GLM Multisariate Analizi
GLM Çok değişkenli yordamı, bir veya daha fazla faktör değişkenine ya da kovariatese göre birden çok bağımlı değişken için regresyon analizi ve varyans analizi sağlar. Faktör değişkenleri, popülasyonu gruplara bölüyor. Bu genel doğrusal model yordamını kullanarak, katsayı değişkenlerinin, bağımlı değişkenlerin ortak bir dağılımının çeşitli gruplandırmaları yoluyla etkileri hakkında boş değerli hipotezleri sınebilirsiniz. Bireysel faktörlerin etkilerinin yanı sıra etkenler arasındaki etkileşimleri de araştırabilirsiniz. Buna ek olarak, kovariates ve kovariate etkileşimleri ile etkenler arasında yer alan etkiler de dahil edilebilir. Regresyon analizi için, bağımsız (öngörülebilirlik) değişkenleri covariates olarak belirtilir.
hem dengeli hem de dengesiz modeller test edilebiliyor. Modeldeki her hücre aynı sayıda vaka içeriyorsa, tasarım dengelenir. Çok değişkenli bir modelde, modellerdeki efektler ve karelerin hata toplamları nedeniyle kareler, univariate analizinde bulunan sayıl form yerine matris biçiminde bulunur. Bu matrisler SSCP (özetler-kareler ve çapraz ürünler) matrisleri olarak adlandırılır. Birden fazla bağımlı değişken belirtilirse, Pillai izleme, Wilks ' lambda, Hoanlamanın izlemesi ve Roy 'un yaklaşık F istatistiği ile en büyük kök ölçütünün yanı sıra, her bağımlı değişken için varyans analizinin yanı sıra, Roy 'un en büyük kök ölçütünü içeren çok değişkenli çözümleme sağlanır. Hipotezleri test etme yanı sıra GLM Multisariate parametrelerin tahminlerini üretir.
Yaygın olarak kullanılan bir priori karşıtlıkları, hipotez testini gerçekleştirmek için kullanılabilir. Ayrıca, genel bir F testi önem gösterdikten sonra, farklılıkları belirli araçlar arasında değerlendirmek için post hoc testlerini kullanabilirsiniz. Tahmini marjinal, modeldeki hücreler için tahmini ortalama değerleri tahmin etme anlamına gelir ve bunların profil çizimleri (etkileşim grafikleri), bazı ilişkileri kolayca görselleştirmenize olanak sağlar. Post hoc çoklu karşılaştırma sınamaları, her bağımlı değişken için ayrı olarak gerçekleştirilir.
Artıklar, tahmin edilen değerler, Cook 'un uzaklığı ve kaldıraç değerleri, varsayımları kontrol etmek için veri dosyanızın yeni değişkenleri olarak kaydedilebilir. Ayrıca kullanılabilir bir SSCP matrisi, ki bu da kareler ve artıların çapraz ürünleri, kalan bir kovaryans matrisi, ki bu matriks, kalıntıların serbestlik dereceleri ile bölünen SSCP matrisi, ve kalan kovaryans matrisinin standartlaştırılmış biçimi olan, kalan korelasyon matrisi.
WLS Ağırlığı, ağırlıklı en az kareler (WLS) analizi için gözlemlere farklı ağırlıklar vermek üzere kullanılan bir değişken belirtmenizi sağlar. Bu, belki de farklı ölçüm duyarlığını dengelemek için kullanılır.
Örnek. Plastiklerin bir üreticisi plastik filmin üç özelliğini ölçer: yırtma direnci, parlatıcı ve opaklık. İki farklı kalıp toplanır ve iki farklı miktar denenir ve üç özellik, her bir kalıp oranı ve ek tutar bileşimi altında ölçülür. üretici, ekstrüzyon oranının ve katkı maddesi tutarının tek tek önemli sonuçlar üretmesini ancak iki faktörün etkileşiminin önemli olmadığını ortaya çıkarmaktadır.
Yöntemler. Farklı hipotezleri değerlendirmek için I, Tip II, Tip III ve Tip IV meblağları kullanılabilir. Varsayılan değer 3 'tür.
İstatistikler. Post-hoc range testleri ve birden çok karşılaştırma: En az önemli fark, Bonferroni, Sidak, Scheffé, Ryan-Einot-Gabriel-Welsch çoklu F, Ryan-Einot-Gabriel-Welsch çoklu aralığı, Öğrenci-Newman-Keuls, Tukey 'in gerçekten önemli farkı, Tukey 'nin b, Duncan, Hochberg 'in GT2, Gabriel, Waller Duncan t testi, Dunnett (tek taraflı ve iki taraflı), Tamhane 'nin T2, Dunnett 'in T3, Oyunlar-Howell, ve Dunnett 'in C' si. Açıklayıcı istatistikler: gözlemlenen, standart sapmalar ve tüm hücrelerde bağımlı olan tüm değişkenlerin sayısı; Varyans homojenliği için Levene testi; Kutup 'un M testi bağımlı değişkenlerin kovaryans matrislerinin homojenliğinin; ve Bartlett 'in küresel olarak test etmek için test eder.
Çizimler. Dağıtma düzeyi, yeniden boyutlandırma ve profil (etkileşim).
GLM Çok değişkenli Veri İle İlgili Önemli Noktalar
Veri. Bağımlı değişkenler nicel olmalıdır. Etkenler kategorik ve sayısal değerlere ya da dizgi değerlerine sahip olabilir. Covariates, bağımlı değişkenle ilgili niceliksel değişkenlerdir.
Varsayımlar. Bağımlı değişkenler için veriler, çok değişkenli normal bir popülasyondan gelen vektörlerin rastgele bir örneğidir; popülasyonda, tüm hücreler için varyans-covariance matrisleri aynıdır. Veriler simetrik olması gerekse de, varyans analizi normallikten yola çıkan ayrılığa kadar güçlü olur. Varsayımları denetlemek için, varyans testlerinin (Box 'ın Mde dahil) eşgenliğini ve yayılma düzeylerine ilişkin grafikleri kullanabilirsiniz. Ayrıca, artıkları ve arta kalan grafikleri de inceleyebilirsiniz.
İlgili yordamlar. Varyans çözümlemesi yapmadan önce verileri incelemek için Explore yordamını kullanın. Tek bir bağımlı değişken için GLM Univariate kullanın. Her bir konu için aynı bağımlı değişkenleri birkaç kez ölçseniz, GLM Yineleyici Ölçüleri kullanın.
GLM Multisariate Tablolarını Edinme
Bu özellik için SPSS® Statistics Standard Edition ya da Advanced Statistics Option(Gelişmiş İstatistik Seçeneği) gerekir.
- Menülerden şunları seçin:
- En az iki bağımlı değişken seçin.
İsteğe bağlı olarak, Sabit Katsayı, Kovariate (ler) i ve WLS Ağırlığını belirleyebilirsiniz.
Bu yordam, GLM: Çok değişkenli komut sözdizimini yapıştırır.