變異成份分析
您可以利用混合效應模型的「變異成分」程序，來估計每個隨機效應對應變數之變異數的貢獻。 這個程序特別適用於分割圖、單變數重複測量，和隨機區塊設計之類的混合模型分析。 所以，您可以透過計算「變異成份」，來決定焦點該放在哪裡，才能降低變異數。
有四種不同的方法可用來預估變異元件：最小標準二次不偏預估值 (MINQUE)、變異數分析 (ANOVA)、最大概似值 (ML) 及受限最大概似值 (REML)。 方法不同，規格也就不一樣。
上面這四種方法的預設輸入，都包括變異數成分估計值。 如果您使用 ML 估計法或 REML 估計法，也會顯示漸近共變數矩陣表。 其他可用的輸出包括：針對 ANOVA 方法的 ANOVA 表格和預期平均平方和，以及針對 ML 和 REML 方法的疊代歷程。 此外，「變異成份」程序與「GLM 單變數」程序可完全相容。
「WLS 加權」可讓您指定用來在加權分析時為觀察值提供不同加權的變數，這樣或許能夠補償測量值的不同精確度。
範例。 在農業學校中，以來自不同豬圈的六胎小豬為例，研究它們在一個月內體重增加的情形。 胎變數是有六個等級的隨機因素。 （所研究的六胎是抽取自較大豬胎母體的隨機樣本）。 研究人員發現，體重增加的變異數，應歸因於不同胎別的差異，而非同一胎內、小豬彼此之間的差異。
變異成份資料考量
資料。 應變數是數值變數。 因素是類別的。 它們可以是數值或最多八個位元組的字串值。 因素中至少有一個必須是隨機的。 也就是說，因素等級必須是可能等級的隨機樣本。 而共變數是與應變數相關的定量變數。
假設。 所有的方法都會假設：隨機效應的模型參數都有一個零的平均數，以及有限常數的變異數，而且彼此互不相關。 此外，不同隨機效應的模型參數也是不相關的。
殘差項也有零平均數以及有限的常數變異。 它和任何隨機效果的模型參數無關。 此外，不同觀察值的殘差項也被假設為不相關。
然後我們再根據上面的情形假設：那些來自同一等級的隨機因素的觀察值彼此之間有關連。 這個事實讓「變異成份」模式變得跟廣義線性模型不一樣。
ANOVA 和 MINQUE 不需要常態假設。 它們都是常態假設中穩健到中等的偏差。
反之，ML 和 REML 就會要求模型參數和殘差項必須是常態分佈。
相關程序。 在進行變異成份分析之前，請先使用「探索」程序來檢查資料。 關於假設檢定，請使用「GLM 單變數」、「GLM 多變量」和「GLM 重複測量」程序。
若要取得變異成份表
此功能需要 自訂表格及進階統計量。
- 從功能表中選擇：
- 選取應變數。
- 為「固定因素」、「隨機因素」和「共變數」，選取適合您資料的變數。 若要指定加權變數，請使用「加權最小平方法之權數」。
此程序會貼上 VARCOMP 指令語法。