Visión general (mandato GLM)

GLM (modelo lineal general) es un procedimiento general para el análisis de varianza y covarianza, así como la regresión. GLM es el más versátil de los procedimientos de análisis de varianza y se puede utilizar para diseños univariados y multivariantes. GLM le permite:

• Incluya la interacción y los efectos anidados en el modelo de diseño. Se permiten varias anidaciones; por ejemplo, A dentro de B dentro de C se especifica como A(B(C)).
• Incluya covariables en el modelo de diseño. GLM también permite interacciones de covariable por covariable y covariable por factor, como por ejemplo X por X (o X*X), X por A (o X*A) y X por A dentro de B (o X*A(B)). Así, se puede realizar una regresión polinómica o una prueba de homogeneidad de las regresiones.
• Seleccione las pruebas de hipótesis de sumas de cuadrados adecuadas para los efectos en los modelos de diseño equilibrado, los modelos de diseño llenos de todas las casillas desequilibrados y algunos modelos de diseño vacíos en las casillas. También se pueden visualizar las funciones estimables que corresponden al contraste de hipótesis para cada efecto en el modelo.
• Mostrar la forma general de las funciones estimables.
• Mostrar los cuadrados medios esperados, detectando automáticamente y utilizando el término de error adecuado para probar cada efecto en los modelos de efectos mixtos y de efectos aleatorios.
• Seleccione los contrastes utilizados habitualmente o especifique contrastes personalizados para realizar pruebas de hipótesis.
• Personalizar el contraste de hipótesis, basándose en la hipótesis nula LBM = K, donde B es el vector de parámetro o matriz.
• Mostrar una variedad de pruebas post hoc para comparaciones múltiples.
• Mostrar estimaciones de las medias de las casillas marginales de la población tanto para los factores inter-sujetos como para los intra-sujetos, ajustadas para las covariables.
• Realizar análisis multivariante de varianza y covarianza.
• Estimar parámetros utilizando el método de mínimos cuadrados ponderados y una técnica inversa generalizada.
• Comparar gráficamente los niveles de un modelo mostrando gráficos de medias de casillas marginales estimadas para cada nivel de un factor, con líneas separadas para cada nivel de otro factor del modelo.
• Mostrar una variedad de estimaciones y medidas que son útiles para la comprobación de diagnóstico. Todas estas estimaciones y medidas se pueden guardar en un archivo de datos para que las utilice otro procedimiento.
• Realizar análisis de varianza de medidas repetidas.
• Mostrar pruebas de homogeneidad para contrastar suposiciones subyacentes en análisis multivariantes y univariados.