General MANOVA(多元方差分析)

General MANOVA 针对一个或多个分类因子,对两个或更多连续响应进行联合检验,可选协变量和双因子交互作用。一次联合检验可将总体误报率保持在所选水平,并考虑响应之间的相关性。它假定观测相互独立,误差服从多元正态分布且协方差矩阵相等。输出包括 Wilks'、Pillai's、Hotelling-Lawley 和 Roy's 统计量、单变量 ANOVA 以及可选的特征分析。

最后审阅

核心要点

General MANOVA(多元方差分析)检验一个或多个因子是否共同改变若干相关响应,例如在同一批试样上测得的抗拉强度和伸长率。

本页内容
  1. 用途
  2. 主要功能
  3. 统计方法
  4. 输入字段和选项
  5. 输出说明
  6. 计算示例

用途

General MANOVA(多元方差分析)检验一个或多个因子是否共同改变若干相关响应,例如同一批试样的抗拉强度和伸长率。当每个单元上测量两个或更多性能时使用:一次联合检验可将总体误报率保持在所选水平,考虑响应之间的相关性,并能检出各自独立的 ANOVA 所遗漏的、多项性能组合的变化。

主要功能

  • 针对一个或多个分类因子,对两个或更多连续响应进行联合检验。
  • 可选的连续协变量以及全部双因子交互作用。
  • 对每一项给出 Wilks' lambda、Pillai's trace、Hotelling-Lawley trace 和 Roy's greatest root。
  • 对每个响应进行单变量 ANOVA(Type III 平方和)。
  • 可按需给出假设与误差 SSCP 矩阵、偏相关系数以及特征分析。
  • Data Options:在分析之前对行进行子集筛选。

统计方法

该模型与 General Linear Model 相同,对所有响应同时拟合:因子采用零和(−1、0、+1)编码,协变量作为主效应,勾选时包含双因子交互作用(仅限两个或更多因子)。任一所选列中含缺失值的行将被剔除。对每一项,工具构造假设矩阵 H(由该项解释的平方和与叉积和)和误差矩阵 E,并由 E⁻¹H 的特征值 λ 对该项进行检验。

Wilks' lambda = det(E) / det(H + E) = Π 1/(1 + λ),该项重要时取值较小;Pillai's trace = Σ λ/(1 + λ);Hotelling-Lawley trace = Σ λ;Roy's greatest root = 最大的 λ。每个统计量均转换为近似 F 统计量,并给出分子和分母自由度。Pillai's trace 对组大小不等和协方差矩阵不等最为稳健;当各组沿单一方向存在差异时,Roy's root 最为敏感,但其 F 是上界,因此其 p 值偏乐观。

特征分析列出 E⁻¹H 的特征值及其占比,以及按 v'(E / DF error)v = 1 缩放的特征向量。第一特征向量给出最能区分因子各水平的响应加权组合。单变量表是对每个响应单独进行的 Type III ANOVA。MANOVA 假定观测相互独立,误差服从多元正态分布,且每组的协方差矩阵相同。

输入字段和选项

字段

说明

Responses (Y)

两个或更多连续列,进行联合检验。必填。

Factors (categorical)

一个或多个分类预测变量列。必填。

Covariates (continuous)

可选的数值列,仅作为主效应输入。

Include all 2-way factor interactions

默认勾选;仅在选择两个或更多因子时可用。

Show univariate ANOVA per response

默认勾选。

Matrices (hypothesis, error, partial correlations)

默认关闭:增加 SSCP 矩阵和响应的偏相关系数。

Eigen analysis

默认关闭:给出每一项 E⁻¹H 的特征值和特征向量。

Data Options: Subset (optional)

按行号和/或条件,选择 Exclude matching rows(默认)或 Include only matching rows。

general-manova-inputs


图 1 — 材料示例的选项:以抗拉强度和伸长率为响应,Treatment 为因子,并勾选单变量 ANOVA 和特征分析。

输出说明

  • MANOVA:每一项的四个多元统计量的 Value、Num DF、Den DF、F Value 和 P-Value。
  • Univariate Analysis of Variance:每个响应一张 ANOVA 表。
  • SSCP 矩阵和偏相关系数:勾选 Matrices 时显示。
  • Eigen Analysis:勾选时,给出每一项的特征值、占比、累计占比和特征向量。
  • 通过 Download 导出 PDF。

general-manova-output


图 2 — 两项性能的 MANOVA:四个统计量均拒绝各处理均值相等的假设(Wilks' lambda 0.11217,F = 19.86,p < 0.001)。

计算示例

一位材料工程师将对照组与 A、B 两种处理进行比较,每组测试 8 个试样的抗拉强度(MPa)和断裂伸长率(%)。分别运行两个 ANOVA 会增加误报的可能性,因此工程师以 Treatment 为因子,对两项性能进行联合检验,并勾选单变量 ANOVA 和特征分析。

处理明显改变了这对性能:Wilks' lambda 为 0.11217(F = 19.86,自由度 4 和 40),Pillai's trace 为 1.28404(F = 18.83),四项检验均给出 p < 0.001。单变量表显示每项性能单独看也有变化:强度 F = 25.75,伸长率 F = 18.60,p 均 < 0.001。平均强度由 211.9 MPa(对照)升至 225.7(A)和 238.1(B);平均伸长率分别为 12.6%、14.6% 和 10.9%。

特征分析解释了这一模式。第一方向(占分离度的 75.7%)对强度赋正权重(0.114),对伸长率赋负权重(−0.518):这是使处理 B 与众不同的权衡,即强度最高但延展性最低。第二方向(24.3%)对两者均赋正权重,这正是处理 A 的不同之处:它同时提高强度和伸长率。如果零件两项性能都需要,处理 A 是更稳妥的选择。

常见问题

何时应使用 MANOVA 而不是分别做 ANOVA?

当每个单元上测量两个或更多性能时,使用 MANOVA。一次联合检验可将总体误报率保持在所选水平,考虑响应之间的相关性,并能检出各自独立的 ANOVA 所遗漏的多项性能组合的变化。分别运行多个 ANOVA 会增加误报的可能性。

Wilks' lambda、Pillai's trace、Hotelling-Lawley trace 和 Roy's root 有什么区别?

四者都由误差矩阵之逆乘以假设矩阵所得的特征值对每一项进行检验,并各自转换为近似 F。Wilks' lambda 在该项重要时较小。Pillai's trace 对组大小不等和协方差矩阵不等最为稳健。Roy's root 对沿单一方向的差异最敏感,但其 p 值偏乐观。

MANOVA 的前提假设是什么?

MANOVA 假定观测相互独立,误差服从多元正态分布,且每组的协方差矩阵相同。任一所选列中含缺失值的行将被剔除。如果组大小或协方差矩阵不等,则四个多元统计量中 Pillai's trace 最为稳健。

MANOVA 中的特征分析能说明什么?

特征分析列出特征值及其占比以及特征向量。第一特征向量给出最能区分因子各水平的响应加权组合。在材料示例中,第一方向对强度赋正权重、对伸长率赋负权重,显示出使处理 B 与众不同的强度与延展性之间的权衡。