一般多元方差分析 的数据注意事项

为了确保结果有效，请在收集数据、执行分析和解释结果时考虑以下准则。

数据应至少包括一个类别因子

类别因子必须是可以交叉和嵌套的固定因子。

• 如果您有随机的类别因子，请使用拟合混合效应模型。
• 如果您只有一个连续预测变量，请使用 拟合回归模型。

有关因子的更多信息，请转到因子和因子水平、什么是因子、交叉因子和嵌套因子？和什么是固定因子和随机因子之间的差值？。

响应变量应当是连续变量

如果响应变量相关，则多元方差分析检验可以检测多变量响应模式，并且通过独立的方差分析检验还可能检测到更小的差值。如果响应变量是类别变量，则您的模型不太可能满足分析假定、准确描述数据或者进行有用的预测。

• 如果您有一个响应或多个不相关的响应变量，则可以使用拟合一般线性模型获得相似的结果。
• 如果您的响应变量有两个类别（如通过和失败），请使用拟合二元 Logistic 模型。
• 如果您的响应变量包含三个或更多采用一定自然顺序的类别（如非常不同意、不同意、中立、同意和非常同意），请使用顺序 Logistic 回归。
• 如果您的响应变量包含三个或更多不采用自然顺序的类别（如擦痕、凹陷和撕裂），请使用名义 Logistic 回归。
• 如果您的响应变量对发生次数（如缺陷数量）进行计数，请使用拟合 Poisson 模型。

每个观测值都应当独立于所有其他观测值

如果您的观测值是相关的，则结果可能无效。请考虑以下几点来确定观测值是否为独立值：

• 如果一个观测值不提供有关另一个观测值的信息，则说明这两个观测值是独立的。
• 如果一个观测值提供有关另一个观测值的信息，则说明这两个观测值是相关的。

样本数据应当是随机选择的

随机样本用于对总体做出归纳，即推断。如果数据不是随机收集的，则结果可能无法代表总体。

使用最佳做法收集数据

要确保结果有效，请考虑以下准则：

• 确保数据代表您感兴趣的总体。
• 收集足够多的数据以提供必要的精确度。
• 尽可能准确和精确地测量变量。
• 以数据的收集顺序记录数据。

模型应当提供良好的数据拟合

如果模型无法与数据拟合，则结果可能会具有误导性。在输出中，使用残值图、异常观测值的诊断统计量以及模型汇总统计量可以确定模型对数据的拟合优度。