01、開篇語

上一篇文章，咱們交流了“雙樣本T測試分析方法應用的場景”（請查閱文末鏈接）。雙樣本T測試應用在自變量為1個X即單一因子的情況下，但通常在數據分析中，lm檢驗結果怎么看，更多的是面臨有多個自變量X即多因子Xs的情形，今天就給大家分享一種高效的、能同時分析多因子多水平的一般線性模型（GLM）的應用方法。

02、一般線性模型

（GLM）的應用案例

分析影響客戶滿意度的溫度和時間的配置問題：

dylan說對了一半，即對于定類屬性的自變量，歷來有兩種方法，一是直接將定類自變量進入方差分析（包括GLM），二是先將定類自變量轉換為dummy variable（啞變量）、然后再進入回歸分析。dylan的另一半結論是錯的，回歸和GLM的分。

1. 收集數據如下：

2. 運用GLM分析的重要步驟

??在經過GLM描述之后，分析的對象就發生了 。原本是對Y的統計分析，現在轉向了擬合得到的β。SPM得到的腦功能激圖實際上就是根據對參數β的統計推斷而得到的。概率論里面有兩個主要的研究內容，參數估計和假。

Minitab軟件操作路徑：統計 → 方差分析 → 一般線性模型(GLM)

結論：“溫度”和“時間”能夠解釋89.02%的滿意度評分結果。

對于原假設H0:LSMean(i)=LSMean(j)的 t檢驗 以及P值； 上面數字是t值；下面是P值； 其實只要看P值就行，P>置信水平（一般是0.05）；接受原假設； P

注意：需繼續研究殘差

上面四合一圖形所示：

如果前面用的是 glmFit ,那么對應的就是 glmLRT . 作者稱QL F-test更加嚴格。多重試驗矯正用的也是BH方法。 后續就是提取顯著性差異的基因用作下游分析,做一些圖看看 第六步:差異表達檢驗(2)。上面找到的顯著性差異的基因,沒有。

↖左上圖：數據正態

↗右上圖：數據未呈現任何模式

test of between-subject effects中第二項的結果通常無須理會。方差分析只看“區組”(P<0.05，說明此設計有意義)與“處理”，若處理間的P<0.05，說明處理有統計學意義，應進一步進行兩兩比較。SPSS17.0中GLM中沒看見。

↙左下圖：數據呈現鐘形圖

↘右下圖：數據穩定

左上圖和右下圖的補充圖示如下：

結論：殘差沒有問題，無須進一步探究。

3. 研究各單一因子的顯著性

結論：“時間”能夠解釋42.35%，“溫度”能夠解釋39.25%。

注意：繼續研究殘差（無異常，略）。

4. 通過描述性統計評估最好的因子配置

Minitab軟件操作路徑：統計 → 表格 → 描述性統計

結論：在“時間”為“15”，“溫度”為“450”的配置下，繼續優化，提高顧客滿意度的評分結果。

03、結束語

文思特（北京）管理咨詢有限公司為您整理分享