SSCP 矩陣及多變量檢定
此表格顯示用於測試模型效應的假設與誤差平方和與交叉乘積 (SSCP) 矩陣。 因為有兩個應變數，所以每個矩陣都有兩個直欄和兩列。 例如，表格中與 CLOTSOLV 相關聯的 2x2 矩陣是用於測試 溶解藥物的顯著性的假設矩陣。 表格中與 PROC 相關聯的矩陣是用於測試 外科治療顯著性的假設矩陣，而與 PROC* CLOTSOLV 相關聯的矩陣則用於測試其互動效果。
誤差矩陣用於測試每個效應。 與具有一個應變數的模型檢定類似，會使用假設 SSCP 矩陣與誤差矩陣的「比例」來評估感興趣的效果。 更具體而言，會使用由適當假設 SSCP 矩陣的矩陣乘積及誤差 SSCP 矩陣反向所定義之檢定矩陣的特徵值，來計算多變量檢定表格中的統計量。
多變量檢定表格會顯示每一個模型效果的四個顯著性檢定。
- Pillai 's 追蹤是正值統計資料。 增加統計量值表示對模型有更多貢獻的效果。
- Wilks ' Lambda 是一個正值統計量，範圍從 0 到 1。 減少統計量值表示對模型有更多貢獻的效果。
- Hotelling 追蹤是檢定矩陣的特徵值總和。 它是一種正值統計量，其遞增值表示對模型有更多貢獻的效果。 Hotelling 的追蹤總是大於 Pillai 的追蹤，但當測試矩陣的特徵值很小時，這兩個統計量將幾乎相等。 這表示效應對模型的貢獻可能不大。
- Roy 的最大根是檢定矩陣的最大特徵值。 因此，它是一種正值統計量，其遞增值表示對模型有更多貢獻的效果。 羅伊的最大根總是小於或等於 Hotelling 的痕跡。 當這兩個統計量相等時，效果主要是與其中一個應變數相關聯，應變數之間有很強的相關性，或效果對模型的貢獻不大。
有證據顯示 Pillai 's 追蹤比其他模型假設違規的統計資料更健全1。
每一個多變量統計量都會轉換成具有近似或精確 F 分佈的檢定統計量。 顯示該 F 分佈的假設 (分子) 及誤差 (分母) 自由度。
主效果的顯著性值 CLOTSOLV 和 PROC小於 0.05，表示效果對模型有貢獻。 相反地，它們的互動效果對模型沒有貢獻。 不過，雖然 CLOTSOLV 確實會提供給模型，但因為 Pillai 追蹤的值接近 Hotelling 追蹤，所以它不會提供太多。 更直接的方法是看偏 Eta 平方。 偏 eta 平方統計量會根據效應所說明的變異與效應所說明的變異及留給誤差的變異之總和的「比例」，來報告每個項的「實際」顯著性。 更具體而言，偏 η 平方是假設 SSCP 矩陣與假設與誤差 SSCP 矩陣之和的逆乘積。 偏 η 平方值越大，表示模型效應所說明的變異數量越大，最大值為 1。 由於偏 eta 平方對於 CLOTSOLV而言非常小，因此它對模型的貢獻不大。 比較而言， PROC 的偏 eta 平方值相當大，這是預期的。 患者接受 MI 治療的手術對他們住院時間和最終費用的影響要比他們所接受的血栓型別要大得多。 在此情況下，多變量測試足以顯示 CLOTSOLV 是顯著的，這表示至少其中一種藥物的效果與其他藥物不同。 對比結果將顯示差異的位置。