发布时间 : 星期一 文章SPSS17.0在生物统计学中的应用-实验五、方差分析 六、简单相关与回归分析更新完毕开始阅读
SPSS在生物统计学中的应用——实验指导手册
??比较主效应。对于主体间和主体内因子，为模型中的任何主效应提供估计边际均值未修正的成对比较。
只有在“显示以下项的均值”列表中选择了主效应的情况下，此项才可用。 ??置信区间调节。选择最小显著性差异(LSD)、Bonferroni 或对置信区间和显著性的Sidak 调整。此项只有在选择了比较主作用的情况下才可用。 输出：
? 描述统计：以生成所有单元中的所有因变量的观察到的均值、标准差和计数。
? 功效估计：给出了每个作用和每个参数估计值的偏eta 方值。eta 方统计量描述总变异性中可归因
于某个因子的部分。
? 检验效能：当基于观察到的值设置备用假设时，选择检验效能可获取检验的效能。
? 参数估计：选择参数估计可为每个检验生成参数估计值、标准误、t 检验、置信区间和检验效能。 ? 对比系数矩阵：选择对比系数矩阵可获取L 矩阵。
? 齐性检验：为跨主体间因子所有水平组合的每个因变量生成Levene 的方差齐性检验（仅对于主体间
因子）。
? 分布-水平图和残差图：选项对于检查关于数据的假设很有用。如果不存在任何因子，则禁用此项。 ? 残差图：选择残差图可为每个因变量生成观察-预测-标准化残差图。这些图对于调查方差相等的假设
很有用。 ? 失拟：选择失拟可检查因变量和自变量之间的关系是否能由模型充分地描述。常规可估计函数允许您基
于常规可估计函数构造定制的假设检验。任何对比系数矩阵中的行均是常规可估计函数的线性组合。
显著性水平。您可能想要调整用在两两比较检验中的显著性水平，以及用于构造置信区间的置信度。指定的值还用于计算检验的检验效能。如果指定了显著性水平，则相关联的置信区间度会显示在对话框中。
生物统计学的分析，主要是对每个影响因子的不同水平进行多重比较，及交互作用检验，在“选项”中选择“描述统计”、“ 齐性检验”即可满足需要，故此项通常保持默认设置，即不做相关对比。 ? 点击【继续】按钮，返回主对话框（“单变量”对话框），点击【确定】按钮后，结果输出窗口看分析结
果。
表5.6 方差分析表
Tests of Between-Subjects Effects Dependent Variable:增重 Type III Sum of Source Model 品种 饲料 Error Total Squares 30145.500 337.000 8.167 4.500 30150.000 adf 6 3 2 6 12 Mean Square 5024.250 112.333 4.083 .750 F 6699.000 149.778 5.444 Sig. .000 .000 .045 a. R Squared = 1.000 (Adjusted R Squared = 1.000) 表5.6可知，品种各水平间效应值的变异主要是处理效应造成的，可进行多重比较；饲料各水平间效应值的变
异主要是处理效应造成的，也可进行多重比较。
表5.7 品种各水平间多重比较表 增重 品种 N Subset 太原师范学院生物系生物技术专业内部使用参考资料
SPSS在生物统计学中的应用——实验指导手册
Student-Newman-Keuls a,,b1 4 3 1 2 Sig. 3 3 3 3 43.00 2 3 4 47.00 52.33 57.00 1.000 1.000 43.00 1.000 1.000 3 3 3 3 Duncan a,,b4 3 1 2 Sig. 47.00 1.000 52.33 1.000 57.00 1.000 1.000 b. Alpha = .05. 从表5.7可知，增重效果由大到小依次是2号、1号、3号、4号，各品种之间增重效果均达到了显著性差异。
表5.8 饲料各水平间多重比较表 增重 饲料 N 1 Subset 2 Student-Newman-Keuls1 a,,b 3 2 Duncana,,b Sig. 1 3 2 Sig. 4 4 4 4 4 4 48.75 50.00 .087 48.75 50.00 .087 50.00 50.75 .267 50.00 50.75 .267 b. Alpha = .05. 从表5.8可知，增重效果由大到小依次是2号、3号、1号，各饲料之间增重效果差异，2号和1号之间达到了显著性。
太原师范学院生物系生物技术专业内部使用参考资料
SPSS在生物统计学中的应用——实验指导手册 图 5.12 品种与饲料间交互作用图 从图5.8可知，品种与饲料间存在着一定的交互作用。
实验六：简单相关与回归分析
一、实验目标与要求
1．帮助学生深入了解线性及回归的基本概念，掌握线性相关与回归分析的基本思想和原理 2．掌握线性相关与回归分析的过程。
二、实验原理
1．相关分析的统计学原理
相关分析使用某个指标来表明现象之间相互依存关系的密切程度。用来测度简单线性相关关系的系数是Pearson简单相关系数。 2．回归分析的统计学原理
太原师范学院生物系生物技术专业内部使用参考资料
SPSS在生物统计学中的应用——实验指导手册
相关关系不等于因果关系，要明确因果关系必须借助于回归分析。回归分析是研究两个变量或多个变量之间因果关系的统计方法。其基本思想是，在相关分析的基础上，对具有相关关系的两个或多个变量之间数量变化的一般关系进行测定，确立一个合适的数据模型，以便从一个已知量推断另一个未知量。回归分析的主要任务就是根据样本数据估计参数，建立回归模型，对参数和模型进行检验和判断，并进行预测等。
三、实验演示内容与步骤
㈠ 两个变量间的简单相分析
【课本例 】现有10头动物体重与饲料消耗量的数据如下，试建立饲料消耗量对体重的回归方程，并对回归系数加以检验。 体重X 4.6 5.1 93.1 4.8 89.8 4.4 91.4 5.9 99.5 4.7 92.1 5.1 95.5 5.2 99.3 4.9 93.4 5.1 94.4 饲料消耗量Y 87.1
打开数据文件“线性相关与回归分析数据.xls”，依次选择“【分析】→【相关】→【双变量】”打开“双变量”对话框如图，将待分析的2个指标移入右边的变量列表框内。其他均可选择默认项。
图 6.1 “双变量”对话框
选择两个或更多数值型变量。还可以使用以下选项：
??相关系数。对于正态分布的定量变量，请选择Pearson 相关系数。如果您的数据不是正态分布的，或具有已排序的类别，请选择Kendall 的tau-b 或Spearman，后两者度量秩次之间的相关性。相关系数的值范围为–1（完全负相关）到+1（完全正相关）。0 值表示没有线性关系。在解释结果时请小心谨慎，不要因显著的相关性而得出任何因果结论。 ??显著性检验。您可以选择双尾概率或单尾概率。如果预先已知关联的方向，请选择单尾。否则，请选择双尾。 ??标记显著性相关。用一个星号来标识显著性水平为0.05 的相关系数，用两个星号来标识显著性水平为0.01 的相关系数。
单击【选项】按钮，弹出“双变量相关性：选项”对话框，选择“均值和标准差”，
太原师范学院生物系生物技术专业内部使用参考资料