|
1.
|
|
2.
|
选择分析 > 拟合模型。
|
|
3.
|
|
4.
|
|
5.
|
点击运行。
|
报表中的“回归图”显示您拟合了一个斜率相等的模型（药物数据的协方差分析）。与主效应模型（仅含药物效应）相比，R 方从 22.8% 增长至 67.6%。均方根误差从 6.07 降至 4.0。如药物数据的协方差分析所示，整体模型的 F 检验显著性概率从 0.03 降至不足 0.0001。
药物数据表包含重复的观测。例如，第 1 行和第 11 行都包含药物 = a 且 x = 11。在模型拟合中，重复的观测可用于构造变异的纯误差估计值。可以为未指定函数形式的协变量或名义型效应的交互作用构造另一种误差估计值。这些估计值构成失拟检验的基础。若失拟误差显著，这指示模型未能解释数据中的某个效应。
协方差模型中的最小二乘均值不同于普通均值。这是因为这些均值已针对协变量 x 的效应在响应 y 上进行了调整。最小二乘均值是当协变量 x 具有某个中性值时，为药物三个水平中的每个水平预测的值。中性值被选作协变量的均值，即 10.7333。
-2.696 - 1.185*药物[a] - 1.0761*药物[d] + 0.98718*x
-2.696 - 1.185*(1) -1.0761*(0) + 0.98718*(10.7333) = 6.71
-2.696 - 1.185*(0) -1.0761*(1) + 0.98718*(10.7333) = 6.82
-2.696 - 1.185*(-1) -1.0761*(-1) + 0.98718*(10.7333) = 10.16
比较药物检验数据的杠杆图显示每个效应的杠杆图。由于协变量显著，药物的杠杆率值距离其最小二乘均值有些分散。
