freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

sas系統(tǒng)和數(shù)據(jù)分析方差分析(編輯修改稿)

2024-09-25 10:18 本頁面
 

【文章內(nèi)容簡(jiǎn)介】 c means 語句中的 選項(xiàng)列表 。 ? manova—— 按多元方式刪除那些含有丟失值的觀察, 即在因變量中有丟失值就從這次分析中刪除這個(gè)觀察。 ? outstat=輸出數(shù)據(jù)集名 —— 生成一個(gè)輸出數(shù)據(jù)集,它包含模型中每個(gè)效應(yīng)的平方和、F 統(tǒng)計(jì)量和概率水平。 ( 2) class 語句。 在 anova 過程中要使用的分類變量、區(qū)組變量必須首先在 class 語句的變量列表中說明。Class 語句是必需的,且必須放在 model 語句前面。 Class 變量可以是數(shù)值型,也可以是字符型。 ( 3) model 語句。 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 11 of 39 該語句用來規(guī)定因變量和自變量效應(yīng)。如果沒有規(guī)定自變量的效應(yīng),則只擬合截距,假設(shè)檢驗(yàn)為因變量的均值是否為 0。 Model語句的主要形式有四種: ① 主效應(yīng)模型 Model y=a b c。 ② 含有交叉 因素的模型 Model y=a b c a*b a*c b*c a*b*c。 ③ 嵌套模型 Model y=a b c(a b)。 ④ 包含嵌套、交叉和主效應(yīng)的模型 Model y=a b(a) c(a) b*c(a)。 Model語句的選項(xiàng)列表有: int—— 打印與截距有關(guān)的假設(shè)檢驗(yàn)結(jié)果。 anova 過程總是把截距作為模型的一個(gè)效應(yīng)進(jìn)行處理,缺省時(shí),不打印結(jié)果。 ? nouni—— 不打印單變量分析結(jié)果。 ( 4) means 語句。 該語句是用來計(jì)算在 means 語句后列出的每個(gè)效應(yīng)所對(duì)應(yīng)的因變量 均值。 Anova 過程可以對(duì)出現(xiàn)在 model 語句等號(hào)右邊的任一效應(yīng)計(jì)算因變量的均值。不過這些均值沒有針對(duì)模型中的效應(yīng)進(jìn)行修正。如果需要修正的均值,應(yīng)該調(diào)用 glm 過程,使用其中的 lsmenas 語句。在 anova 過程里可以使用任意多個(gè) means 語句,它們放在 model語句后面。 Means 語句的選項(xiàng)列表主要有兩個(gè)內(nèi)容,一是選擇多重比較的檢驗(yàn)方法,二是規(guī)定這些檢驗(yàn)的細(xì)節(jié),注意這些細(xì)節(jié)選項(xiàng)只能用于主效應(yīng)。 ① 多重比較的檢驗(yàn)方法 ? bon—— 對(duì)所有主效應(yīng)均值之差進(jìn)行 Bonferroni 的 t 檢驗(yàn)。 ? duncan—— 對(duì)所有主效 應(yīng)均值進(jìn)行 Duncan 的多重極差檢驗(yàn) 。 ? dunt(‘格式化對(duì)照值 ’)—— 進(jìn)行 Dunt 的雙尾 t 檢驗(yàn)。用以檢驗(yàn)對(duì)所有主效應(yīng)均值的某個(gè)水平作為對(duì)照,處理有無顯著差異。為了規(guī)定這個(gè)對(duì)照效應(yīng)的水平,在括號(hào)內(nèi)用單引號(hào)把這個(gè)水平的格式化值括起來。缺省時(shí),效應(yīng)的第一個(gè)水平作為對(duì)照。 ? duntl(‘格式化對(duì)照值 ’)—— 進(jìn)行 Dunt 的單尾 t 檢驗(yàn)。它檢驗(yàn)是否任一個(gè)處理顯著地小于這個(gè)對(duì)照 。 ? duntu(‘格式化對(duì)照值 ’)—— 進(jìn)行 Dunt的單尾 t檢驗(yàn)。它檢驗(yàn)是否任一個(gè)處理顯著地大于這個(gè) 對(duì)照 。 ? gabriel—— 對(duì)所有主效應(yīng)均值進(jìn)行 Gabriel 的多重對(duì)比檢驗(yàn) 。 ? regwf—— 對(duì)所有主效應(yīng)均值進(jìn)行 RyanEinotGabrielWelsch 的多重 F 檢驗(yàn) 。 ? regwq—— 對(duì)所有主效應(yīng)均值進(jìn)行 RyanEinotGabrielWelsch 的多重極差檢驗(yàn) 。 ? scheffe—— 對(duì)所有主效應(yīng)均值進(jìn)行 Scheffe 的多重對(duì)比檢驗(yàn)。 ? sidak—— 對(duì)所有主效應(yīng)均值水平依據(jù) Sidak不等式進(jìn)行調(diào)整后,對(duì)其均值之差兩兩進(jìn)行 t 檢驗(yàn) 。 ? Smm|gt2—— 當(dāng)樣本量不等時(shí),基于學(xué)生化最大模和 Sidak 不相 關(guān) t 不等式, 使用Hochberg 的 GT2 方法,對(duì)主效應(yīng)均值進(jìn)行兩兩對(duì)比檢驗(yàn)。 ? snk—— 對(duì)所有主效應(yīng)均值進(jìn)行 StudentNewmanKeuls 的多重極差檢驗(yàn) 。 ? t|lsd—— 對(duì)所有主效應(yīng)均值進(jìn)行兩兩 t 檢驗(yàn),它相當(dāng)于在單元觀察數(shù)相等時(shí) Fisher的最小顯著差( Fisher’s leastsignificantdifference)檢驗(yàn)。 ? tukey—— 對(duì)所有主效應(yīng)均值進(jìn)行 Tukey 的學(xué)生化極差檢驗(yàn) 。 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 12 of 39 ? waller—— 對(duì)所有主效應(yīng)均值進(jìn)行 WallerDuncan 的 k比率( kratio)檢驗(yàn)。 ② 多重 比較的檢驗(yàn)細(xì)節(jié) ? alpha=p—— 給出均值間對(duì)比檢驗(yàn)的顯著性水平 。缺省值是 。 ? cldiff—— 要求把兩兩均值之差的結(jié)果用置信區(qū)間的形式輸出。 ? clm—— 對(duì)變量的每個(gè)水平的均值按置信區(qū)間形式輸出 。 ? e=效應(yīng) —— 指定在多重對(duì)比檢驗(yàn)中所使用的誤差均方。如果缺省,使用殘差均方( MS)。指定的效應(yīng)必須是在 model 語句中出現(xiàn)過的效應(yīng)。 ? kratio=值 —— 給出 WallerDuncan檢驗(yàn)的類型 1/類型 2的誤差限制比例。 Kratio的合理值為 50、 100、 500,大約相當(dāng)于兩水平時(shí) alpha值為 、 、 。缺省值為 100。 ? lines—— 按下降次序列出所有檢驗(yàn)方法產(chǎn)生的均值,并用一條線段在均值旁指出非顯著的子集。 ? hovtest—— 要求輸出組間方差齊性的 Levene檢驗(yàn)。 ( 5) test 語句 ? 在分析中,如果這個(gè)語句缺省,仍然使用殘差均方( MS)作為誤差項(xiàng)對(duì)所有平方和( SS)計(jì)算 F值。但用戶可以使用本語句要求使用其他效應(yīng)作為誤差項(xiàng),得到另外的 F檢驗(yàn)。可以使用多個(gè) test 語句,把它們放在 model 語句后面。 Test 語句的選項(xiàng)為: ? h=效應(yīng) —— 規(guī)定模型里哪些效應(yīng)用來作為假設(shè)的效應(yīng)。 ? e=效應(yīng) —— 規(guī)定 一個(gè)而且只能是一個(gè)效應(yīng)用來作為誤差項(xiàng),這個(gè)說明項(xiàng)是必 需 的 。 2. glm 過程的語句格式 proc glm 是分析符合一般線性模型( General Linear Models)的數(shù)據(jù),因此取名 GLM。它能被用在許多不同的分析中,如簡(jiǎn)單回歸、多元回歸、方差分析、協(xié)方差分析、加權(quán)回歸、多項(xiàng)式回歸、偏相關(guān)分析、多元方差分析等。 在 glm 過程中的大多數(shù)方差分析的語句和選項(xiàng)與 anova 過程中基本相同。用 anova 過程編寫的程序幾乎不用修改就可在 glm 過程中運(yùn)行。 glm 過程僅僅附加了三條語句: contrast、estimate 和 lsmeans。 contrast 和 estimate 語句允許你測(cè)試和估計(jì)均值的某種功能。 lsmeans 語句允許你計(jì)算調(diào)整后的均值。 glm 過程的主要控制語句如下: proc glm 輸入數(shù)據(jù)集名 選項(xiàng)列表 。 class 變量列表 。 model 因變量列表 =自變量列表 /選項(xiàng)列表 。 contrast ‘ 標(biāo)簽 ’ 效應(yīng) 值表 /選項(xiàng)列表 。 estimate ‘ 標(biāo)簽 ’ 效應(yīng) 值表 /選項(xiàng)列表 。 lsmeans 效應(yīng)列表 /選項(xiàng)列表 。 means 效應(yīng)列表 /選項(xiàng)列表 。 output out=輸出數(shù)據(jù)集名 統(tǒng)計(jì)量關(guān)鍵字 =變量名列表 。 test H=效應(yīng)列表 E=效應(yīng)列表 。 run 。 其中 , class 語句、 model語句是必需的,而且 class 語句必須出現(xiàn) 在 model語句之前。其他語句必須放在 model 語句之后。下面主要介紹與 anova 過程相比不同的語句和新增加的語句。 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 13 of 39 ( 1) model 語句。 在 glm 過程的 model語句中可以使用幾種不同效應(yīng),下面是使用這些效應(yīng)的幾個(gè)例子, a、b 和 c 代表分類變量; y y x1 和 x2 代表連續(xù)變 量。 Model y=x1。 (簡(jiǎn)單回歸 ) Model y=x1 x2。 (多重回歸 ) Model y=x1 x1*x1。 (多項(xiàng)式回歸 ) Model y1 y2=x1 x2。 (多元回歸 ) Model y=a。 (單因素方差分析 ) Model y=a b c。 (主效應(yīng)模型 ) Model y=a b a*b。 (因素模型 ) Model y=a b(a) c(b a)。 (嵌套模型 ) Model y1 y2=a b。 (多元方差分析模型 ) Model y=a x1 (協(xié)方差分析模型 ) Model語句的主要選項(xiàng)有(與 anova 過程中的 model語句選項(xiàng)相同不再列出): ? solution—— 打印正規(guī)方程的解,即參數(shù)估計(jì)值。 e1/e2/e3/e4—— 打印模型中每一效應(yīng)的類型 1/類型 2/類型 3/類型 4的可估函數(shù),并計(jì)算 相應(yīng)的平方和。 ss1/ss2/ss3/ss4—— 對(duì)每個(gè)效應(yīng),打印與類型 1/類型 2/類型 3/類型 4 的可估函數(shù)相關(guān)的平方和。 alpha=—— 指定置信區(qū)間的 ? 水平。缺省值為 。 cli/clm—— 打印每一觀察的預(yù)測(cè)值 /預(yù)測(cè)均值的置信限,兩者不能同時(shí)使用。 p—— 打印自變量沒有缺失值的每一觀察值、預(yù)測(cè)值和殘差值。同時(shí)還打印 DurbinWaston統(tǒng)計(jì)量。 xpx—— 打印叉積矩陣 XX? 。 i—— 打 印矩陣 XX? 的逆矩陣或廣義逆矩陣。 ( 2) contrast 語句。 提供一種獲得一般假設(shè)檢驗(yàn)的技巧。其中,效應(yīng)可以是截距,用字符 intercept 表示。通過規(guī)定 L 向量或 M 矩陣來構(gòu)造一元假設(shè)檢驗(yàn) 0??L 或多元假設(shè)檢驗(yàn) 0?ML? 。例如,當(dāng)發(fā)現(xiàn)某兩個(gè)因素的交互作用項(xiàng)有顯著性時(shí),我們可用本語句來實(shí)現(xiàn)一個(gè)因素被控制在某水平上, 對(duì)另一個(gè)因素的各水平間進(jìn)行兩兩比較的目的。 設(shè) M 因素有三個(gè)水平 a、 b、 c, V因素有兩個(gè)水平 2,且 VM? 有顯著性。如果我們要比較 )(21 cba ??? ?? 的差異,那么有幾種不同的比較方法: ① 在因素 V 的每一個(gè)水平上,分別比較因素 M 的三個(gè)水平 a、 b、 c 均值的之間的線性關(guān)系假設(shè)是否顯著。也即 : : 1110 ??? cbaH ??? 和 : 2220 ??? cbaH ??? ② 在因素 V 平均的所有水平上,比較因素 M 的三個(gè)水平 a、 b、 c 均值 的之間的線性關(guān)系假設(shè)是否顯著。也即 : 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 14 of 39 0)()(: 2221110 ?????? cbacbaH ?????? ③ 在因素 V 平均的子集上,比較因素 M 的三個(gè)水平 a、 b、 c 均值的之間的線性關(guān)系假設(shè)是否顯著。也即 : 0)()(: 2221110 ?????? cbacbaH ?????? glm 模型為雙因素試驗(yàn)設(shè)計(jì)的方差分析指定了下面的效應(yīng)公式 : ijjiij )(?????? ???? () 其中 , ij? 是因素 iM 水平與因 素 jV 水平在 ij 單元上所有觀察值的平均。 ? 為總平均。i? 是因素 M 在 i 水平上的主效應(yīng), j? 是因素 V 在 j 水平上的主效應(yīng), ij)(?? 為因素 M 和因素 V 在 ij 水平上的交互效應(yīng)。因此,對(duì)任一觀察值有 : ijkijiiijkijijky ?????? ?? ????? ?? )( () 因此,根據(jù)單元均值給出的線性組合可以轉(zhuǎn)換成效應(yīng)模型的合并參數(shù)形式,即 0??L ,如 : 111111111111)()()()()()(cbacbaccbbaacba??????????????????????????????????????????????? 同理 : 222222 )()()( cbacbacba ???????????? ???????? 相應(yīng)的 glm 過程的語句為 : proc glm 。 class M V 。 model Y=M V M*V。 contrast ‘ a vs b,c in v1’ M 1 M*V 1 0 0 0。 contrast ‘ a vs b,c in v1’ M 1 M*V 0 1 0 0 。 run 。 Contrast 語句中的可選項(xiàng): e—— 打印整個(gè) L 向量。 e=效應(yīng) —— 規(guī)定模型中的某個(gè)效應(yīng)作為誤差項(xiàng)。過程將把這一效應(yīng)作為單變量 F檢驗(yàn)的分母。如果缺省,過程把均方誤差( MSE)作為誤差項(xiàng)。 etype=n—— 指明 e=效應(yīng)的類型( 4) 。如果指明 e=而沒有指明 etype=,則使用最高類型。 ( 3) Estimate 語句 上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)信息管理系 IS/SHUFE Page 15 of 39 可用來估計(jì)參數(shù)的線性函數(shù),通過用參數(shù)的估計(jì) b 乘以向量 L 來得到 Lb 。其中 ,YXXXb ???
點(diǎn)擊復(fù)制文檔內(nèi)容
教學(xué)課件相關(guān)推薦
文庫(kù)吧 www.dybbs8.com
備案圖片鄂ICP備17016276號(hào)-1