【文章內(nèi)容簡介】 c means 語句中的 選項列表 。 ? 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觀察。 ? outstat=輸出數(shù)據(jù)集名 —— 生成一個輸出數(shù)據(jù)集，它包含模型中每個效應的平方和、F 統(tǒng)計量和概率水平。 （ 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。 上海財經(jīng)大學經(jīng)濟信息管理系 IS/SHUFE Page 11 of 39 該語句用來規(guī)定因變量和自變量效應。如果沒有規(guī)定自變量的效應，則只擬合截距，假設檢驗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、交叉和主效應的模型 Model y=a b(a) c(a) b*c(a)。 Model語句的選項列表有： int—— 打印與截距有關(guān)的假設檢驗結(jié)果。 anova 過程總是把截距作為模型的一個效應進行處理，缺省時，不打印結(jié)果。 ? nouni—— 不打印單變量分析結(jié)果。 （ 4） means 語句。 該語句是用來計算在 means 語句后列出的每個效應所對應的因變量 均值。 Anova 過程可以對出現(xiàn)在 model 語句等號右邊的任一效應計算因變量的均值。不過這些均值沒有針對模型中的效應進行修正。如果需要修正的均值，應該調(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 means 語句，它們放在 model語句后面。 Means 語句的選項列表主要有兩個內(nèi)容，一是選擇多重比較的檢驗方法，二是規(guī)定這些檢驗的細節(jié)，注意這些細節(jié)選項只能用于主效應。 ① 多重比較的檢驗方法 ? bon—— 對所有主效應均值之差進行 Bonferroni 的 t 檢驗。 ? duncan—— 對所有主效 應均值進行 Duncan 的多重極差檢驗 。 ? dunt(‘格式化對照值 ’)—— 進行 Dunt 的雙尾 t 檢驗。用以檢驗對所有主效應均值的某個水平作為對照，處理有無顯著差異。為了規(guī)定這個對照效應的水平，在括號內(nèi)用單引號把這個水平的格式化值括起來。缺省時，效應的第一個水平作為對照。 ? duntl(‘格式化對照值 ’)—— 進行 Dunt 的單尾 t 檢驗。它檢驗是否任一個處理顯著地小于這個對照 。 ? duntu(‘格式化對照值 ’)—— 進行 Dunt的單尾 t檢驗。它檢驗是否任一個處理顯著地大于這個 對照 。 ? gabriel—— 對所有主效應均值進行 Gabriel 的多重對比檢驗 。 ? regwf—— 對所有主效應均值進行 RyanEinotGabrielWelsch 的多重 F 檢驗 。 ? regwq—— 對所有主效應均值進行 RyanEinotGabrielWelsch 的多重極差檢驗 。 ? scheffe—— 對所有主效應均值進行 Scheffe 的多重對比檢驗。 ? sidak—— 對所有主效應均值水平依據(jù) Sidak不等式進行調(diào)整后，對其均值之差兩兩進行 t 檢驗 。 ? Smm|gt2—— 當樣本量不等時，基于學生化最大模和 Sidak 不相 關(guān) t 不等式， 使用Hochberg 的 GT2 方法，對主效應均值進行兩兩對比檢驗。 ? snk—— 對所有主效應均值進行 StudentNewmanKeuls 的多重極差檢驗 。 ? t|lsd—— 對所有主效應均值進行兩兩 t 檢驗，它相當于在單元觀察數(shù)相等時 Fisher的最小顯著差（ Fisher’s leastsignificantdifference）檢驗。 ? tukey—— 對所有主效應均值進行 Tukey 的學生化極差檢驗 。 上海財經(jīng)大學經(jīng)濟信息管理系 IS/SHUFE Page 12 of 39 ? waller—— 對所有主效應均值進行 WallerDuncan 的 k比率（ kratio）檢驗。 ② 多重 比較的檢驗細節(jié) ? alpha=p—— 給出均值間對比檢驗的顯著性水平 。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—— 對變量的每個水平的均值按置信區(qū)間形式輸出 。 ? e=效應 —— 指定在多重對比檢驗中所使用的誤差均方。如果缺省，使用殘差均方（ MS）。指定的效應必須是在 model 語句中出現(xiàn)過的效應。 ? kratio=值 —— 給出 WallerDuncan檢驗的類型 1/類型 2的誤差限制比例。 Kratio的合理值為 50、 100、 500，大約相當于兩水平時 alpha值為 、 、 。缺省值為 100。 ? lines—— 按下降次序列出所有檢驗方法產(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。 （ 5） test 語句 ? 在分析中，如果這個語句缺省，仍然使用殘差均方（ MS）作為誤差項對所有平方和（ SS）計算 F值。但用戶可以使用本語句要求使用其他效應作為誤差項，得到另外的 F檢驗。可以使用多個 test 語句，把它們放在 model 語句后面。 Test 語句的選項為： ? h=效應 —— 規(guī)定模型里哪些效應用來作為假設的效應。 ? e=效應 —— 規(guī)定 一個而且只能是一個效應用來作為誤差項，這個說明項是必 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，如簡單回歸、多元回歸、方差分析、協(xié)方差分析、加權(quán)回歸、多項式回歸、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 語句允許你測試和估計均值的某種功能。 lsmeans 語句允許你計算調(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 選項列表 。 class 變量列表 。 model 因變量列表 =自變量列表 /選項列表 。 contrast ‘ 標簽 ’ 效應 值表 /選項列表 。 estimate ‘ 標簽 ’ 效應 值表 /選項列表 。 lsmeans 效應列表 /選項列表 。 means 效應列表 /選項列表 。 output out=輸出數(shù)據(jù)集名 統(tǒng)計量關(guān)鍵字 =變量名列表 。 test H=效應列表 E=效應列表 。 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。 上海財經(jīng)大學經(jīng)濟信息管理系 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，下面是使用這些效應的幾個例子， 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。 (簡單回歸 ) Model y=x1 x2。 (多重回歸 ) Model y=x1 x1*x1。 (多項式回歸 ) 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語句的主要選項有（與 anova 過程中的 model語句選項相同不再列出）： ? solution—— 打印正規(guī)方程的解，即參數(shù)估計值。 e1/e2/e3/e4—— 打印模型中每一效應的類型 1/類型 2/類型 3/類型 4的可估函數(shù)，并計算 相應的平方和。 ss1/ss2/ss3/ss4—— 對每個效應，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—— 打印每一觀察的預測值 /預測均值的置信限，兩者不能同時使用。 p—— 打印自變量沒有缺失值的每一觀察值、預測值和殘差值。同時還打印 DurbinWaston統(tǒng)計量。 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檢驗的技巧。其中，效應可以是截距，用字符 intercept 表示。通過規(guī)定 L 向量或 M 矩陣來構(gòu)造一元假設檢驗 0??L 或多元假設檢驗 0?ML? 。例如，當發(fā)現(xiàn)某兩個因素的交互作用項有顯著性時，我們可用本語句來實現(xiàn)一個因素被控制在某水平上， 對另一個因素的各水平間進行兩兩比較的目的。 設 M 因素有三個水平 a、 b、 c， V因素有兩個水平 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 的每一個水平上，分別比較因素 M 的三個水平 a、 b、 c 均值的之間的線性關(guān)系假設是否顯著。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 的三個水平 a、 b、 c 均值 的之間的線性關(guān)系假設是否顯著。也即 ： 上海財經(jīng)大學經(jīng)濟信息管理系 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 的三個水平 a、 b、 c 均值的之間的線性關(guān)系假設是否顯著。也即 ： 0)()(: 2221110 ?????? cbacbaH ?????? glm 模型為雙因素試驗設計的方差分析指定了下面的效應公式 ： 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， j? 是因素 V 在 j 水平上的主效應， ij)(?? 為因素 M 和因素 V 在 ij 水平上的交互效應。因此，對任一觀察值有 ： ijkijiiijkijijky ?????? ?? ????? ?? )( () 因此，根據(jù)單元均值給出的線性組合可以轉(zhuǎn)換成效應模型的合并參數(shù)形式，即 0??L ，如 ： 111111111111)()()()()()(cbacbaccbbaacba??????????????????????????????????????????????? 同理 ： 222222 )()()( cbacbacba ???????????? ???????? 相應的 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： e—— 打印整個 L 向量。 e=效應 —— 規(guī)定模型中的某個效應作為誤差項。過程將把這一效應作為單變量 F檢驗的分母。如果缺省，過程把均方誤差（ MSE）作為誤差項。 etype=n—— 指明 e=效應的類型（ 4） 。如果指明 e=而沒有指明 etype=，則使用最高類型。 （ 3） Estimate 語句 上海財經(jīng)大學經(jīng)濟信息管理系 IS/SHUFE Page 15 of 39 可用來估計參數(shù)的線性函數(shù)，通過用參數(shù)的估計 b 乘以向量 L 來得到 Lb 。其中 ，YXXXb ???