对该试验研究进行统计分析。
数据：
解：这是一个完全随机设计资料。令 x 表示治疗前病人身体的癫疯病菌数量， y 表示治疗后病人身体的癫疯病菌数量， drug 表示用药方式，取值为A、D和F，分别 表示使用抗生素A、抗生素D和安慰剂。
首先建立SAS数据集
data eg6_1； do id=1 to 10；
其意义是使得方差分析和回归分析的实用 性和准确性得到进一步提高。
两个典型的广义线性模型分析方法
含有数值型自变量 的方差分析
协方差分析
广义线性回归分析
含有分类型自变量 的回归分析
第二节
协方差分析
协方差分析是将方差分析原理和线性回归 分析原理结合起来的一种方差分析方法。 它消除了混杂变量（协变量）对因变量的 影响，使得方差分析结果更加准确。
X x11 x12 ∶ x1,n1 x21 x22 ∶ x2,n2
区别(2)：模型
方差分析模型 协方差分析模型
μi 是组均值
(group mean) εi j 是随机误差
μi 是校正的组均值
(adjusted group mean) εi j 是随机误差 β是协变量x对因变量y的影响
区别(3)：假设条件
① Dependent Variable: Y
Sum of Mean Source DF Squares Square F Value Pr > F Model 3 871.49740304 290.49913435 18.10 0.0001 Error 26 417.20259696 16.04625373 Corrected Total 29 1288.70000000 R-Square C.V. Root MSE Y Mean 0.676261 50.70604 4.0057775 7.9000000 ② Source DF Type I SS Mean Square F Value Pr > F DRUG 2 293.60000000 146.80000000 9.15 0.0010 X 1 577.89740304 577.89740304 36.01 0.0001 ③ Source DF Type III SS Mean Square F Value Pr > F DRUG 2 68.55371060 34.27685530 2.14 0.1384 X 1 577.89740304 577.89740304 36.01 0.0001
方差分析存在的问题：结果不够准确 用方差分析结果来对下面问题作结论，合适吗？ 。男性和女性之间收缩压的差异 。试验药和对照药之间的作用差异 年龄 用药前水平 身高
。大学生和运动员之间肺活量的差异
方差分析不够准确的原因： SST = SSA + SSE 随机误差 Y的总体变异
被因子A 所 解释的部分 职业
(二) 假设条件满足后，再进行协方差分析：
【SAS 程序】 proc glm； class drug； model y=drug x； lsmeans drug / pdiff； run； 【SAS 输出结果】 General Linear Models Procedure Class Level Information Class Levels Values DRUG 3 AD F Number of observations in data set = 30
协方差分析的意义
• 可以消除多个混杂因素对处理效应的影响， 得到校正均值；
• 提高方差分析结果的准确性和真实性；
• 医学研究中应用广泛，解决了很多条件不易
控制的实验问题。
协方差分析和随机区组设计的区别：
• 随机区组设计资料的方差分析仅可以消除一 个混杂因素（分类型变量）对因变量的影响；
• 协方差分析可以消除多个混杂因素对因变量
【SAS 部分输出结果】 (1) 检验正态分布的结果：(H0: y 服从正态分布） A组：W= 0.928405， P=0.4166 D组：W= 0.871798， P= 0.1002 F组：W= 0.972136， P= 0.9023 -------说明三个组的y 值均近似服从正态分布。
(2) 检验方差齐性的结果:（H0: 方差相等）
adjusted means
6.72
Drug D
Drug F
6.10
13.10
6.82
10.16
【结果解释】
① 模型的总体检验结果： p=0.0001，R2=0.676，说明模型有统计意义， 即drug和x 对y 的联合作用是显著的。 ② TyepI SS 对参数的检验结果：
因为drug排在协变量x之前，根据第一类SS定义，检
残差 混杂因子
肺活量
年龄 身高
解决的办法
处理效应Y
效应因子 A,B,C,… 混杂因子 X1,X2,…
选取条件相同的样本 消除混杂 因子的影响
协方差分析
在方差分析模型中加入混杂因子
一、协方差分析的原理
分解总体变异：
SST = SSA + SSX + SSE
Y的总体变异 舒张压 因子A所解释 的部分
验drug 对y 的影响效应时，没有对x 进行校正。此结果 说明，不考虑治疗前的病情状况，这三种治疗方法是有 显著性区别的(p=0.0010)。
③ TyepIII SS 对参数的检验结果。根据第三类SS定义，检验
模型中每一个自变量时，都校正模型中的其它变量对y 的 影响。此结果说明，校正了治疗前的病情状况后，这三种 治疗方法是没有显著性区别的(p=0.1384)。 ④ 给出了三个处理组的校正均值，即，校正了治疗前的病情 状况后三个组的均值，以及每一对均值的差异比较。因为 上面结果已经说明三种治疗方法没有显著性差别，因此不 需要解释这一部分的结果。 因为数据满足协方差分析的 假设条件，因此，上述协方差分析结果是可靠的。
do drug='A'， 'D'， 'F'；
input x y @@； output； end； end； cards； 11 6 6 0 16 13 …… 3 0 15 9 12 20 run；
(一) 检验协方差分析的4个假设条件是否满足
(1) 检验正态性： proc sort data=eg6_1； by drug；run； proc univariate data=eg6_1 normal；var y；by drug；run； (2) 检验方差齐性：
四、协方差分析的应用举例
【例6_1】为了研究两种药物对癫疯病菌的治疗效
果，将30名病人随机分成3组，一组使用抗生素A， 一组使用抗生素D，另一组作为对照组使用安慰剂。
治疗前和治疗后分别对病人身体的癫疯病菌数量进
行了检测，病菌的数量是由每一个病人身体上六个
部位病菌感染的程度而定的，数据列在下表中。试
F组：F= 6.21，df=(1,8)，p=0.0374
--------说明三个组上 y 与 x 均近似呈线性关系。 (4) 检验平行性的结果：（H0: 斜率相等） F= 0.59，df=(2,24)，p=0.560， --------说明三条直线近似平行。 注意，以上检验过程应逐条进行，若发现有不满足假设条件 的，应当选取适当的变量变换，使之尽可能接近假设条件。
T for H0:
Parameter INTERCEPT DRUG A D F X Estimate -0.434671164 B -3.446138280 B -3.337166948 B 0.000000000 B 0.987183811 Parameter=0 -0.18 -1.83 -1.80 . 6.00
混杂因子X 所解释的部分
年龄
随机误差
性别
协变量
二、方差分析和协方差分析的区别
区别(1)：数据
方差分析 A Y 1 y11 1 y12 ∶ ∶ 1 y1.n1 2 y21 2 y22 ∶ ∶ 2 y2,n2 协方差分析 A Y 1 y11 1 y12 ∶ ∶ 1 y1,n1 2 y21 2 y22 ∶ ∶ 2 y2,n2
proc discrim data=eg6_1 pool=test；class drug；var y；run；
(3) 检验线性相关性： proc reg data=eg6_1； model y=x； by drug；run； (4) 检验平行性： proc glm data=eg6_1；model y=drug x drug*x ；run；
多元统计分析方法
The Methods of Multivariate Statistical Analysis
回忆
主要的统计分析方法
分类型 卡方分析 方差分析 数值型 回归分析
异同点？
反 应 变 量
比较率
比较均值 依存关系
方差分析
分析效应因子A对反应变量Y的影响，即，
分析效应因子A的不同水平对反应变量Y 的作用差异。 。男性和女性之间收缩压的差异 。试验药和对照药之间的作用差异 。大学生和运动员之间肺活量的差异
结合？
自变量---分类型 自变量---连续型
回归分析：
第五章
广义线性模型分析
General Linear Model
Analysis
主要内容
什么是广义线性模型分析？ 协方差分析 广义线性回归分析
第一节 广义线性模型分析的概念
广义线性模型分析是将方差分析和回归分 析的基本原理结合起来，用来分析连续型 因变量与任意型自变量之间各种关系的一 种统计分析方法。
Pr > |T|
Std Error of
Estimate
0.8617 0.0793 0.0835 . 0.0001
2.47135356 1.88678065 1.85386642 . 0.16449757