sas 方差分析(完全随机).ppt

方差分析、一、方差分析的基本思想是根据资料的设计类型和研究目的，将所有观测值的变异(总变异)分解为两个或多个部分，每个部分都可以在某个要素的作用下解释，比较某个要素解释的变异和误差变异，得出某个要素是否具有统计学意义的结论。 完全随机设计的方差分析表，第二，应用条件，独立性：是各自独立的随机样本，其中，来自整个规范的方差均匀性：的每个总体方差相等。 三、常用的两种比较方法： SNK法Bonfferoni法Dunnett法，四、方差一致性检验，f检验：正态分布资料两个总体方差一致性检验Bartlett2检验：正态分布资料Levene检验：任意分布资料，五、 用于方差分析的过程ANOVA过程(AnalysisOfVariance)GLM过程(GeneralLinearModel )、PROCANOVA的过程形式、PROCANOVA； CLASS变量表MODEL因子变量表=效果MEANS效果：“/选项”； PROCGLM的工艺格式，PROCGLM； CLASS变量表MODEL因子变量表=效果MEANS效果：“/选项”； 例1 :研究小鼠正常肝核糖核酸(RNA )对癌细胞的生物学作用，实验分为对照组(生理盐水)、水层RNA组和酚层RNA组，分别通过这3种不同处理诱导肝细胞的FDP酶活性，数据如下。 这三组资料均按正态分布，三组平均数有差异比较，数据步骤，dataaa1； inputxg cards； 2.7913.8325.4132.6913.1523.4733.1114.7024.9233.4713.9724.0731.7712.0322.1832.4412.8723.1332.8313.6523.7732.5215.0924.263； 程序步骤1-正规性检查，procunivariatenormal； classg； varx； run； procanova； classg； modelx=g； meansg/hovtestsnkbon； /*homogeneityofvariance*/run； 方法步骤2-方差分析同时进行方差一致性检验和两种比较，procglm； /*方差分析*/classg； modelx=g； meansg/hovtestsnk； run；程序步骤-glm程序，theunivariateprocedureevariable : XG=1testsfornormallitytest- statistic- PV value-Shapiro-wilkw 0.96588 分布式theanovaprocedurespendentvariable : xsumofsourcedfsmquaresmeansquarefvalueprfmodel 26.43680833.218404174.280.0275错误535253525352535253525352535253525352535253525352535253525352535253525352535253525352535253525253525352535253 dtotal 2322.21253333 r-squual . 2828285325.330710.8667323.421667 sourcedfanovassmeaquarefvalueprfg 26.43680833.218404174.280.025355，F=4.28，p=0.025305，拒绝H0，差异为student-Newman-keulstestforxmeanswithesameeletterarenotcertificateyfferent.snkgroupingmeannga 3.901383 aa 3.661382 b 2.70581， 2和3相同，1和2是1和3不同的bonferroni (Dunn ) ttestsforxmeans和thesameletretrerraterraterraternoticatifferent.bonggrouningmeanga3. 901388 ，结果：通过1，3组数据的正规性检查判断2，方差的一致性检查： F=1.45，P=0.25670.05，方差的一致性； 3、方差分析：拒绝F=4.28、P=0.0275、H0，差异有统计学意义，三组小鼠FDP酶活性完全不相等。 4、SNK两种比较：对照组与水层RNA组之间，对照组与酚层RNA组之间存在差异，但水层RNA组与酚层RNA组之间不存在差异。 ANOVA还适合处理均衡数据，并且ANOVA过程是在SAS系统中用于方差分析的若干过程步骤之一，适合于均衡数据。 这意味着，如果将观测值分类为每个分析的变量，则在每个网格中的观测值的数量必须相同。 如果数据不满足这个要求，ANOVA过程的分析结果是不可靠的，所以分析者必须使用GLM过程来处理数据。 GLM过程是广义线性模型(GeneralLinerModel )过程，采用最小二乘法将数据拟合为广义线性模型。 在GLM过程中可以进行回归分析、方差分析、协方差分析、剂量反应模型分析、多元方差分析和偏相关分析等。 在我们使用的范围内，GLM过程的语法结构与AN