125：第四章：一般線性方程分析之第二節非平衡方差分析（2）

2020-09-14 何小勇創新精益西格瑪

創新型卓越工程師暨創新型精益六西格瑪黑帶》系列課程之

125：第四章：一般線性方程分析之第二節非平衡方差分析（2）

時長：1:29:42

主講：何小勇博士--20+創新型精益六西格瑪培訓和諮詢經驗與實戰型中高級人才訓練專家

創新型卓越工程師分享地址：高級經理黃埔學習

https://m.qlchat.com/wechat/page/live/840000150167496

千聊入口1創新型卓越精益六西格瑪黑帶學習：

https://m.qlchat.com/topic/details?topicId=2000011523594342

千聊入口2千聊入口2精益六西格瑪黑帶學習：

https://m.qlchat.com/topic/details?topicId=2000011523495685

千聊入口3千聊入口3方差分析ANOVA學習：

https://m.qlchat.com/topic/details?topicId=2000011523496463

網易雲課堂https://study.163.com/provider/480000001945449/index.htm?share=2&shareId=480000001945449

本視頻內容：

第四章：一般線性方程分析（GLM)）

第二節：非平衡數據方差分析

三、非平衡方差分析

1、什麼是非平衡設計

非平衡方差分析非常複雜，儘可能平衡數據！

2、一個缺失隨機化區組設計分析過程

1）估計缺失值M

2）用缺失值估值M替代，變為平衡數據，計算SST

3) 計算校準偏差Bias

4）計算校準後的處理平方和SSTtrc

5）處理校正後均方MSTtrc

6)進行F準確檢驗

案例11、參加創新型卓越工程師學習對未來一年薪水提升指數研究

為了研究參加創新型卓越工程學習對工程師未來一年薪水翻倍的促進作用，本人隨機選取參加了《創新型卓越工程師》學習和沒有參加《創新型卓越工程師》學習的各6名學員.這6名學員按學習前學歷、專業、工齡、基礎和當前工作崗位等情況近似配對，如都是本科畢業、工作2年內、目前從事質量工程工作，二線經濟地區，當前月薪6-7K,行業都是競爭激烈的汽車製造行業，算是一個基礎因子水平。

按這些基本情況，配對了6個水平，我把他定義為薪水基礎因子水平。

定義配對學員各自的薪水起點指數都為100

一個參與學習的學員，10個月後自己創業，其1年後薪水數據缺失，變成非平衡試驗。

按非平衡方差分析計算：

1、缺失數據估計值M=169.2

2、計算總平方和SST=4629.92

3、計算校準值Bias=165.375

4、計算處理平方和和調後的平方和=498.35

5、計算區組平方和=3508.92

6、計算誤差平方和=97.28

7、薪水指數方差分析表結果是薪水基礎和是否學習都是顯著因子

8、配對T檢驗，參加學習比不參加學習薪水指數99%把握判斷高出23.93--44.47

9、各個處理差異如何？Fisher LSD檢驗

10、區組調整後的處理平方和

1）全模型方差分析

2）分析區組方差分析

11、處理效應調整後的區組平方和

1）全模型方差分析

2）分析處理方差分析

12、非平衡設計總的平方和關係

相關焦點

  • 118：方差分析--第二章：單因子方差分析（2）
    創新型卓越工程師暨創新型精益六西格瑪黑帶》系列課程之118：方差分析--第二章：單因子方差分析（2）時長：1:10:28主講：何小勇博士--20+創新型精益六西格瑪培訓和諮詢經驗與實戰型中高級人才訓練專家
  • 乾貨|方差分析(ANOVA)系列之單因子方差分析
    方差分析的類別      主要有單因子方差分析（Minitab軟體路徑：統計>方差分析>單因子方差）、平衡方差分析（Minitab軟體路徑：統計>方差分析>平衡方差分析）及一般線性模型（Minitab軟體路徑：統計>方差分析>一般線性模型）等類別。
  • 線性回歸分析詳解10(完結篇):線性回歸分析預測的十大步驟
    許栩原創專欄《從入門到高手：線性回歸分析詳解》第10章，這是本專欄的最後一章，是專欄的完結篇：用線性回歸分析做預測，多元線性回歸分析預測的十大步驟。確定納入回歸方程的自變量，我們接下來需要判定回歸方程存不存在多重共線性，如果存在多重共線性話，我們需要進行消除多重共線性的操作。（關於多重共線性，詳見本專欄第6章。）我們用方差膨脹因子（VIF）來判定回歸方程存不存在多重共線性。
  • CFA L2 知識點:數量分析-線性回歸和假設(Day 2)
    今天的學習內容是數量分析裡面的線性回歸分析部分，內容包括線性回歸方程、線性回歸方程的求解、假設。本著學以致用的精神，在excel中做了線性回歸分析的模型。2.線性回歸方程模型我將其中的內容分為三部分：（1）變量/觀測值（oberservations），Xi,Yi，這是要分析的數據對象。
  • 考研數學:線性微分方程解的線性組合分析
    微分方程是考研數學的一個必考點，並且還常常出兩道題，佔十幾分，因此大家一定重視這一章，掌握好其基本知識和解題方法。微分方程中最重要的是線性微分方程，主要包括一階和二階線性微分方程，而線性微分方程又可分為線性齊次和非齊次線性微分方程，它們的解的線性組合是否仍為其方程的解?
  • 多元線性回歸分析:納入多元回歸自變量的確定及求解多元回歸方程
    許栩原創專欄《從入門到高手：線性回歸分析詳解》第五章，多元線性回歸分析：如何求解多元線性回歸方程。（專欄總目錄見下圖）1、多元回歸方程。2、納入多元回歸方程自變量的確定。3、求解多元回歸方程。多元回歸方程。
  • spss線性回歸 回歸方程 - CSDN
    多元線性回歸，主要是研究一個因變量與多個自變量之間的相關關係，跟一元回歸原理差不多，區別在於影響因素（自變量）更多些而已，例如：一元線性回歸方程 為：    毫無疑問，多元線性回歸方程應該為：上圖中的 x1,  x2, xp分別代表「自變量」Xp截止，代表有P個自變量，如果有「N組樣本，那麼這個多元線性回歸
  • 線性回歸分析淺談
    在數學分析中，最簡單的數學函數關係莫過於線性方程，用於求解這個函數關係式的方法大多採用最小平方差（least square，LS，有的也稱最小二乘法）方法。這種方法常用於校準（calibration），常見的例子如製備一系列已知不同濃度的標準品溶液並測試其響應值(如吸光度)，然後用線性回歸分析求得校準曲線方程（等一等，有童鞋可能會說，分析化學書上早就講了分子吸收光度與濃度成線性關係，還有必要再囉嗦嘛。很抱歉，理想很豐滿，但現實很骨感，真實情況有時會偏離理想很遠）。
  • 「申碩」《心理學研究方法》第四章:研究結果的整理和分析
    特點：（1）建立在描述基礎上的邏輯分析或推斷（2）側重揭示心理現象背後的「意義」（3）傾向於運用歸納分析的方法（4）不僅注意對結果和產品的分析，更重視對過程和相互關係的分析。（2）t檢驗：常用於總體正態分布、總體方差的平均數的顯著性檢驗，平均數差異的顯著性檢驗，相關關係數由一組被試去的相關係數差異性檢驗，正態分布的顯著性檢驗等情況。（3）χ2檢驗：常用於計算數據的檢驗、樣本方差與總體方差的差異檢驗等情況。
  • 【高中數學必修2研讀】之「第四章:圓與方程」
    很自然的類比引出本章，同時也是體現「數形結合」法——坐標法的重要作用；2）首先回顧上一章內容；3）介紹了本章安排；4）再次強調代數方法研究幾何問題的重要方法。4.1.2圓的一般方程1）開門見山設置「思考（兩具體二元二次方程表示什麼圖形）」導入課題；2）引導學生運用配方法將方程配成圓的標準形式進行判斷；3）設置「探究」引導學生思考一般二元二次方程表示什麼圖形3.1）配方成圓的標準形式；3.2）分情況討論，得到滿足圓方程的條件，此時的方程成為圓的一般方程；4）設置
  • R數據分析:一般線性回歸的做法和解釋
    首先讀入數據集（請私信「數據連結」獲取）並且規定數據屬性：dataset = read.csv("data-marketing-budget-12mo.csv", header=T,colClasses = c("numeric", "numeric", "numeric"))簡單線性回歸和多元線性回歸在我們的例子中，因變量是sales
  • 線性回歸分析思路總結!簡單易懂又全面!
    回歸模型方程中使用的是非標準化係數。標準化係數（Beta）：標準化回歸係數。可用於比較自變量對Y的影響程度。分析時主要關注後面的P值即可。D-W值：D-W檢驗值，Durbin-Watson檢驗，是自相關性的一項檢驗方法。如果D-W值在2附近（1.7~2.3之間），則說明沒有自相關性，模型構建良好。
  • CFA level2 量化分析 簡單線性回歸介紹 R4
    線性回歸介紹因變量和自變量先回憶下這個方程：y = ax+b，它是一個一元一次線性方程，初中內容。•自變量（independent variable）：就是x，我們說它是幾，它就是幾，我們用它去推算y，就是帶到方程求y呀。•因變量（dependent variable）：就是y，它是多少取決於方程，方程中a和b是常數，所以它是隨著x變化的。
  • 範例分析:一元(簡單線性)相關與回歸分析
    （簡單線性）相關分析與回歸分析；回歸參數的區間估計；一元（簡單線性）回歸方程的假設檢驗；今篇用例題將上面的內容串聯起來，講述簡單線性（一元）相關與回歸分析的完整過程。因為要分析的是產量對單位成本的影響，所以，將產量作為自變量，單位成本作為因變量（回顧：一元（簡單線性）相關分析與回歸分析）。
  • SPSS統計:單因素方差分析與單變量方差分析
    >Anova分析，單變量方差分析一般稱為一般線性模型單變量分析。【基本概念】方差分析（analysisof variance，Anova）是對總體均值的比較，其目的是檢驗平均值之間的差異是否具有統計學意義。單因素方差分析（One-wayAnova），是檢驗由單一因素影響的多組樣本某因變量的均值是否有顯著差異。
  • 6.數據分析(1) --描述性統計量和線性回歸(2)
    2、簡單線性回歸線性回歸對一個因變量（即響應變量）y 與一個或多個自變量（即預測變量）x1,...,xn之間的關係進行建模。簡單線性回歸使用以下關係方程：其中，β0是 y 軸截距，β1是斜率（即回歸係數），ϵ 是誤差項。
  • 線性回歸分析詳解7:多元回歸方程的精度,R平方與調整後的R平方
    許栩原創專欄《從入門到高手：線性回歸分析詳解》第七章，回歸方程的精度，R平方與調整後的R平方。多元線性回歸分析，我們在求出多元線性回歸方程後，這個方程到底怎麼樣，能不能起到效果，需要對求出的回歸方程進行一系列評價和評估。這些評價和評估，首先要做的，是確認回歸方程的精度。本章，我將分如下三個小節講述回歸方程的精度，歡迎閱讀與探討。我的《線性回歸分析》專欄總目錄見下圖。
  • 一元(多元)線性回歸分析之R語言實現
    上篇介紹了《一元（多元）線性回歸分析之Excel實現》，本篇來探討一下回歸分析在R語言中的實現，我們將從更專業的角度對模型進行一些解讀。
  • 線性回歸時,你還不會做殘差分析?來看基本教程!
    線性（Linear）、正態性（Normal）、獨立性（independence）、方差齊性（Equal Variance），俗稱LINE，是線性回歸分析的四大前提條件。LINE條件往往採用殘差分析的方法來診斷。若你要掌握線性回歸，殘差分析必須得學會的基本技巧。
  • SPSS基本常用分析方法總結
    例2.5：某個年級有三個班，現在對他們的一次數學考試成績進行隨機抽（見下表），試在顯著性水平0.005下檢驗各班級的平均分數有無顯著差異（數據文件：數學考試成績.sav）。（1）建立數學成績數據文件。（2）選擇「分析」 →「比較均值」 →「單因素方差」，打開單因素方差分析窗口，將「數學成績」移入因變量列表框，將「班級」移入因子列表框。