GLM Çok Değişkenli Analizi
GLM Multivariate yordamı, bir veya daha fazla faktör değişkeni veya kovaryasyona göre birden çok bağımlı değişken için regresyon analizi ve varyans analizi sağlar. Faktör değişkenleri, popülasyonu gruplara ayırır. Bu genel doğrusal model yordamını kullanarak, faktör değişkenlerinin bağımlı değişkenlerin ortak dağılımının çeşitli gruplamaları üzerindeki etkileri hakkında boş değer hipotezlerini test edebilirsiniz. Faktörler arasındaki etkileşimleri ve tek tek faktörlerin etkilerini araştırabilirsiniz. Buna ek olarak, katsayılarla kovaryasyon ve kovaryasyon etkileşimlerinin etkileri de dahil edilebilir. Regresyon analizi için, bağımsız (öngösterge) değişkenler kovaryasyonlar olarak belirtilir.
Hem dengeli hem de dengesiz modeller test edilebilir. Modeldeki her hücre aynı sayıda vaka içeriyorsa, tasarım dengelenir. Çok değişkenli bir modelde, karelerin modeldeki etkileri ve karelerin hata toplamları nedeniyle karelerin toplamları, tek değişkenli analizde bulunan sayıl form yerine matris biçimindedir. Bu matrislere SSCP (kareler ve ürünler arası toplamlar) matrisleri denir. Birden fazla bağımlı değişken belirtilirse, Pillai 'nin izi, Wilks ' lambda, HoÖlçme İzi ve Roy 'un yaklaşık F istatistiği ile en büyük kök ölçütü kullanılarak çok değişkenli varyans analizi ve her bağımlı değişken için tek değişkenli varyans analizi sağlanır. Hipotezlerin test edilmesine ek olarak, GLM Multivariate parametrelerin tahminlerini üretir.
Hipotez sınaması gerçekleştirmek için yaygın olarak kullanılan a priori karşıtlıklar vardır. Ayrıca, genel bir F testi önem gösterdikten sonra, belirli araçlar arasındaki farkları değerlendirmek için post hoc testlerini kullanabilirsiniz. Tahmini marjinal, modeldeki hücreler için tahmin edilen ortalama değerlerin tahminlerini verir ve bu araçların profil çizimleri (etkileşim çizimleri), ilişkilerden bazılarını kolayca görselleştirmenize olanak sağlar. Post hoc birden çok karşılaştırma sınaması her bağımlı değişken için ayrı ayrı gerçekleştirilir.
Artıklar, öngörülen değerler, Cook 'un uzaklığı ve kaldıraç değerleri, varsayımları kontrol etmek için veri dosyanıza yeni değişkenler olarak kaydedilebilir. Ayrıca, artık SSCP matrisi, karelerin ve artıkların çapraz ürünlerinin toplamlarının kare matrisi, artık kovaryans matrisi, artık SSCP matrisi, artıkların serbestlik derecesine bölünmüş SSCP matrisi ve artık kovaryans matrisinin standartlaştırılmış formu olan artık korelasyon matrisi de mevcuttur.
WLS Ağırlığı, bir ağırlıklı en küçük kareler (WLS) analizi için gözlemlere farklı ağırlıklar vermek için kullanılan bir değişken belirtmenize olanak sağlar; belki de farklı ölçüm hassasiyetini dengelemek için.
Örnek. Plastik bir üretici plastik filmin üç özelliğini ölçer: yırtık direnci, parıltı ve opaklık. İki ekstrüzyon hızı ve iki farklı miktarda ekstrüzyon denenir ve bu üç özellik her bir ekstrüzyon hızı ve ekstrüzyon miktarı kombinasyonu altında ölçülür. Üretici, ekstrüzyon oranının ve toplamsal miktarının önemli sonuçlar ürettiği, ancak iki faktörün etkileşiminin önemli olmadığı sonucuna varır.
Yöntemler. Tip I, Tip II, Tip III ve Tip IV karelerin toplamları farklı hipotezleri değerlendirmek için kullanılabilir. Tip III varsayılan değerdir.
İstatistikler. Post hoc aralık testleri ve çoklu karşılaştırmalar: en az fark, Bonferroni, Sidak, Scheffé, Ryan-Einot-Gabriel-Welsch çoklu F, Ryan-Einot-Gabriel-Welsch çoklu aralık, Student-Newman-Keuls, Tukey 'in dürüstçe önemli farkı, Tukey 'nin b, Duncan, Hochberg 'in GT2, Gabriel, Waller Duncan t testi, Dunhane 'nin (tek taraflı ve iki taraflı), Tamhane 'nin T2, Dunnett 'in T3, ve Dunnett 'in C' si. Tanımlayıcı istatistikler: Gözlenen araçlar, standart sapmalar ve tüm hücrelerdeki bağımlı değişkenlerin tümü için sayılar; varyansın homojenliği için Levene testi; Box 'ın M bağımlı değişkenlerin kovaryans matrislerinin homojenliği testi; ve Bartlett 'in küresellik testi.
Ppartiler. Yayılmaya karşı seviye, artık ve profil (etkileşim).
GLM Çok Değişkenli Veriyle İlgili Önemli Noktalar
Veri. Bağımlı değişkenler nicel olmalıdır. Katsayılar kategoriktir ve sayısal değerler ya da dizgi değerleri olabilir. Kovaryasyonlar, bağımlı değişkenle ilgili nicel değişkenlerdir.
Varsayımlar. Bağımlı değişkenler için veriler, çok değişkenli normal bir popülasyondan gelen vektörlerin rastgele bir örneğidir; popülasyonda, tüm hücreler için varyans-kovaryans matrisleri aynıdır. Varyans analizi, verilerin simetrik olması gerekmesine rağmen normallikten ayrılmaya kadar sağlamdır. Varsayımları denetlemek için, varyans testlerinin (Box 'ın Mdahil) homojenliğini ve dağıtma ve düzey çizimleri kullanabilirsiniz. Ayrıca kalıntıları ve arta kalan çizimleri de inceleyebilirsiniz.
İlgili yordamlar. Sapma analizi yapmadan önce verileri incelemek için Keşfet yordamını kullanın. Tek bir bağımlı değişken için GLM Univariate kullanın. Her bir konu için aynı bağımlı değişkenleri birkaç kez ölçtseniz, GLM Yinelenen Ölçüleri kullanın.
GLM Çok Değişkenli Tabloların Alınması
Bu özellik için Özel Çizelgeler ve Gelişmiş İstatistiklergerekir.
- Menülerden şunları seçin:
- En az iki bağımlı değişken seçin.
İsteğe bağlı olarak, Sabit Katsayı (lar), Eşdeğişken (ler) ve WLS Ağırlığı belirtebilirsiniz.
Bu yordam, GLM: Multivariate komutunun sözdizimini yapıştırır.