第八课征服一般线性模型general linear model菜单详解下

1、SPSS 第八课：征服一般线性模型General Linear M菜单详解（下）（医学统计：）上次更新日期：8.18.1.18.1.28.28.2.18.2.28.3两方差分析univarate结果解释框界面说明协方差分析分析步骤结果解释其他较简单的方差分析问题多元方差分析分析步骤结果解释重复测量的方差分析Repeated measures框界面说明 8.5.2 结果解释8.4多元方差分析所谓的多元方差分析，就是说存在着不止一个应变量，而是两个以上的应变量共同反映了自变量的影响程度。比如要研究某些对儿童生长的影响程度，则身高、体重等都可以作为生长程度的测量因子，即都应作为应变量。8.4.1分析

2、步骤为了方便起见，这里直接利用 SPSS 自带的数据集 plastic.sav，假设tear_res、gloss 和 opacity 都使反应橡胶质量的指标（不要笑，是假设），现在要研究 extrusn 和 additive 对橡胶的质量影响如何，则应采用多元方差分析。选择Multivariateyze=General Linear M=Multivariate，则弹出框，请注意，除了没有 random effect 外，它的所有元素都是和 univariate了。框相同的，里面的内容也相同，因此这里就不再重复按照的分析要求，框操作步骤如下：1.2.3.4.yze=General Lineal

3、 m=MultivariateDependent Variable 框：选入 tear_res、gloss 和 opacity Fixed Factors 框：选入 extrusn 和 additive单击 OK此处两个自变量均是二分类变量，故无需选择两两比较方法。8.4.2结果解释按上面的选择，分析结果如下：General Linear M这是引入模型的自变量的取值情况列表。上表是针对模型中的自变量间及其交互作用所做的检验，采用的是四种多元检验方法。一般他们的结果都是相同的，如果不同，一般以 Holings Trace方法的结果为准。可见在所用的模型中，extrusn 和 additive

4、对结果变量是有统计学意义的，但交互作用无统计学意义。上表实际上是四个一元方差分析表的合并，即分别考虑四个应变量时的方差分析结果。上面的多元方差分析已经得知两自变量对应变量有影响，从现在的分析表就可以更清楚的知道是对那些自变量影响较大。对照可知，extrusn 和additive 对tear和gloss 都有较大影响，而他们的交互作用对gloss有影响，他们（及交互作用）对 Opacity 都没有影响。8.5重复测量的方差分析重复测量的方差分析指的是一个应变量被重复测量好几次，从而同一个个体的几次观察结果间存在相关，这样就不满足普通分析的要求，需要用重复测量的方差分析模型来解决。8.5.1Rep

5、eated measures框界面说明实际上，如果对普通方差分析模型作出正确的设置，两者的分析结果是完全相同的，即都正确，那么，重复测量的方差分析过程有何优势呢？面的例子来看看：通过下例 8.3在数据集 anxity2.sav 中判断：anxiety 和 ten对实验结果（即 trial1trial4）有无影响；四次试验间有无差异；试验次数和两个变量有无交互作用。anxity2.sav 和 anxity.sav 实际上是同一个数据，但根据不同的分析目的采用了不同的数据排列方式。如果采用 anxity.sav 进行分析，可以分析四次试验间有无差异析模型，anxity 和 ten来进行分析，这时，

6、但对另两个问题就为力了，因为用普通的方差分的影响被合并到了 subject 中，根本就无法分解出就只能求助于重复测量的方差分析模型。在菜单中选择yze=General Lineal m=Repeated measures，系统首先会弹出一个重复测量因子定义框如下：因为是重复测量的模型，应变量被重复测量了几次，分别存放在几个变量中，所以这里要自行定义应变量。默认的名称为 factor1，其改为trail，下面的等级数填入 4(因一共测量了四次)。单击 Add 钮，则该变量被加入， define，如下：就完成了模型设置的第一步：应变量名称和测量次数定义。单击开始进行下一个步骤：具体重复测量变量定义

7、及模型设置，框这个框和以前看到的方差分析框不太一样：它没有应变量框，定义了 trial 有四次测量，而是改为了组内效应框，实际上是一回事，上面此处就给出了四个空让你填入相应代表四次测量的变量，选中 trial1trial4，将其选入；然后要选择自变量了（这里又将其称为了 betn subjects factor），将剩下的三个都选入即可。最后，根据题意，不需要检验 anxity 与 ten的交互作用对试验次数有无交互作用，所以要在 m拉出来。中作相应设置，把那个东东详细的操作步骤如下：1.2.3.4.5.6.7.8.9.yze=General Lineal m=Repeated measure

8、sWithin-subject factor name 框：键选入 trial number of levels 框：键入 4单击 ADD 钮单击 DEFINE 钮Within-subject variables (trial)框：选入 trial1trial4bet单击Mn subjects factor 框：选入 subject、anxity 和 ten钮Custom 单选钮：选中10.11.12.Within-subject M框：选入 trial框：选入 anxity 和 tenbetn subjects M单击 CONTINUE13.单击 OK请注意，这里没有选入变量 subject

9、，因为它实际上在这里成为了一个 ID，要是将它选入，则什么都检验不了了。8.5.2结果解释本题的分析结果如下：General Linear M上表给出了所定义的 4 次测量的变量名，在模型中它们都代表一个应变量trial，只是测量的次数不同而已。这是引入模型的其它自变量的情况列表。上表是针对所检验的结果变量 trial，以及他和另两个引入模型的自变量间的交互作用是否存在统计学意义，采用的是四种多元检验方法。一般他们的结果都是相同的，如果不同，我一般以 Holings Trace 方法的结果为准。可见在所用的模型中，trial 的四次测量间的确是存在着统计学差异的，但它和另两个变量间的交互作用无

10、统计学意义。上表是球形检验，因为重复测量的方差分析模型要求所检验的应变量服从一种叫做球形分布的东东。上面可能有些内容不好懂，不过没关系，只要看到近似卡方为 9.383，度为 5，P 值为 0.097 就可以了。因此 trial 是勉强服从球形分布的，可以进行重复测量的方差分析。上面又用方差分析的方法对组内进行了检验，注意第一种为球形分布假设成立时的结果，就是所要看的。如果该假设不成立，则根据不同的情况可能看下面三种检验结果之一，或放弃该检验方法。上表是非常重要的一部分：各次重复测量间变化趋势的模型分析，这里要求检验没有统计学意义，否则说明变化趋势从该曲线。以 trial 为例，对Linear 的检验P 值小于千分之一，Quadratic 的P 值略大于 0.05。只有 Cubic的P 值在 0.5 附近，因此最佳的拟合曲线应为 Cubic（三次方曲线）；但由于一共才四次测量，三次方曲线显然太奢侈了，因此如果没有任何其它提示或专业上的知识，最终的拟和曲线应为