实例介绍
【实例简介】
SPSS Statistics 软件原名SPSS，是英文名称社会科学统计软件包（Statistical Package forthe Social Sciences）首字母的缩写。随着SPSS 公司产品服务领域的扩大和服务深度的增加，SPSS 公司整个产品线的名称都进行了调整，现在SPSS 软件的名称全称为“Statistical Product and Service Solutions”，即“统计产品与服务解决方案”，虽然缩写仍为SPSS，但这却标志着SPSS 的战略方向做出了重大调整。SPSS 社会科学统计软件包（Statistical Package for the Social Sc
目录 高级统计 广义估计方程:统计 Advanced Statistics简介 广义估计方程:FM平均值 GLM多变量分析 广义估计方程:保存 39 IM多变量:模型 广义估计方程:导出 GLM多变量:对比. GENLIN命令的附加功能 GLM多变量:概要图 广义线性混合模型 GLM多变量:事后比较 获取广义线性混合模型 42 GLM估计边际平均值 目标 GLM:保存 固定效应 GLM多变量:选项 2345566779 随机效应 45 GLM命令的附加功能 权重和偏移量. 46 GLM重复测量 常规构建选项 GLM重复测量定义因子 估计... IM重复测量:模型 估计均值 GLM重复测量:对比 保存 GLM重复测量:概要图 模型视图 GLM重复测量:事后比较 12模型选择对数线性分析 GLM估计边际平均值 对数线性分析:定义范围 GLM重复测量:保存 对数线性分析:模型 GLM重复测量:选项 模型选择对数线性分析:选项 53 GLM命令的附加功能 14 HILOGLINEAR命令的附加功能 方差成分分析 常规对数线性分析 54 方差成分:模型 15 般对数线性分析模型 方差成分:选项 6 般对数线性分析:选项 55 方差成分:保存到新文件 般对数线性分析:保存 VARCOMP命令的附加功能 GENLOG命令的附加功能 线性混合模型 17 Logit对数线性分析 线性混合模型:选择主体/重复变量 18 Logit对数线性分析:模型 57 线性混合模型:固定效应 Logit对数线性分析:选项 线性混合模型:随机效果 21 Logit对数线性分析:保存 线性混合模型:佔计 21 GENLOG命令的附加功能 线性混合模型:统计 2 寿命表 59 线性混合模型:EM平均值 22 寿命表:为状态变量定义事件 线性混合模型:保存 寿命表:定义范围 60 MIXED命令的附加功能.. 寿命表:选项 广义线性模型(乙 SURVIVAL命令的附加功能 广义线性模型响应 Kaplan-Meier生存分析 61 广义线性模型:预测变量 26 Kaplan- Meier:为状态变量定义事件 61 广义线性模型:模型 Kaplan- Meier:比较因子级另 61 广义线性模型:估计 .27 Kaplan-Meier:保存新变量 广义线性模型:统计 28 Kaplan- Meier:选项 62 广义线性模型:EM平均值 KM命令的附加功能 62 广义线性模型:保存 30 回归分析 广义线性模型:导出 Cox回归:定义分类变量 GENLIN命令的附加功能 Cox回归:图 广义估计方程 Cox回归:保存新变量 广义估计方程:模型类型 33 Cox回归:选项 广义估计方程:响应 35 Cox回归:为状态变量定义事件 广义估计方程:预测变量. OXREO命令的附加功能 广义估计方程:模型 36 计算依时协变量 广义估计方程:估计 计算依时协变量 66 分类变量编码方案 贝叶斯单一样本推论:泊松 76 偏差 贝叶斯相关样本推论:正态 简单(S) 贝叶斯独立样本推论 Helmert 关于 Pearson相关性的贝叶斯推论 差值 关于线性回归模型的贝叶斯推论 多项式 贝叶斯单向 ANOVA 8888 重复 贝叶斯对数线性回归模型 持殊 指示灯 69通知 93 协方差结构 商标 贝叶斯统计信息 贝叶斯单一样本推论:正态 72索引 97 贝叶斯单一样本推论:二项式 Iv IBM sPss Advanced statistics 25 高级统计 SPSS Statistics Standard Editior或"高级统计"选项中包含以下高级统计功能。 Advanced statistics简介 与 SPSS Statistics standard edition或"高级统计"选项中提供的建模选项相比,"髙级统计"提供的过程提供了 更高级的建模选项。 LM多变量"对"GLM单变量"提供的一般线性模型进行了扩展,以允许使用多个因变量。更进一步的扩展 GLM重复测量"允许重复测量多个因变量。 "方差成分分析"是将因变量的可变性分解为固定和随机成分的特定工具。 线性混合模型"对一般线性模型进行了扩展,因此允许数据表现岀相关的和不恒定的可变性。因此,线性混 合模型提供了不仅能够就数据的平均值还能够就其方差和协方差建模的灵活性。 ·’广乂线性模型"(GzLM)放宽了误差项的正态假设,仅要求因变量通过转换或关联函数与预测变量线性相关。 "广义估计方程GEE)对GZLM进行了扩展,以允许重复测量。 ·"一般对数线性分析"允许您为交叉分类计数数据拟合模型,"模型选择对数线性分析"可帮助您在模型间选 择 Logit对数线性分析"允许您拟合对数线性模型来分析分类因变量与一个或多个分类预测变量之间的关系。 生存"分析通过"寿命表提供,用于检查时间事件变量的分布,可能按因子变量水平分析;" Kaplan- Meier 生存分析用于检查时间事件变量的分布,可能按因子变量水平分析,或按分层变量水平产生单独的分析; "Cox回归"用于根据给定协变量的值对指定事件的时间建模。 贝叶斯统计分析通过根据观察到的数据和有关参数的先验信息生成未知参数的后验分布来进行推论。IBM SPSS Statistics中的贝叶斯统计侧重于对单一样本分析平均值的推论,包括贝叶斯因子单一样本(配对的双 样本)、t检验和贝叶斯推论(通过描述后验分布的特征)。 GLM多变量分析 GIM多变量'过程通过一个或多个因子变量或协变量为多个因变量提供回归分析和方差分析。因子变量将总体 划分成组。通过使用此一般线性模型过程,您可以检验关于因子变量对因变量联合分布的各个分组的平均值的 效应的原假设。可以调查因子之间的交互以及单个因子的效应。另外,还可以包含协变量的效应以及协变量与 因子的交互。对于回归分析,自变量(预测变量)指定为协变量。 平衡与非平衡模型均可进行检验。如果模型中的每个单元格包含相同的个案数,则设计是平衡的。在多变量模 型中,模型中的效应引起的平方和以及误差平方和以矩阵形式表示,而不是以单变量分析中的标量形式表示。 这些矩阵称为SsCP(平方和与叉积)矩阵。如果指定了多个因变量,则提供使用Piai的轨迹、Wiks的 lambda、 Hotelling的轨迹、Roy的最大根条件以及近似F统计的多变量方差分析,同时还提供每个因变量 的单变量方差分析。除了检验假设,"GLM多变量"过程还生成参数估计。 常用的先验对比可用于执行假设检验。另外,在整体的F检验已显示显著性之后,可以使用事后检验评估指定 平均值之间的差值。估计边际平均值为模型中的单元格提供了预测平均值估计值,且这些平均值的概要图(交 互图)允许您轻松对其中一些关系进行可视化。单独为每个因变量执行两两多重比较检验。 C Copyright IBM Corporation 1989, 2017 残差、预测值、Cook距离以及杠杄值可以另存为数据文件中检査假设的新变量。另外还提供残差SSCP短阵 (残差的平方和与叉积的方矩阵)、残差协方差矩阵(残差SsCP矩阵除以残差的自由度)和残差相关性矩阵 (残差协方差矩阵的标准化形式)。 WLS权重允许您指定一个变量,用来针对加权最小平方(WIS)分析为观察值赋予不同权重,这样也许可以补 偿测量的不同精确度。 示例。某塑料制造商要测量塑料膜的三种属性:耐撕裂性、光泽和不透明度。厂商使用两种挤岀速度和添加剂 量进行了尝试,并对挤出速度和添加剂量的各种组合度量了这三种属性。厂商发现挤出速度和添加剂量单独产 生的结果很明显,但这两种因子的交互作用并不明显。 方法。类型Ⅰ、类型Ⅱ、类型Ⅲ和类型Ⅳ的平方和可用来评估不同的假设。类型Ⅲ是缺省值。 统计。两两范围检验和多重比较∶最小显著性差异、 Bonferroni、 Sidak、 Scheffe, Ryan- Einot-Gabriel Welsch多重F、Ryan- Einot-Gabriel-Welsch多范围、 Student-Newman- Keuls、 Tukey's真实显著性差异 Tukeys b、 Duncan、 Hochberg gt2、 Gabriel. Waller Duncan t检验、 Dunnett(单侧和双侧)、 Tamhane's T2、 Dunnett's T3、 Games- Howell和 Dunnett'sC。措述统计:所有单元格中所有因变量的观察平均值、标 准差和计数; Levene的方差同质性检验;对因变量协方差矩阵的冋质性Bα的M检验以及 Bartlett的球形 度检验。 图。分布-水平图、残差图以及概要图(交互)。 GLM多变量数据注意事项 数据。因变量应是定量的。因子应是分类因子,可以具有数字值或字符串值。协变量是与因变量相关的定量变 假设。对于因变量,数据是来自多变量正态总体的随机向量样本;在总体中,所有单元格的方差协方差矩阵 均相同。尽管数据应对称,但方差分析对于偏离正态性是稳健的。要检査假设,您可以使用方差冋质性检验 (包括Box的M检验)和分布-水平图。您还可以检查残差和残差图。 相关过程。在进行方差分析之前使用探索"过程来检査数据。对于单个因变量,请使用"GLM单变量"。如果您 针对每个主体的多种情况度量相同的因变量,请使用ˇGLM重复测量" 获取GLM多变量表 1.从菜单中选择 分析>一般线性模型>多变量… 2.请选择至少两个因变量。 或者,您也可以指定固定因子"∵、"协变量"和"WLs权重"。 GLM多变量:模型 指定模型。全因子模型包含所有因子主效应、所有协变量主效应以及所有因子间交互。它不包含协变量交互。 选择定制可以仅指定其中一部分的交互或指定因子协变量交互。必须指定要包含在模型中的所有项。 因子与协变量。列出因子与协变量。 模型。模型取决于数据的性质。选择定制之后,您可以选择分析中感兴趣的主效应和交互效应。 平方和。计算平方和的方法。对于没有缺失单元格的平衡或非平衡模型,类型Ⅲ平方和法最常用 IBM SPSS Advanced statistics 25 在模型中包含截距。模型中通常包含截距。如果您可以假设数据穿过原点,则可以排除截距。 构建项和定制项 建立项 当您想要为一组选定因子和协变量的所有组合包含特定类型(例如主效应)的非嵌套项时,使用该选 项。 构建定制项 如果要包含嵌套项,或者想要按变量显式构建任何项,请使用该选项。构建嵌套项包括以下步骤 平方和 对于该模型,您可以选择平方和类型。类型ⅢI最常用,并且是缺省类型。 类型l。此方法也称为平方和分层解构法。在模型中,每一项只针对它前面的那项进行调整。类型I平方和常 用于 平衡 ANOVA模型,其中任何主效应在任何一阶交互效应之前指定,任何一阶交互效应在任何双向交互效 应之前指定,依此类推。 ·多项式回归模型,其中任何低阶项在任何高阶项之前指定。 纯嵌套模型,其中第一个指定的效应嵌套在第二个指定的效应中,第二个指定的效应嵌套在第三个指定的 效应中,依此类推。(此嵌套形式只能通过使用语法来指定。) 类型Ⅲ。此方法在为所有其它相应的"效应进行调节的模型中计算某个效应的平方和。相应的效应是指,与所 有效应(不包含正被检查的效应)相对应的效应。类型Ⅱ平方和法常用于 平衡 ANOVA模型。 任何只有主要因子效应的模型。 任何回归模型。 ·纯嵌套设计。(此嵌套形式能通过使用语法来指定。) 类型Ⅲ。缺省类型。此方法在设计中通过以下形式计算某个效应的平方和:据任何不包含该效应的其他效应, 以及与包含该效应的任何效应的正交(如果存在)进行调整的平方和。类型Ⅲ平方和具有一个主要优点,那 就是只要可估计性的—般形式保持不变,平方和对于单元格频率就保持不变。因此,我们常认为此类平方和对 于不带缺失单元格的不平衡模型有用。在不带缺失单元格的因子设计中,此方法等同于 Yates加权均方方法。 类型Ⅲ平方和法常用于 任何在类型Ⅰ和类型Ⅱ中列出的模型。 任何不带空白单元格的平衡或非平衡模型。 类型ⅣV。此方法针对存在缺失单元格的情况设计。对于设计中的任何效应F,如果任何其它效应中不包含F, 则类型ⅣV=类型II=类型I当F包含在其它效应中时,则类型Ⅳ将F中的参数中正在进行的对比相 等地分配到所有较高水平的效应。类型Ⅳ平方和法常用于: 任何在类型Ⅰ和类型Ⅱ中列出的模型。 任何带有空白单元格的平衡或非平衡模型。 GLM多变量:对比 对比"用于检验效应水平之间是否存在显著性差异。您可以为模型中的每个因子指定一个对比。对比代表参数 的线性组合。 高级统计3 假设检验基于原假设LBM〓0,其中L是对比系数矩阵,M是恒等矩阵,该矩阵的维数等于因变量的个数, B是参数向量。当指定对比之后,创建一个L矩阵,使得与因子对应的列与对比匹配。对剩余的列进行调整, 使L矩阵可以估计。 除了使用F统计的单变量检验和基于跨所有因变量的对比差分的 Student的t分布的 Bonferroni型同时置 信区间以外,还提供使用Pli的轨迹、Wiks的 lambda、 Hotelling的轨迹以及Roy的最大根条件的多变 量检验。 可用对比有偏移对比、简单对比、差分对比、 Helmert对比、重复对比和多项式对比。对于偏移对比和简单对 比;您可以选择参考类别是最后一个类别还是第一个类别 对比类型 偏差。将每个水平(参考类别除外)的平均值与所有水平的平均值(总平均值)进行比较。因子的水平可以为 任何顺序。 简单。将每个水平的平均值与指定水平的平均值进行比较。当存在控制组时,此类对比很有用。可以选择第 个或最后一个类别作为参考类别。 差分。将每个水平的平均值(第一个水平除外)与前面水平的平均值进行比较。(有时候称为逆 Helmert对 比。) Helmert将因子的每个水平的平均值(最后一个水平除外)与后面水平的平均值进行比较。 重复。将每个水平的平均值(最后一个水平除外)与后一个水平的平均值进行比较 多项式。比较线性效应、二次效应、三次效应等等。第一自由度包含跨所有类别的线性效应;第二自由度包含 二次效应,依此类推。这些对比常常用来估计多项式趋势。 GLM多变量:概要图 概要图(交互图)对于比较模型中的边际平均值是有用的。概要图是一个线图,其中每个点表示因子的一个水 平上的估计因变量边际平均值(已针对任何协变量进行调整)。第二个因子的水平可用来绘制分离线。第三个 因子中的每个水平可用来创建分离图。所有因子都可用于图。为每个因变量创建概要图。 单因子的概要图显示估计边际平均值是沿水平增加还是减小对于两个或更多因子,平行线表示因子之间没有 交互,这意味着您只能调查一个因子的水平。不平行的线则表示交互 8 80 80 75 75 70 70 565 var2 565 60 G60 5.5 55 50 图1.不平行图(左)和平行图(右) 在通过为水平轴选择因子,以及通过为分离线和分离图选择因子(后者可选)指定了图之后,该图必须添加到 图"列表中。 4 IBM SPSS Advanced statistics 25 GLM多变量:事后比较 事后多重比较检验。一旦确定平均值间存在差值,两两范围检验和成对多重比较就可以确定哪些平均值存在差 值了。对未调整的值进行比较。单独为每个因变量执行事后检验。 Bonferroni和 Tukey's真实显著性差异检验是常用的多重比较检验。 Bonferroni检验基于 Student的t统 计,它针对已进行多重比较这一事实调整观察的显著性水平。 Sidak的t检验也调整显著性水平,并提供比 Bonferroni检验更严密的界限。 Tukey,'s真实显著性差异检验使用 Student化的范围统计量在组之间进行所有 成对比较,并将试验误差率设置为所有成对比较的集合的误差率。当检验大量平均值对时, Tukeys真实显著性 差异检验比 Bonferroni检验更有效。对于少量的对, Bonferroni更有效。 Hochberg's GT2类似于 Tukeys真实显蓍性差异检验,但使用了 Student化的最大值模数。通常 Tukey的 检验更有效。 Gabriel的成对比较检验也使用 Student化的最大值模数,在单元格尺寸不等的情况下通常比 Hochberg'sGT2更有效。当单元格大小变化过大时, Gabriel检验可能会变得随意。 Dunnett的成对多重比较t检验将一组处理与单个控制平均值进行比较。最后一个类别是缺省的控制类别。另 外,您还可以选择第一个类别。您还可以选择双侧或单尾检验。要检验因子的任何水平(控制类别除外)的平 均值是否不等于控制类別的平均值,请使用双侧检验。要检验因子的任何水平的平均值是否小于控制类别的平 均值,请选择<控制。类似地,要检验因子的仼伺水平的平坳值是否大于控制类别的平均值,请选择>控兟 Ryan、 Einot gabriel和 Welsch(REGw)开发了两个多重逐步降低范围检验。多重逐步降低过程首先检验 所有平均值是否相等。如果不是所有的平均值均相等,那么检验一部分平均值的等同性。R-EGWF基于F检 验,而R-E-G-WQ基于 Student化的范围。这些检验要比 Duncan的多范围检验和 Student-Newman- Keuls(也是多重逐步下降过程)有效,但对于不相等的单元格大小则不推荐使用它们。 当方差不等时,使用 Tamhane'sT2(基于t检验的保守成对比较检验)、 Dunnett T3(基于 Student化的 最大模数的成对比较检验)、 Games- Howel成对比较检验(有时是随意的)或者 Dunnett'sc(基于Stu- dent化的范围的成对比较检验)。 Duncan的多范围检验、 Student-Newman-Keuls(SNK)和 Tukey的b是排列组平均值等级的范围检验, 并计算范围值。这些检验的使用频率不如先前讨论的检验。 Waller-Duncan t检验使用 Bayesian方法。当样本大小不相等时,此范围检验使用样本大小的调和平均值。 Scheffe检验的显著性水平设计成允许检验组平均值的所有可能线性组合,而不仅仅允许此功能中可用的成对 比较。其结果是, Scheffe检验常常比其他检验更保守,这意味着显著性要求平均值之间存在更大的差别。 最小显著性差异(LsD)成对多重比较检验等同于所有组对之间的多重个别t检验。此检验的缺点是,不进行 任何尝试来为多重比较调整观察到的显著性水平。 显示的检验。为LSD、 Sidak、 Bonferroni、 Games- Howell Tamhane's t2和T3、 Dunnett's c以及 Dunnett T3提供成对比较。为SN-K、 Tukey的b、 Duncan、RGWF、 R-E-G-W C以及 Waller提供范围检验 的均一子集。 Tukey真实显著性差异检验、 HochbergωI2、 Gabriel检验以及 Scheffe检验既是多重比较检 验,同时也是范围检验。 GLM估计边际平均值 选择您需要的单元格中的总体边际平均值估计的因子和交互作用。为协变量(如果存在)调整这些平均值 比较主效应。对于主体间和主体內因子,为模型中的任何主效应提供估计边际平均值未修正的成对比较。 只有在"显示以下项的平均值"列表中选择了主效应的情况下,此项才可用。 ·置信区间调节。选择最小显著性差异(LSD、 Bonferroni或对置信区间和显著性的 Sidak调整。此项只有 在选择了比较主作用的情况下才可用。 高级统计5 指定估计边际平均值 1.从菜单的>分析>一般线性模型下选择一种过程。 2.在主对话框中,单击EM平均值。 GLM:保存 您可以在数据编辑器中将模型预测的值、残差和相关测量另存为新变量。这些变量中有许多可用于检查关于数 据的假设。要保存供另一 TBM SPSS Statistics会话中使用的值,您必须保存当前数据文件。 预测值。模型为每个个案预测的值。 未标准化。模型为因变量预测的值。 加权。加权未标准化预测值。仅在之前已选择了WLS变量的情况下可用。 标准误差。对于自变量具有相同值的个案所对应的因变量的平均值的标准差的估计。 诊断。标识以下个案的测量:自变量的值具有不寻常组合的个案,以及可能对模型产生很大影响的个案。 o0k距离。在特定个案从回归系数的计算中排除的情况下,所有个案的残差变化幅度的测量。较大的Cook 距离表明从回归统计的计算中排除个案之后,系数会发生根本变化 杠杆值。未居中的杠杄值。每ˆ观察值对模型拟合度的相对影 残差。未标准化残差是因变量的实际值减去由模型预测的值。还提供标准化残差、 Studen化的残差以及剔除残 差。如果选择了WIs变量,则提供加权的未标准化残差。 未标准化。观察值与模型预测值之间的差。 加权。加权未标准化残差。仅在之前已选择了WLS变量的情况下可用。 标准化。残差除以其标准差的估计。标准化残差也称为 Pearson残差,它的平均值为O,标准差为1 Student化。残差除以其随个案变化的标准差的估计,这取决于每个个案的自变量值与自变量平均值之间的 距离。 剔除。当某个案从回归系数的计算中排除时,该个案的残差。它是因变量的值和调整预测值之间的差。 系数统计。将模型中的参数估计值的协方差矩阵写入当前会话中的新数据集,或写入外部 IBM SPSS Statis- tics数据文件。而且,对于每个因变量,将存在一行参数估计值、一行参数估计的标准误差、一行与参数估计 值对应的t统计的显著性值以及一行残差自由度。对于多变量模型,每—个因变量都存在类似的行。当选择异 方差一致统计(仅可用于单变量模型)时,将使用稳健估计量计算协方差矩阵,标准误差行显示稳健的标准误 差,且显著性值反映的是稳健误差。您可以在读取矩阵文件的其他过程中使用此矩阵文件。 GLM多变量:选项 此对话框中有一些可选统计。统计是使用固定效应模型计算的。 输出。选择描述统计以生成所有单元格中的所有因变量的观察到的平均值、标准差和计数。功效估计给岀了每 个作用和每个参数估计值的偏eta方值。eta方统计描述总可变性中可归因于某个因子的部分。当基于观察值 设置备用假设时,选择观察势可获取检验的势。选择参数估计可为每个检验生成参数估计值、标准误差、I检 验、置信区间和检验的观察势。可以显示假设和误差SScP矩阵以及残差SScP矩阵加上残差协方差矩阵的 Bartlett球形度检验。 同质性检验为跨主体问因子所有水平组合的每个因变量生成 Levene的方差同质性检验(仅对于主体间因子)。 另外,同质性检验包含对因变量协方差矩阵的同质性B∝M检验,这些因变量跨主体间因子的所有水平组合。 分布-水平图和残差图选项对于检査关于数据的假设很有用。如果不存在任何因子,则禁用此项。选择残差图 为每个因变量生成观察预测-标准化残差图。这些图对于调查方差相等的假设很有用。选择缺乏拟合优度检验 6 IBM SPSS Advanced statistics 25 【实例截图】
【核心代码】
SPSS Statistics 软件原名SPSS，是英文名称社会科学统计软件包（Statistical Package forthe Social Sciences）首字母的缩写。随着SPSS 公司产品服务领域的扩大和服务深度的增加，SPSS 公司整个产品线的名称都进行了调整，现在SPSS 软件的名称全称为“Statistical Product and Service Solutions”，即“统计产品与服务解决方案”，虽然缩写仍为SPSS，但这却标志着SPSS 的战略方向做出了重大调整。SPSS 社会科学统计软件包（Statistical Package for the Social Sc
目录 高级统计 广义估计方程:统计 Advanced Statistics简介 广义估计方程:FM平均值 GLM多变量分析 广义估计方程:保存 39 IM多变量:模型 广义估计方程:导出 GLM多变量:对比. GENLIN命令的附加功能 GLM多变量:概要图 广义线性混合模型 GLM多变量:事后比较 获取广义线性混合模型 42 GLM估计边际平均值 目标 GLM:保存 固定效应 GLM多变量:选项 2345566779 随机效应 45 GLM命令的附加功能 权重和偏移量. 46 GLM重复测量 常规构建选项 GLM重复测量定义因子 估计... IM重复测量:模型 估计均值 GLM重复测量:对比 保存 GLM重复测量:概要图 模型视图 GLM重复测量:事后比较 12模型选择对数线性分析 GLM估计边际平均值 对数线性分析:定义范围 GLM重复测量:保存 对数线性分析:模型 GLM重复测量:选项 模型选择对数线性分析:选项 53 GLM命令的附加功能 14 HILOGLINEAR命令的附加功能 方差成分分析 常规对数线性分析 54 方差成分:模型 15 般对数线性分析模型 方差成分:选项 6 般对数线性分析:选项 55 方差成分:保存到新文件 般对数线性分析:保存 VARCOMP命令的附加功能 GENLOG命令的附加功能 线性混合模型 17 Logit对数线性分析 线性混合模型:选择主体/重复变量 18 Logit对数线性分析:模型 57 线性混合模型:固定效应 Logit对数线性分析:选项 线性混合模型:随机效果 21 Logit对数线性分析:保存 线性混合模型:佔计 21 GENLOG命令的附加功能 线性混合模型:统计 2 寿命表 59 线性混合模型:EM平均值 22 寿命表:为状态变量定义事件 线性混合模型:保存 寿命表:定义范围 60 MIXED命令的附加功能.. 寿命表:选项 广义线性模型(乙 SURVIVAL命令的附加功能 广义线性模型响应 Kaplan-Meier生存分析 61 广义线性模型:预测变量 26 Kaplan- Meier:为状态变量定义事件 61 广义线性模型:模型 Kaplan- Meier:比较因子级另 61 广义线性模型:估计 .27 Kaplan-Meier:保存新变量 广义线性模型:统计 28 Kaplan- Meier:选项 62 广义线性模型:EM平均值 KM命令的附加功能 62 广义线性模型:保存 30 回归分析 广义线性模型:导出 Cox回归:定义分类变量 GENLIN命令的附加功能 Cox回归:图 广义估计方程 Cox回归:保存新变量 广义估计方程:模型类型 33 Cox回归:选项 广义估计方程:响应 35 Cox回归:为状态变量定义事件 广义估计方程:预测变量. OXREO命令的附加功能 广义估计方程:模型 36 计算依时协变量 广义估计方程:估计 计算依时协变量 66 分类变量编码方案 贝叶斯单一样本推论:泊松 76 偏差 贝叶斯相关样本推论:正态 简单(S) 贝叶斯独立样本推论 Helmert 关于 Pearson相关性的贝叶斯推论 差值 关于线性回归模型的贝叶斯推论 多项式 贝叶斯单向 ANOVA 8888 重复 贝叶斯对数线性回归模型 持殊 指示灯 69通知 93 协方差结构 商标 贝叶斯统计信息 贝叶斯单一样本推论:正态 72索引 97 贝叶斯单一样本推论:二项式 Iv IBM sPss Advanced statistics 25 高级统计 SPSS Statistics Standard Editior或"高级统计"选项中包含以下高级统计功能。 Advanced statistics简介 与 SPSS Statistics standard edition或"高级统计"选项中提供的建模选项相比,"髙级统计"提供的过程提供了 更高级的建模选项。 LM多变量"对"GLM单变量"提供的一般线性模型进行了扩展,以允许使用多个因变量。更进一步的扩展 GLM重复测量"允许重复测量多个因变量。 "方差成分分析"是将因变量的可变性分解为固定和随机成分的特定工具。 线性混合模型"对一般线性模型进行了扩展,因此允许数据表现岀相关的和不恒定的可变性。因此,线性混 合模型提供了不仅能够就数据的平均值还能够就其方差和协方差建模的灵活性。 ·’广乂线性模型"(GzLM)放宽了误差项的正态假设,仅要求因变量通过转换或关联函数与预测变量线性相关。 "广义估计方程GEE)对GZLM进行了扩展,以允许重复测量。 ·"一般对数线性分析"允许您为交叉分类计数数据拟合模型,"模型选择对数线性分析"可帮助您在模型间选 择 Logit对数线性分析"允许您拟合对数线性模型来分析分类因变量与一个或多个分类预测变量之间的关系。 生存"分析通过"寿命表提供,用于检查时间事件变量的分布,可能按因子变量水平分析;" Kaplan- Meier 生存分析用于检查时间事件变量的分布,可能按因子变量水平分析,或按分层变量水平产生单独的分析; "Cox回归"用于根据给定协变量的值对指定事件的时间建模。 贝叶斯统计分析通过根据观察到的数据和有关参数的先验信息生成未知参数的后验分布来进行推论。IBM SPSS Statistics中的贝叶斯统计侧重于对单一样本分析平均值的推论,包括贝叶斯因子单一样本(配对的双 样本)、t检验和贝叶斯推论(通过描述后验分布的特征)。 GLM多变量分析 GIM多变量'过程通过一个或多个因子变量或协变量为多个因变量提供回归分析和方差分析。因子变量将总体 划分成组。通过使用此一般线性模型过程,您可以检验关于因子变量对因变量联合分布的各个分组的平均值的 效应的原假设。可以调查因子之间的交互以及单个因子的效应。另外,还可以包含协变量的效应以及协变量与 因子的交互。对于回归分析,自变量(预测变量)指定为协变量。 平衡与非平衡模型均可进行检验。如果模型中的每个单元格包含相同的个案数,则设计是平衡的。在多变量模 型中,模型中的效应引起的平方和以及误差平方和以矩阵形式表示,而不是以单变量分析中的标量形式表示。 这些矩阵称为SsCP(平方和与叉积)矩阵。如果指定了多个因变量,则提供使用Piai的轨迹、Wiks的 lambda、 Hotelling的轨迹、Roy的最大根条件以及近似F统计的多变量方差分析,同时还提供每个因变量 的单变量方差分析。除了检验假设,"GLM多变量"过程还生成参数估计。 常用的先验对比可用于执行假设检验。另外,在整体的F检验已显示显著性之后,可以使用事后检验评估指定 平均值之间的差值。估计边际平均值为模型中的单元格提供了预测平均值估计值,且这些平均值的概要图(交 互图)允许您轻松对其中一些关系进行可视化。单独为每个因变量执行两两多重比较检验。 C Copyright IBM Corporation 1989, 2017 残差、预测值、Cook距离以及杠杄值可以另存为数据文件中检査假设的新变量。另外还提供残差SSCP短阵 (残差的平方和与叉积的方矩阵)、残差协方差矩阵(残差SsCP矩阵除以残差的自由度)和残差相关性矩阵 (残差协方差矩阵的标准化形式)。 WLS权重允许您指定一个变量,用来针对加权最小平方(WIS)分析为观察值赋予不同权重,这样也许可以补 偿测量的不同精确度。 示例。某塑料制造商要测量塑料膜的三种属性:耐撕裂性、光泽和不透明度。厂商使用两种挤岀速度和添加剂 量进行了尝试,并对挤出速度和添加剂量的各种组合度量了这三种属性。厂商发现挤出速度和添加剂量单独产 生的结果很明显,但这两种因子的交互作用并不明显。 方法。类型Ⅰ、类型Ⅱ、类型Ⅲ和类型Ⅳ的平方和可用来评估不同的假设。类型Ⅲ是缺省值。 统计。两两范围检验和多重比较∶最小显著性差异、 Bonferroni、 Sidak、 Scheffe, Ryan- Einot-Gabriel Welsch多重F、Ryan- Einot-Gabriel-Welsch多范围、 Student-Newman- Keuls、 Tukey's真实显著性差异 Tukeys b、 Duncan、 Hochberg gt2、 Gabriel. Waller Duncan t检验、 Dunnett(单侧和双侧)、 Tamhane's T2、 Dunnett's T3、 Games- Howell和 Dunnett'sC。措述统计:所有单元格中所有因变量的观察平均值、标 准差和计数; Levene的方差同质性检验;对因变量协方差矩阵的冋质性Bα的M检验以及 Bartlett的球形 度检验。 图。分布-水平图、残差图以及概要图(交互)。 GLM多变量数据注意事项 数据。因变量应是定量的。因子应是分类因子,可以具有数字值或字符串值。协变量是与因变量相关的定量变 假设。对于因变量,数据是来自多变量正态总体的随机向量样本;在总体中,所有单元格的方差协方差矩阵 均相同。尽管数据应对称,但方差分析对于偏离正态性是稳健的。要检査假设,您可以使用方差冋质性检验 (包括Box的M检验)和分布-水平图。您还可以检查残差和残差图。 相关过程。在进行方差分析之前使用探索"过程来检査数据。对于单个因变量,请使用"GLM单变量"。如果您 针对每个主体的多种情况度量相同的因变量,请使用ˇGLM重复测量" 获取GLM多变量表 1.从菜单中选择 分析>一般线性模型>多变量… 2.请选择至少两个因变量。 或者,您也可以指定固定因子"∵、"协变量"和"WLs权重"。 GLM多变量:模型 指定模型。全因子模型包含所有因子主效应、所有协变量主效应以及所有因子间交互。它不包含协变量交互。 选择定制可以仅指定其中一部分的交互或指定因子协变量交互。必须指定要包含在模型中的所有项。 因子与协变量。列出因子与协变量。 模型。模型取决于数据的性质。选择定制之后,您可以选择分析中感兴趣的主效应和交互效应。 平方和。计算平方和的方法。对于没有缺失单元格的平衡或非平衡模型,类型Ⅲ平方和法最常用 IBM SPSS Advanced statistics 25 在模型中包含截距。模型中通常包含截距。如果您可以假设数据穿过原点,则可以排除截距。 构建项和定制项 建立项 当您想要为一组选定因子和协变量的所有组合包含特定类型(例如主效应)的非嵌套项时,使用该选 项。 构建定制项 如果要包含嵌套项,或者想要按变量显式构建任何项,请使用该选项。构建嵌套项包括以下步骤 平方和 对于该模型,您可以选择平方和类型。类型ⅢI最常用,并且是缺省类型。 类型l。此方法也称为平方和分层解构法。在模型中,每一项只针对它前面的那项进行调整。类型I平方和常 用于 平衡 ANOVA模型,其中任何主效应在任何一阶交互效应之前指定,任何一阶交互效应在任何双向交互效 应之前指定,依此类推。 ·多项式回归模型,其中任何低阶项在任何高阶项之前指定。 纯嵌套模型,其中第一个指定的效应嵌套在第二个指定的效应中,第二个指定的效应嵌套在第三个指定的 效应中,依此类推。(此嵌套形式只能通过使用语法来指定。) 类型Ⅲ。此方法在为所有其它相应的"效应进行调节的模型中计算某个效应的平方和。相应的效应是指,与所 有效应(不包含正被检查的效应)相对应的效应。类型Ⅱ平方和法常用于 平衡 ANOVA模型。 任何只有主要因子效应的模型。 任何回归模型。 ·纯嵌套设计。(此嵌套形式能通过使用语法来指定。) 类型Ⅲ。缺省类型。此方法在设计中通过以下形式计算某个效应的平方和:据任何不包含该效应的其他效应, 以及与包含该效应的任何效应的正交(如果存在)进行调整的平方和。类型Ⅲ平方和具有一个主要优点,那 就是只要可估计性的—般形式保持不变,平方和对于单元格频率就保持不变。因此,我们常认为此类平方和对 于不带缺失单元格的不平衡模型有用。在不带缺失单元格的因子设计中,此方法等同于 Yates加权均方方法。 类型Ⅲ平方和法常用于 任何在类型Ⅰ和类型Ⅱ中列出的模型。 任何不带空白单元格的平衡或非平衡模型。 类型ⅣV。此方法针对存在缺失单元格的情况设计。对于设计中的任何效应F,如果任何其它效应中不包含F, 则类型ⅣV=类型II=类型I当F包含在其它效应中时,则类型Ⅳ将F中的参数中正在进行的对比相 等地分配到所有较高水平的效应。类型Ⅳ平方和法常用于: 任何在类型Ⅰ和类型Ⅱ中列出的模型。 任何带有空白单元格的平衡或非平衡模型。 GLM多变量:对比 对比"用于检验效应水平之间是否存在显著性差异。您可以为模型中的每个因子指定一个对比。对比代表参数 的线性组合。 高级统计3 假设检验基于原假设LBM〓0,其中L是对比系数矩阵,M是恒等矩阵,该矩阵的维数等于因变量的个数, B是参数向量。当指定对比之后,创建一个L矩阵,使得与因子对应的列与对比匹配。对剩余的列进行调整, 使L矩阵可以估计。 除了使用F统计的单变量检验和基于跨所有因变量的对比差分的 Student的t分布的 Bonferroni型同时置 信区间以外,还提供使用Pli的轨迹、Wiks的 lambda、 Hotelling的轨迹以及Roy的最大根条件的多变 量检验。 可用对比有偏移对比、简单对比、差分对比、 Helmert对比、重复对比和多项式对比。对于偏移对比和简单对 比;您可以选择参考类别是最后一个类别还是第一个类别 对比类型 偏差。将每个水平(参考类别除外)的平均值与所有水平的平均值(总平均值)进行比较。因子的水平可以为 任何顺序。 简单。将每个水平的平均值与指定水平的平均值进行比较。当存在控制组时,此类对比很有用。可以选择第 个或最后一个类别作为参考类别。 差分。将每个水平的平均值(第一个水平除外)与前面水平的平均值进行比较。(有时候称为逆 Helmert对 比。) Helmert将因子的每个水平的平均值(最后一个水平除外)与后面水平的平均值进行比较。 重复。将每个水平的平均值(最后一个水平除外)与后一个水平的平均值进行比较 多项式。比较线性效应、二次效应、三次效应等等。第一自由度包含跨所有类别的线性效应;第二自由度包含 二次效应,依此类推。这些对比常常用来估计多项式趋势。 GLM多变量:概要图 概要图(交互图)对于比较模型中的边际平均值是有用的。概要图是一个线图,其中每个点表示因子的一个水 平上的估计因变量边际平均值(已针对任何协变量进行调整)。第二个因子的水平可用来绘制分离线。第三个 因子中的每个水平可用来创建分离图。所有因子都可用于图。为每个因变量创建概要图。 单因子的概要图显示估计边际平均值是沿水平增加还是减小对于两个或更多因子,平行线表示因子之间没有 交互,这意味着您只能调查一个因子的水平。不平行的线则表示交互 8 80 80 75 75 70 70 565 var2 565 60 G60 5.5 55 50 图1.不平行图(左)和平行图(右) 在通过为水平轴选择因子,以及通过为分离线和分离图选择因子(后者可选)指定了图之后,该图必须添加到 图"列表中。 4 IBM SPSS Advanced statistics 25 GLM多变量:事后比较 事后多重比较检验。一旦确定平均值间存在差值,两两范围检验和成对多重比较就可以确定哪些平均值存在差 值了。对未调整的值进行比较。单独为每个因变量执行事后检验。 Bonferroni和 Tukey's真实显著性差异检验是常用的多重比较检验。 Bonferroni检验基于 Student的t统 计,它针对已进行多重比较这一事实调整观察的显著性水平。 Sidak的t检验也调整显著性水平,并提供比 Bonferroni检验更严密的界限。 Tukey,'s真实显著性差异检验使用 Student化的范围统计量在组之间进行所有 成对比较,并将试验误差率设置为所有成对比较的集合的误差率。当检验大量平均值对时, Tukeys真实显著性 差异检验比 Bonferroni检验更有效。对于少量的对, Bonferroni更有效。 Hochberg's GT2类似于 Tukeys真实显蓍性差异检验,但使用了 Student化的最大值模数。通常 Tukey的 检验更有效。 Gabriel的成对比较检验也使用 Student化的最大值模数,在单元格尺寸不等的情况下通常比 Hochberg'sGT2更有效。当单元格大小变化过大时, Gabriel检验可能会变得随意。 Dunnett的成对多重比较t检验将一组处理与单个控制平均值进行比较。最后一个类别是缺省的控制类别。另 外,您还可以选择第一个类别。您还可以选择双侧或单尾检验。要检验因子的任何水平(控制类别除外)的平 均值是否不等于控制类別的平均值,请使用双侧检验。要检验因子的任何水平的平均值是否小于控制类别的平 均值,请选择<控制。类似地,要检验因子的仼伺水平的平坳值是否大于控制类别的平均值,请选择>控兟 Ryan、 Einot gabriel和 Welsch(REGw)开发了两个多重逐步降低范围检验。多重逐步降低过程首先检验 所有平均值是否相等。如果不是所有的平均值均相等,那么检验一部分平均值的等同性。R-EGWF基于F检 验,而R-E-G-WQ基于 Student化的范围。这些检验要比 Duncan的多范围检验和 Student-Newman- Keuls(也是多重逐步下降过程)有效,但对于不相等的单元格大小则不推荐使用它们。 当方差不等时,使用 Tamhane'sT2(基于t检验的保守成对比较检验)、 Dunnett T3(基于 Student化的 最大模数的成对比较检验)、 Games- Howel成对比较检验(有时是随意的)或者 Dunnett'sc(基于Stu- dent化的范围的成对比较检验)。 Duncan的多范围检验、 Student-Newman-Keuls(SNK)和 Tukey的b是排列组平均值等级的范围检验, 并计算范围值。这些检验的使用频率不如先前讨论的检验。 Waller-Duncan t检验使用 Bayesian方法。当样本大小不相等时,此范围检验使用样本大小的调和平均值。 Scheffe检验的显著性水平设计成允许检验组平均值的所有可能线性组合,而不仅仅允许此功能中可用的成对 比较。其结果是, Scheffe检验常常比其他检验更保守,这意味着显著性要求平均值之间存在更大的差别。 最小显著性差异(LsD)成对多重比较检验等同于所有组对之间的多重个别t检验。此检验的缺点是,不进行 任何尝试来为多重比较调整观察到的显著性水平。 显示的检验。为LSD、 Sidak、 Bonferroni、 Games- Howell Tamhane's t2和T3、 Dunnett's c以及 Dunnett T3提供成对比较。为SN-K、 Tukey的b、 Duncan、RGWF、 R-E-G-W C以及 Waller提供范围检验 的均一子集。 Tukey真实显著性差异检验、 HochbergωI2、 Gabriel检验以及 Scheffe检验既是多重比较检 验,同时也是范围检验。 GLM估计边际平均值 选择您需要的单元格中的总体边际平均值估计的因子和交互作用。为协变量(如果存在)调整这些平均值 比较主效应。对于主体间和主体內因子,为模型中的任何主效应提供估计边际平均值未修正的成对比较。 只有在"显示以下项的平均值"列表中选择了主效应的情况下,此项才可用。 ·置信区间调节。选择最小显著性差异(LSD、 Bonferroni或对置信区间和显著性的 Sidak调整。此项只有 在选择了比较主作用的情况下才可用。 高级统计5 指定估计边际平均值 1.从菜单的>分析>一般线性模型下选择一种过程。 2.在主对话框中,单击EM平均值。 GLM:保存 您可以在数据编辑器中将模型预测的值、残差和相关测量另存为新变量。这些变量中有许多可用于检查关于数 据的假设。要保存供另一 TBM SPSS Statistics会话中使用的值,您必须保存当前数据文件。 预测值。模型为每个个案预测的值。 未标准化。模型为因变量预测的值。 加权。加权未标准化预测值。仅在之前已选择了WLS变量的情况下可用。 标准误差。对于自变量具有相同值的个案所对应的因变量的平均值的标准差的估计。 诊断。标识以下个案的测量:自变量的值具有不寻常组合的个案,以及可能对模型产生很大影响的个案。 o0k距离。在特定个案从回归系数的计算中排除的情况下,所有个案的残差变化幅度的测量。较大的Cook 距离表明从回归统计的计算中排除个案之后,系数会发生根本变化 杠杆值。未居中的杠杄值。每ˆ观察值对模型拟合度的相对影 残差。未标准化残差是因变量的实际值减去由模型预测的值。还提供标准化残差、 Studen化的残差以及剔除残 差。如果选择了WIs变量,则提供加权的未标准化残差。 未标准化。观察值与模型预测值之间的差。 加权。加权未标准化残差。仅在之前已选择了WLS变量的情况下可用。 标准化。残差除以其标准差的估计。标准化残差也称为 Pearson残差,它的平均值为O,标准差为1 Student化。残差除以其随个案变化的标准差的估计,这取决于每个个案的自变量值与自变量平均值之间的 距离。 剔除。当某个案从回归系数的计算中排除时,该个案的残差。它是因变量的值和调整预测值之间的差。 系数统计。将模型中的参数估计值的协方差矩阵写入当前会话中的新数据集,或写入外部 IBM SPSS Statis- tics数据文件。而且,对于每个因变量,将存在一行参数估计值、一行参数估计的标准误差、一行与参数估计 值对应的t统计的显著性值以及一行残差自由度。对于多变量模型,每—个因变量都存在类似的行。当选择异 方差一致统计(仅可用于单变量模型)时,将使用稳健估计量计算协方差矩阵,标准误差行显示稳健的标准误 差,且显著性值反映的是稳健误差。您可以在读取矩阵文件的其他过程中使用此矩阵文件。 GLM多变量:选项 此对话框中有一些可选统计。统计是使用固定效应模型计算的。 输出。选择描述统计以生成所有单元格中的所有因变量的观察到的平均值、标准差和计数。功效估计给岀了每 个作用和每个参数估计值的偏eta方值。eta方统计描述总可变性中可归因于某个因子的部分。当基于观察值 设置备用假设时,选择观察势可获取检验的势。选择参数估计可为每个检验生成参数估计值、标准误差、I检 验、置信区间和检验的观察势。可以显示假设和误差SScP矩阵以及残差SScP矩阵加上残差协方差矩阵的 Bartlett球形度检验。 同质性检验为跨主体问因子所有水平组合的每个因变量生成 Levene的方差同质性检验(仅对于主体间因子)。 另外,同质性检验包含对因变量协方差矩阵的同质性B∝M检验,这些因变量跨主体间因子的所有水平组合。 分布-水平图和残差图选项对于检査关于数据的假设很有用。如果不存在任何因子,则禁用此项。选择残差图 为每个因变量生成观察预测-标准化残差图。这些图对于调查方差相等的假设很有用。选择缺乏拟合优度检验 6 IBM SPSS Advanced statistics 25 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论