两因素重复测量方差分析,史上最详细SPSS教程! |
您所在的位置:网站首页 › 交互作用怎么分析怎么看 › 两因素重复测量方差分析,史上最详细SPSS教程! |
原文地址 http://www.sohu.com/a/202657022_489312
2017-11-06 18:34
一、问题与数据 研究者想知道短期(2周)高强度锻炼是否会减少C反应蛋白(C-Reactive Protein, CRP)的浓度。 研究者招募了12名研究对象,并让研究对象参与两组试验:对照试验和干预试验。在对照试验中,研究对象照常进行日常活动;在干预试验中,研究对象每天进行45分钟的高强度锻炼,每组试验持续2周,两组试验中间间隔足够的时间。 CRP的浓度在每组试验中共测量了3次:试验开始时的CRP浓度、试验中的CRP浓度(1周)和试验结束时的CRP浓度(2周)。这三个时间点代表了受试者内因素“时间”的三个水平,因变量是CRP的浓度,单位是mg/L。 con_1、con_2和con_3分别代表对照试验开始时、对照试验中和对照试验结束时研究对象的CRP浓度,int_1、int_2和int_3分别代表干预试验开始时、干预试验中和结束时研究对象的CRP浓度。部分数据如下: 二、对问题的分析 使用两因素重复测量方差分析(Two-way Repeated Measures Anova)进行分析时,需要考虑5个假设。 对研究设计的假设: 假设1:因变量唯一,且为连续变量; 假设2:有两个受试者内因素(Within-Subject Factor),每个受试者内因素有2个或以上的水平。 注:在重复测量的方差分析模型中,对同一个体相同变量的不同次观测结果被视为一组,用于区分重复测量次数的变量被称为受试者内因素,受试者内因素实际上是自变量。 对数据的假设: 假设3:受试者内因素的各个水平,因变量没有极端异常值; 假设4:受试者内因素的各个水平,因变量需服从近似正态分布; 假设5:对于受试者内因素的各个水平组合而言,因变量的方差协方差矩阵相等,也称为球形假设。 三、思维导图 四、SPSS操作-两因素重复测量方差分析的操作 1. 在主菜单下点击Analyze > General Linear Model > Repeated measures...,如下图所示: 2. 出现Repeated Measures Define Factor(s)对话框,如下图所示: 3. 在Within-Subject Factor Name:中将“factor1”更改为treatment,因为研究对象共进行了2组试验,在Number of Levels:中填入2; 4. 点击Add,出现下图: 5. 在Within-Subject Factor Name:中填入time,因为研究对象的CRP水平在每组试验中共测量了3次,在Number of Levels:中填入3,点击Add; 6. 点击Define,出现下图Repeated Measures对话框; 7. 如下图所示,Within-Subjects Variables后面的括号内是受试者内因素的名字,将左侧六个变量均选入右侧框中,如下图所示: 8. 点击Plots,出现Repeated Measures: Profile Plots 对话框,如下图所示: 9. 将time选入Horizontal Axis:框中,将treatment选入Separate Lines:框中; 10. 点击Add,出现下图,点击Continue; 11. 点击Save,出现Repeated Measures: Save对话框; 12. 在Residuals下方选择Studentized,如下图所示,点击Continue; 13. 点击Options,出现Repeated Measures: Options对话框; 14. 将treatment、time和treatment*time选入Display Means for:中,下方Compare main effects为勾选状态,在Confidence interval adjustment:下选择Bonferroni,在Display下方勾选Deive statistics 和Estimates of effect size,点击Continue,点击OK。 五、对假设的判断 那么,用Two-way Repeated Measures Anova分析时,如何考虑和处理这5个假设呢? 由于假设1-2都是对研究设计的假设,需要研究者根据研究设计进行判断。本例中因变量为CRP浓度,是连续变量,符合假设1:因变量唯一,且为连续变量。 共有2个受试者内因素:干预因素(两个水平:1个水平为“干预”,另一个水平为“对照”)和时间因素(3个水平:试验开始时、试验中和试验结束时),符合假设2:有两个受试者内因素(Within-Subject Factor),每个受试者内因素有2个或以上的水平。 2个受试者内因素干预因素(两个水平:1个水平为“干预”,另一个水平为“对照”)和时间因素(3个水平:试验开始时、试验中和试验结束时),共形成了6个“处理”组。 下面我们主要对数据的假设3-5进行判断。 (一) 假设3:受试者内因素的各个水平,因变量没有极端异常值; 1. 通过学生化残差判断异常值 在上述操作中我们选择了保存Studentized residuals,就是学生化残差,一般认为观测的学生化残差超过±3(标准差)时为异常值。进行上述操作后,我们在数据主页面可以看到产生了6个新变量。 注:残差是指实际观察值与估计值(拟合值)之间的差,学生化残差是残差中一种。 点击数据下方的Label,可以看到新产生的6个变量对应的意义,如下图所示,分别是int_1、int_2、int_3、con_1、con_2和con_3的学生化残差。 要判断观测是否为离群值,可以查看学生化残差是否超过±3的范围。在数据页面对新生变量进行排序,右击SRE_1,选择Sort Ascending,将SRE_1按照从大到小的顺序排列。 如下图所示,SRE_1最小值为-2.05,最大值为1.17,没有超过±3的范围。 用同样的方法可以对其他5个新生变量进行检验。如果没有发现异常值,可以这样报告:通过用学生化残差是否超过±3的方法没有发现异常值;如果发现异常值,可以这样报告:通过用学生化残差是否超过±3的方法,发现一个异常值,该观测的学生化残差为3.83。 2. 异常值的处理 (1) 导致数据中存在异常值的原因有3种: 1) 数据录入错误:首先应该考虑异常值是否由于数据录入错误所致。如果是,用正确值进行替换并重新进行检验; 2) 测量误差:如果不是由于数据录入错误,接下来考虑是否因为测量误差导致(如仪器故障或超过量程),测量误差往往不能修正,需要把测量错误的数据删除; 3) 真实存在的异常值:如果以上两种原因都不是,那最有可能是一种真实的异常数据。这种异常值不好处理,但也没有理由将其当作无效值看待。目前它的处理方法比较有争议,尚没有一种特别推荐的方法。 需要注意的是,如果存在多个异常值,应先把最极端的异常值去掉后,重新检查异常值情况。这是因为有时最极端异常值去掉后,其他异常值可能会回归正常。 (2) 异常值的处理方法分为2种: 1) 保留异常值: ① 因变量转换成其他形式; ② 将异常值纳入分析,并坚信其对结果不会产生实质影响。 2) 剔除异常值: 直接删除异常值很简单,但却是没有办法的办法。当我们需要删掉异常值时,应报告异常值大小及其对结果的影响,最好分别报告删除异常值前后的结果。而且,应该考虑有异常值的个体是否符合研究的纳入标准。如果其不属于合格的研究对象,应将其剔除,否则会影响结果的推论。 (二) 检验假设4:受试者内因素的各个水平,因变量需服从近似正态分布 尽管有一系列方法可以检验正态性,我们这里通过Shapiro-Wilk's检验学生化残差的正态性。 1. 在主菜单点击Analyze > Deive Statistics > Explore...,如下图: 2. 出现Explore对话框,将新产生的6个学生化残差选入Dependent List,点击Plots; 3. 出现下图Plots对话框; 4. 在Boxplots下选择None,去掉Deive下Stem-和-leaf,选择Normality plots with tests,点击Continue,点击OK。 5. 对于样本量较小(0.05,则表示交互项无统计学意义(本例中,P值显示为0.000,不代表P值实际为0,而是表示P0.05)。 数据以均数±标准差的形式表示。treatment和time的交互作用对CRP浓度的影响无统计学意义,F(2, 22)=1.026,P=0.258。因此,需要解读两个受试者内因素 (treatment和time)的主效应。如果>2水平的受试者内因素的主效应存在,需要后续进行两两比较。 treatment对CRP浓度的主效应具有统计学意义,F(1, 11)=16.745,P=0.002。干预试验中研究对象的CRP浓度比对照试验的CRP浓度低0.127(95%置信区间:-0.196 ~ -0.059)mg/L,差异具有统计学意义,P=0.002。 时间因素对CRP浓度的影响具有统计学意义,F(1.322, 14.537) =25.558,P |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |