件相同，將六種甜菜（變量variety)種子播種在六行（變量rep）、六列（變量Col）的地塊上，記錄兩次收獲（變量Harvest）的產(chǎn)量（變量yield）data09-05（3因素6*6拉丁方，n=6*6*2＝72Cases）實(shí)驗(yàn)的假設(shè)是：不同地塊（行、列）對產(chǎn)量均值無影響，不同種子產(chǎn)量均值無影響Analyze->GeneralLinearModel->Univariate

Dependent：yieldFixedFactors：rep、col、varietyModel：只分析三個主效應(yīng)rep、col、variety（Maineffects）主效應(yīng)方差分析檢驗(yàn)結(jié)果(截距，主效應(yīng)，誤差Error）結(jié)果中比較有用的值：Sig顯著性概率值（各自主效應(yīng)，不同品種的甜菜variety有顯著性差異，即平均產(chǎn)量的差異主要是品種不同造成的，而跟地塊無關(guān)）第21頁，共33頁，2023年，2月20日，星期五9.3.6協(xié)方差分析實(shí)例協(xié)方差分析是利用線性回歸方法消除混雜因素的影響后進(jìn)行的方差分析。例子：P176鎘作業(yè)工人按暴露于鎘煙塵的年數(shù)大于等于10年和不足10年兩組。兩組工人的年齡未經(jīng)控制（人隨著年齡的增長，肺活量也會有所下降），測量了每個工人的肺活量。課題研究暴露于鎘粉塵的年數(shù)和肺活量的關(guān)系(要消除年齡的影響)，Data09-06，Time接觸鎘粉塵時間分組（1為>=10年，2為<10年)，AGE年齡，Vitalcp肺活量Analyze->GeneralLinearModel->UnivariateDependent：VitalcpFixedFactors：timeCovariate：AgeOption：DisplayMeansFor:time（分Time顯示肺活量均值）

Display:ParameterEstimates（肺活量與年齡的線性回歸方程，分time）結(jié)果中比較有用的值：Sig顯著性概率值（各主效應(yīng)，年齡Age有顯著性差異，TIME無顯著性差異，即肺活量的差異是由于被試者的年齡差異所致，與被試者接觸鎘粉塵時間的時間是否大于10年無關(guān)）第22頁，共33頁，2023年，2月20日，星期五9.3.7多維交互效應(yīng)方差分析實(shí)例p178實(shí)驗(yàn)數(shù)據(jù)為教育心理學(xué)實(shí)驗(yàn)，心理運(yùn)動測驗(yàn)分?jǐn)?shù)與被試者必須瞄準(zhǔn)的目標(biāo)大小關(guān)系的資料Data09-07四個大小不同的目標(biāo)：Target三部測驗(yàn)設(shè)備：Device兩種不同明暗程度的照明環(huán)境：Light4×3×2的析因?qū)嶒?yàn)設(shè)計(jì)（24個組合單元，每組5個Cases，共24×5＝120Cases）Analyze->GeneralLinearModel->UnivariateDependent：ScoreFixedFactors：Target、Device、LightModel：保留全模型選項(xiàng)（不對Model操作）選擇輸出Option選項(xiàng)：選Target*Device*Light進(jìn)入DisplayMeansfor框中：各種組合均值選擇Plot選項(xiàng)：作四個圖Target、Device、Light

、Target*Device*Light結(jié)果中比較有用的值：Sig顯著性概率值（各主效應(yīng)，交互效應(yīng)，均對Score有顯著性作用）第23頁，共33頁，2023年，2月20日，星期五9.4多因變量線性模型的方差分析P181概述:GLMMultivariate過程提供回歸分析和多因變量的方差分析。多因變量方差分析模型除包括多個因變量外，還可以包括一個或幾個因素變量或協(xié)變量。因素變量把總體分為幾個組。使用這個一般線性模型過程，可以檢驗(yàn)因素變量在因變量的聯(lián)合分布的各組均值的效應(yīng)，可以研究因素間的交互效應(yīng)和單一因素的效應(yīng)，另外還包括協(xié)變量效應(yīng)和協(xié)變量與因素間的交互效應(yīng)。對回歸分析，協(xié)變量作為自變量（預(yù)測變量）GLMMultivariate過程可以檢驗(yàn)平衡和不平衡模型。模型中每個單元包括相同數(shù)量的觀測量為平衡設(shè)計(jì)。第24頁，共33頁，2023年，2月20日，星期五9.4.3多因變量線性模型方差分析實(shí)例實(shí)例：數(shù)據(jù)是對男33人、女26人的頭部四個解剖部位的測量結(jié)果，研究男女頭部有無顯著性差異。Data09-08菜單：Analyze->GeneralLinearModel->MultivariateDependent：Basilar、length、postorb、zygomaFixedFactors：SexModel：保留全模型選項(xiàng)（不對Model操作）Option：DescriptiveStatistics結(jié)果中比較有用的值：Sig顯著性概率值（不同性別的頭部四個解剖部位沒有顯著性差異）第25頁，共33頁，2023年，2月20日，星期五9.5重復(fù)測量設(shè)計(jì)的方差分析概述P187:重復(fù)測量設(shè)計(jì)方差分析的樣本必須包括同質(zhì)的實(shí)驗(yàn)單位或進(jìn)行多次重復(fù)測量的實(shí)驗(yàn)。GLM重復(fù)測量屬于高級分析過程，是對同一因變量進(jìn)行重復(fù)測量，可以是同一條件下進(jìn)行的重復(fù)測度，目的在于研究各種處理之間是否存在顯著性差異的同時，研究被試著之間的差異；也可以是不同條件下的重復(fù)測度，目的在于研究各種處理間是否存在顯著性差異的同時，研究形成重復(fù)測量條件間的差異以及這些條件與處理間的交互效應(yīng)。重復(fù)測量設(shè)計(jì)方差分析的數(shù)據(jù)文件結(jié)構(gòu)：若干次重復(fù)測量結(jié)果作為不同因變量出現(xiàn)在數(shù)據(jù)文件中。第26頁，共33頁，2023年，2月20日，星期五9.5重復(fù)測量方差分析實(shí)例1P188實(shí)例1-Data09-09：設(shè)置了三個級別的視覺刺激作為處理因素變量vsno(視覺刺激等級1、2、3)，4位被試者均接受三個級別的視覺刺激，并在同樣條件下測試三次(time1,time2,time3)。H0：三個級別的視覺刺激之間（被試者內(nèi)）無顯著性差異。菜單：Analyze->GeneralLinearModel->RepeatedMeasureWithin-SubjectFactorName:timeNuberofLevels:3Define:Within-SubjectsVariables[time]:time1,time2,time3Between-SubjectFactor:vsno結(jié)果中比較有用的值：Sig顯著性概率值（三次測量之間沒有顯著性差異，4位被試者之間對每種相同視覺刺激的反映也沒有顯著性差異，而對不同的視覺刺激等級有顯著性差異）第27頁，共33頁，2023年，2月20日，星期五9.5.4重復(fù)測量方差分析實(shí)例2P191實(shí)例-Data09-10a：研究四種藥物對某生化指標(biāo)的作用（med1,med2,med3,med4），5位被試者參與實(shí)驗(yàn)，零假設(shè)H0：四種藥物對某生化指標(biāo)作用之間（被試者內(nèi)）無顯著性差異。菜單：Analyze->GeneralLinearModel->RepeatedMeasureWithin-SubjectFactorName:medNuberofLevels:4Define:Within-SubjectsVariables[med]:med1-med4Option:DisplayMeansfor:MedDisplay:DescriptiveStatistics結(jié)果中比較有用的值：Sig顯著性概率值（四種藥物對某生化指標(biāo)作用之間有顯著性差異，而5位被試者之間對每種相同藥物的反映也有顯著性差異）第28頁，共33頁，2023年，2月20日，星期五9.5.5關(guān)于趨勢分析P194概念：當(dāng)重復(fù)測量的條件是某些順序變量時，可以分析重復(fù)測量的因變量隨順序變量變化的趨勢。實(shí)例-Data09-11：選擇16名實(shí)驗(yàn)對象(no)，使用兩種方法(group)鍛煉他們的記憶力。訓(xùn)練一段時間后，每隔一天測試一次記憶情況，共測試5次。每次測試對每個參與實(shí)驗(yàn)的人員均按一定的法則打分(day1-day5)。這是一個組內(nèi)因素、一個組間因素的重復(fù)測量設(shè)計(jì)的例題。因?yàn)榻M內(nèi)因素是與時間有關(guān)的變量，因此不但可以分析比較兩種訓(xùn)練記憶的方法哪個更有效，還可以得到隨時間的推移，記憶分?jǐn)?shù)隨時間下降的數(shù)學(xué)模型（線性關(guān)系Linear、二次關(guān)系Quadratic、三次關(guān)系Cubic）。菜單：Analyze->GeneralLinearModel->RepeatedMeasureWithin-SubjectFactorName:days(NuberofLevels:5)Define:Within-SubjectsVariables[days]:day1－day5Between-SubjectFactor:groupModel：Maineffects（days，Group）Plots：Days*GroupOption:DisplayMeansfor:Days,group,overallDisplay:DescriptiveStatistics和Estimateofeffectsize結(jié)果中比較有用的值：Sig顯著性概率值（多元、組內(nèi)、趨勢分析）和趨勢圖（Days*group的Plot圖）第29頁，共33頁，2023年，2月20日，星期五9.6方差成分分析概述P198:是對混合效應(yīng)模型中各隨機(jī)效應(yīng)對因變量變異的貢獻(xiàn)進(jìn)行分析。菜單：Analyze->GeneralLinearModel->VarianceComponents定義因變量和隨機(jī)因素選分析模型Model：FullModel或Custom選分析方法Option：四選一MINQUE正態(tài)最小二次無偏估計(jì)，默認(rèn)方法ANOVA（AnalysisofVariance)Maximumlikelihood（ML）最大似然法Restrictedmaximum