多因素方差分析
方差分析
- 比较总体均值的差异性
- 比较多总体多重比较下两两个体间的差异 通过lsmeans
- 也还可以作为预测模型
只有主效应: Xij = u + ai + Bj +eij
有交互效应:Xij = u + ai + Bj + (aB)ij + eij
无交互效应:随着药物剂量水平的增加,不论疾病a或b,其血压都随之升高
有交互效应:随着药物剂量水平增加,疾病a血压升高;疾病b血压降低
无交互效应的一个例子:
proc glm data = ol.b_roads1; class paint road; model bright = paint road; 选定两个变量 但认为他们相互独立 lsmeans paint / pdiff =all adjust =tukey; 用tukey来进行比较 title 'paint data: 多重比较包括道路'; run;
第2和第4差异性不大
总的结论在paint和road两个因素影响下,总体均值有差异
有交互效应 gplot过程
proc gplot data = ol.b_drug; symbol c =blue w=2 interpol = stdlmtj line=1; symbol2 c=green w=2 interpol = stdlmtj line=2; symbol3 c=red w=2 interpol = stdlmtj line=3; 可要可不要 标记颜色 plot bloodp*drug = disease; *左边bloodp即为y *的右边x1 x2 title" 证明疾病和药物之间的关系"; run;
可以看出药物1,2,3,4,在疾病a,b,c上都有交互关系 特别是b和a交互效应明显
先用gplot图测一下 线条有交叉可以肯定有交互效应
proc glm data = ol.b_drug; class disease drug; model bloodp = disease drug disease*drug;三个变量 可以用@2代替disease*drug 要确定不同变量间都有相关关系 才可以用@这种语法
title "有交互效应"; run;
从p值可以看出交互效应有影响
lsmeans不加可以鉴别总体均值水平的差异 也可以鉴别样本中均值水平的差异