第六章方差分析

第一节 Simple Factorial过程

6.1.1 主要功能

6.1.2 实例操作

第二节 General Factorial过程

方差分析是R.A.Fister发明的，用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状，造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。方差分析的基本思想是：通过分析研究中不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。

方差分析主要用于：1、均数差别的显著性检验，2、分离各有关因素并估计其对总变异的作用，3、分析因素间的交互作用，4、方差齐性检验。

第一节 Simple Factorial过程

6.1.1 主要功能

调用此过程可对资料进行方差分析或协方差分析。在方差分析中可按用户需要作单因素方差分析（其结果将与第五章第四节相同）或多因素方差分析（包括医学中常用的配伍组方差分析）；当观察因素中存在有很难或无法人为控制的因素时，则可对之加以指定以便进行协方差分析。

6.1.2 实例操作

[例6-1]下表为运动员与大学生的身高（cm）与肺活量（cm³）的数据，考虑到身高与肺活量有关，而一般运动员的身高高于大学生，为进一步分析肺活量的差异是否由于体育锻炼所致，试作控制身高变量的协方差分析。

运动员

大学生

身高

肺活量

身高

肺活量

184.9

167.9

171.0

188.0

179.0

177.0

179.5

187.0

169.0

188.0

176.7

179.0

183.0

180.5

179.0

178.0

164.0

174.0

4300

3850

4100

4300

4800

4000

5400

4000

4800

4500

4780

3700

5250

4250

4800

5000

3700

3600

4050

168.7

170.8

165.0

169.7

171.5

166.5

165.0

173.0

169.0

173.8

174.0

170.5

176.0

169.5

176.3

163.0

172.5

177.0

173.0

3450

4100

3800

3300

3450

3250

3600

3200

3950

4000

4150

3450

3250

4100

3650

3950

3500

3900

3450

3850

6.1.2.1 数据准备

激活数据管理窗口，定义变量名：组变量为group（运动员=1，大学生=2），身高为x，肺活量为y，按顺序输入相应数值，建立数据库，结果见图6.1。

图6.1 原始数据的输入

6.1.2.2 统计分析

　激活 Statistics 菜单选ANOVA Models中的Simple Factorial...项，弹出Simple Factorial ANOVA对话框（图6.2）。在变量列表中选变量y，点击Ø钮使之进入Dependent框；选分组变量group，点击Ø钮使之进入Factor(s)框中, 并点击Define Range...钮在弹出的Simple Factorial ANOVA:Define Range框中确定分组变量group的起止值（1,2）；选协变量x，点击Ø钮使之进入Covariate(s)框中。

图6.2 协方差分析对话框

点击Options...框，弹出Simple Factorial ANOVA:Options对话框。系统在协方差分析的方法（Method）上有三种选项：

1、Unique：同时评价所有的效应；

2、Hierarchical：除主效应外，逐一评价各因素的效应；

3、Experimental：评价因素干预之前的主效应。

本例选Unique方法，之后点击Continue钮返回Simple Factorial ANOVA对话框，再点击OK钮即可。

6.1.2.3 结果解释

在结果输出窗口中可见如下统计数据：

先输出肺活量总均数和两组的肺活量均数，总均数为4033.25，运用员组均数为4399.00，大学生组为3667.50。

接着协方差分析表明，混杂因素X（身高）两组间是有差异的（F=10.679，P=0.002），控制其影响后，两组间肺活量的差别依然存在（F=9.220，P=0.004），故可以认为两组间肺活量的均数在消除了身高因素的影响之后仍有差别，运动员的肺活量大于大学生，即体育锻炼会提高肺活量。

最后系统输出公共回归系数，= 36.002，该值可用于求修正均数：

= - (-)

本例为= 4399.00 - 36.002×（178.175 - 174.3325）= 4260.6623

= 3667.50 - 36.002×（170.49 - 174.3325）= 3805.8377

Y by GROUP

Total Population

4033.25

( 40)

GROUP 1 2

4399.00 3667.50

( 20) ( 20)

Y by GROUP

with X

UNIQUE sums of squares

All effects entered simultaneously

Sum of Mean Sig

Source of Variation Squares DF Square F of F

Covariates 1630763 1 1630762.635 10.679 .002

X 1630763 1 1630762.635 10.679 .002

Main Effects 1407847 1 1407847.095 9.220 .004

GROUP 1407847 1 1407847.095 9.220 .004

Explained 6981685 2 3490842.568 22.860 .000

Residual 5649992 37 152702.496

Total 12631678 39 323889.167

40 cases were processed.

0 cases (.0 pct) were missing.

Covariate Raw Regression Coefficient

X 36.002

第二节 General Factorial过程

6.2.1 主要功能

调用此过程可对完全随机设计资料、配伍设计资料、析因设计资料、正交设计资料等等进行多因素方差分析或协方差分析。

6.2.2 实例操作

[例6-2]下表为三因素析因实验的资料，请用方差分析说明不同基础液与不同血清种类对钩端螺旋体的培养计数的影响。

基础液

（A）

血清种类（B）

兔血清浓度（C）

胎盘血清浓度（C）

5％

8％

5％

8％

缓冲液

648

1246

1398

909

1144

1877

1671

1845

830

853

441

1030

578

669

643

1002

蒸馏水

1763

1241

1381

2421

1447

1883

1896

1926

920

709

848

574

933

1024

1092

742

自来水

580

1026

830

1789

1215

1434

1651

1126

1176

1280

1212

685

546

595

566

6.2.2.1 数据准备

激活数据管理窗口，定义变量名：基础液为base，血清种类为sero，血清浓度为pct，钩端螺旋体的培养计数为X，按顺序输入相应数值，建立数据库。

6.2.2.2 统计分析

　激活Statistics菜单选ANOVA Models中的General Factorial...项，弹出General Factorial ANOVA对话框（图6.3）。在对话框左侧的变量列表中选变量x，点击Ø钮使之进入Dependent Variable框；选要控制的分组变量base、sero和pct，点Ø钮使之进入Factor(s)框中，并分别点击Define Range钮，在弹出的General Factorial ANOVA:Define Range对话框中确定各变量的起止值，本例变量base的起止值为1、3，变量sero的起止值为1、2，变量pct的起止值为1、2。之后点击OK钮即可。

图6.3 析因方差分析对话框

6.2.2.3 结果解释

在结果输出窗口中，系统显示48个观察值进入统计，三个因素按其各自水平共产生12种组合。

分析表明，模型总效应的F值为10.55，P值 < 0.001，说明三因素间存在有交互作用。单因素效应和交互效应导致的组间差别比较结果是：

单因素组间比较：

A：基础液（BASE）

F = 4.98，P = 0.012，说明三种培养基培养钩体的计数有差别；

B：血清种类（SERO）

F = 61.265，P < 0.001，说明两种血清培养钩体的计数有差别；

C：血清浓度（PCT）

F = 3.49，P = 0.070，说明两种血清浓度培养钩体的计数无差别。

两因素构成的一级交互作用：

A×B：基础液（BASE）×血清种类（SERO）

F = 5.16，P = 0.011，交互作用明显；

B×C：血清种类（SERO）×血清浓度（PCT）

F = 15.96，P < 0.001，交互作用明显；

A×C：基础液（BASE）×血清浓度（PCT）

F = 0.78，P = 0.465，交互作用不明显。

三因素构成的二级交互作用：

A×B×C：基础液（BASE）×血清种类（SERO）×血清浓度（PCT）

F = 6.75，P = 0.003，交互作用明显。

48 cases accepted.

0 cases rejected because of out-of-range factor values.

0 cases rejected because of missing data.

12 non-empty cells.

1 design will be processed.

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Univariate Homogeneity of Variance Tests

Variable .. X

Cochrans C(3,12) = .34004, P = .036 (approx.)

Bartlett-Box F(11,897) = 1.69822, P = .069

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

* * * * * * A n a l y s i s o f V a r i a n c e -- design 1 * * * * * *

Tests of Significance for X using UNIQUE sums of squares

Source of Variation SS DF MS F Sig of F

WITHIN+RESIDUAL 2459233.75 36 68312.05

BASE 679967.38 2 339983.69 4.98 .012

PCT 238713.02 1 238713.02 3.49 .070

SERO 4184873.52 1 4184873.5 61.26 .000

BASE BY PCT 107005.54 2 53502.77 .78 .465

BASE BY SERO 705473.04 2 352736.52 5.16 .011

PCT BY SERO 1089922.69 1 1089922.7 15.96 .000

BASE BY PCT BY SERO 922307.37 2 461153.69 6.75 .003

(Model) 7928262.56 11 720751.14 10.55 .000

(Total) 10387496.31 47 221010.56

R-Squared = .763

Adjusted R-Squared = .691

第三节 Multivarite过程

6.3.1 主要功能

调用此过程可进行多元方差分析。此外，对于一元设计，如涉及混合模型的设计、分割设计（又称列区设计）、重复测量设计、嵌套设计、因子与协变量交互效应设计等，此过程均能适用。

6.3.2 实例操作

[例6-3]甲地区为大城市，乙地区为县城，丙地区为农村。某地分别调查了上述三类地区8岁男生三项身体生长发育指标：身高、体重和胸围，数据见下表，问：三类地区之间男生三项身体生长发育指标的差异有无显著性？

学生编号

甲地区

乙地区

丙地区

身高

体重

胸围

身高

体重

胸围

身高

体重

胸围

119.80

121.70

121.40

124.40

120.00

117.00

118.10

118.80

124.20

124.90

124.70

123.00

125.30

124.20

127.40

128.20

126.10

128.70

129.50

126.90

126.50

128.20

131.40

130.80

133.90

130.40

131.30

130.20

136.00

141.00

22.60

21.50

19.10

21.80

21.40

20.10

18.80

22.00

21.30

24.00

23.30

22.50

22.90

19.50

22.90

22.30

22.70

23.50

24.50

25.50

25.00

26.10

27.90

26.80

27.20

24.40

23.00

26.30

31.90

60.50

55.50

56.50

60.50

57.70

57.00

57.10

61.70

58.40

60.80

60.00

65.20

53.80

59.50

60.00

57.40

60.40

51.00

61.50

63.90

63.00

63.10

61.50

65.80

62.60

59.50

62.60

60.00

63.70

125.10

127.00

125.70

114.90

124.90

117.60

124.20

117.90

120.40

115.00

126.20

125.10

114.90

121.50

114.00

118.70

120.60

122.90

119.60

112.30

121.30

121.20

120.20

120.30

120.00

123.30

122.10

123.30

109.90

125.60

23.00

21.50

23.40

17.50

23.50

18.90

20.80

20.30

20.00

19.70

21.20

22.10

19.70

22.00

19.00

19.10

20.00

18.50

19.50

20.00

21.20

23.10

21.00

22.20

20.10

21.00

21.50

17.80

23.30

62.00

59.00

61.50

52.50

58.50

57.00

58.50

61.00

56.00

56.50

58.50

56.00

57.00

54.50

55.50

56.00

59.50

58.00

59.00

59.50

56.50

57.50

61.00

56.50

60.50

118.30

121.30

121.80

124.20

123.50

123.00

134.90

123.70

105.20

112.20

118.60

112.00

121.50

124.50

119.50

122.50

115.50

122.50

124.50

125.00

117.50

127.30

122.30

121.30

120.50

116.00

120.50

114.50

131.00

122.50

20.40

20.00

26.60

22.10

23.20

22.90

32.30

22.70

20.20

20.80

21.00

23.20

24.00

21.50

20.50

23.00

19.00

22.50

25.00

25.50

23.00

22.50

22.00

21.00

22.00

19.00

20.00

19.00

25.50

24.50

54.40

54.30

61.10

58.60

60.20

58.20

64.80

59.90

54.50

57.50

57.60

58.20

60.30

55.60

55.50

56.70

54.20

57.60

57.90

60.30

59.00

58.90

58.20

55.60

55.10

53.50

54.40

53.40

58.30

58.70

6.3.2.1 数据准备

激活数据管理窗口，定义变量名：地区为G，身高为X1，体重为X2，胸围为X3，按顺序输入相应数值，变量G的数值是：甲地区为1，乙地区为2，丙地区为3。

6.3.2.2 统计分析

　激活Statistics菜单选ANOVA Models中的Multivarite...项，弹出Multivarite ANOVA 对话框（图6.8）。首先指定供分析用的变量x1、x2、x3，故在对话框左侧的变量列表中选变量x1、x2、x3，点击Ø钮使之进入Dependent Variable框；然后选变量g（分组变量）点击Ø钮使之进入Factor(s)框中，并点击Define Range钮，确定g的起始值和终止值。

图6.4 多元方差分析对话框

点击Options...钮，弹出Multivarite ANOVA:Options对话框，选择需要计算的指标。在Factor(s)栏内选变量g，点击Ø钮使之进入Display Means for框，要求计算平均值指标；在Matriced Within Cell栏内选Correlation、Covariance、SSCP项，要求计算单元内的相关矩阵、方差协方差矩阵和离均差平方和交叉乘积矩阵；在Error Matrices栏内也选上述三项，要求计算误差的相关矩阵、方差协方差矩阵和离均差平方和交叉乘积矩阵；在Diagnostics栏内选Homogeneity test项，要求作变量的方差齐性检验。之后点击Continue钮返回Multivarite ANOVA对话框，最后点击OK钮即可。

6.3.2.3 结果解释

在结果输出窗口中将看到如下分析结果：

系统首先显示共90个观察值进入统计分析，因分组变量g为三个地区，故分析的单元数为3。然后输出3个应变量（x1、x2、x3）的方差齐性检验结果，分别输出了Cochran C检验值及其显著性水平P值、Bartlett-Box F检验值及其显著性水平P值。其中

身高：C = 0.39825，P = 0.540；F = 1.01272，P = 0.363；

体重：C = 0.43787，P = 0.227；F = 4.48624, P = 0.011；

胸围：C = 0.47239, P = 0.089；F = 2.06585, P = 0.127；

可见3项指标的方差基本整齐（P值均大于0.05）。

90 cases accepted.

0 cases rejected because of out-of-range factor values.

0 cases rejected because of missing data.

3 non-empty cells.

1 design will be processed.

CELL NUMBER

1 2 3

Variable

G 1 2 3

Univariate Homogeneity of Variance Tests

Variable .. X1

Cochrans C(29,3) = .39825, P = .540 (approx.)

Bartlett-Box F(2,17030) = 1.01272, P = .363

Variable .. X2

Cochrans C(29,3) = .43787, P = .227 (approx.)

Bartlett-Box F(2,17030) = 4.48624, P = .011

Variable .. X3

Cochrans C(29,3) = .47239, P = .089 (approx.)

Bartlett-Box F(2,17030) = 2.06585, P = .127

Cochran C检验和Bartlett-Box F检验对考查协方差矩阵的相等性比较方便，但还不够。于是系统接着分别输出了三类地区（即各个单元）各生长发育指标的离均差平方和交叉乘积矩阵和方差协方差矩阵。之后作Box M检验，Box M检验提供矩阵一致性的多元测试，本例Boxs M = 36.93910，在基于方差分析的显著性检验中F = 2.92393；在基于χ²的显著性检验中χ² = 35.09922, 两者P < 0.001，故认为矩阵一致性不佳。

Cell Number .. 1

Sum of Squares and Cross-Products matrix

X1 X2 X3

X1 861.187

X2 380.137 230.519

X3 215.937 156.559 314.859

Variance-Covariance matrix

X1 X2 X3

X1 29.696

X2 13.108 7.949

X3 7.446 5.399 10.857

Cell Number .. 1 (Cont.)

Correlation matrix with Standard Deviations on Diagonal

X1 X2 X3

X1 5.449

X2 .853 2.819

X3 .415 .581 3.295

Determinant of Covariance matrix of dependent variables = 444.98354

LOG(Determinant) = 6.09804

Cell Number .. 2

Sum of Squares and Cross-Products matrix

X1 X2 X3

X1 565.368

X2 147.222 78.910

X3 139.430 79.337 147.967

Variance-Covariance matrix

X1 X2 X3

X1 19.495

X2 5.077 2.721

X3 4.808 2.736 5.102

Correlation matrix with Standard Deviations on Diagonal

X1 X2 X3

X1 4.415

X2 .697 1.650

X3 .482 .734 2.259

Determinant of Covariance matrix of dependent variables = 63.90640

LOG(Determinant) = 4.15742

Cell Number .. 3

Sum of Squares and Cross-Products matrix

X1 X2 X3

X1 944.128

X2 307.722 217.030

X3 261.130 186.252 203.702

Variance-Covariance matrix

X1 X2 X3

X1 32.556

X2 10.611 7.484

X3 9.004 6.422 7.024

Correlation matrix with Standard Deviations on Diagonal

X1 X2 X3

X1 5.706

X2 .680 2.736

X3 .595 .886 2.650

Determinant of Covariance matrix of dependent variables = 198.13507

LOG(Determinant) = 5.28895

Pooled within-cells Variance-Covariance matrix

X1 X2 X3

X1 27.249

X2 9.599 6.051

X3 7.086 4.852 7.661

Determinant of pooled Covariance matrix of dependent vars. = 272.06906

LOG(Determinant) = 5.60606

Multivariate test for Homogeneity of Dispersion matrices

Boxs M = 36.93910

F WITH (12,36680) DF = 2.92393, P = .000 (Approx.)

Chi-Square with 12 DF = 35.09922, P = .000 (Approx.)

下面系统输出将三类地区看成一个大样本时的离均差平方和交叉乘积矩阵。如X1、X2和X3的离均差平方和分别为662.884、121.562和114.902。在此基础上，进行多元差异的检验。通常有四种方法：

1、Pillai轨迹：V =

2、Wilks λ值：W =

3、Hotelling轨迹：T =

4、Roy最大根：R =

式中λmax为最大特征值, λi为第i个特征值,s为非零特征值个数。根据这些值变换的F检验均有显著性（P<0.001），说明三类地区各生长发育指标之间的差别有高度显著性。

这一计算结果对上述三项生长发育指标进行了单因素的方差分析，可见：

X1: SS = 662.88356, F = 12.16335

X2: SS = 121.56200, F = 10.04439

X3: SS = 114.90200, F = 7.49893

差别均有显著性，说明三项生长发育指标各地区间的差别均有显著性。

Combined Observed Means for G

Variable .. X1

1 WGT. 126.46667

UNWGT. 126.46667

2 WGT. 120.52000

UNWGT. 120.52000

3 WGT. 120.92000

UNWGT. 120.92000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Variable .. X2

1 WGT. 23.50667

UNWGT. 23.50667

2 WGT. 20.69667

UNWGT. 20.69667

3 WGT. 22.49667

UNWGT. 22.49667

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Variable .. X3

1 WGT. 60.00667

UNWGT. 60.00667

2 WGT. 57.86667

UNWGT. 57.86667

3 WGT. 57.41667

UNWGT. 57.41667

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

WITHIN+RESIDUAL Correlations with Std. Devs. on Diagonal

X1 X2 X3

X1 5.220

X2 .747 2.460

X3 .490 .713 2.768

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Statistics for WITHIN+RESIDUAL correlations

Log(Determinant) = .00000

Bartlett test of sphericity = . with 3 D. F.

Significance = .

F(max) criterion = 4.50308 with (3,87) D. F.

WITHIN+RESIDUAL Variances and Covariances

X1 X2 X3

X1 27.249

X2 9.599 6.051

X3 7.086 4.852 7.661

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

WITHIN+RESIDUAL Sum-of-Squares and Cross-Products

X1 X2 X3

X1 2370.683

X2 835.081 526.458

X3 616.497 422.147 666.527

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

EFFECT .. G

Adjusted Hypothesis Sum-of-Squares and Cross-Products

X1 X2 X3

X1 662.884

X2 230.323 121.562

X3 269.117 78.193 114.902

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Multivariate Tests of Significance (S = 2, M = 0, N = 41 1/2)

Test Name Value Approx.F Hypoth. DF Error DF Sig. of F

Pillais .51227 9.87080 6.00 172.00 .000

Hotellings .70427 9.85978 6.00 168.00 .000

Wilks .55014 9.86643 6.00 170.00 .000

Roys .31265

Note.. F statistic for WILKS' Lambda is exact.

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

EFFECT .. G (Cont.)

Univariate F-tests with (2,87) D. F.

Variable Hypoth. SS Error SS Hypoth. MS Error MS F Sig. of F

X1 662.88356 2370.68267 331.44178 27.24923 12.16335 .000

X2 121.56200 526.45800 60.78100 6.05124 10.04439 .000

X3 114.90200 666.52700 57.45100 7.66123 7.49893 .001

之后按单元输出各项指标的观察值均数（Obs.Mean）、调整均数（Adj.Mean）、估计均数（Est.Mean）、粗误差（Raw Resid）、标准化误差（Std.Resid）以及不分地区的总均数（Comined Adjusted Means for G）。

Adjusted and Estimated Means

Variable .. X1

CELL Obs. Mean Adj. Mean Est. Mean Raw Resid. Std. Resid.

1 126.467 126.467 126.467 .000 .000

2 120.520 120.520 120.520 .000 .000

3 120.920 120.920 120.920 .000 .000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Adjusted and Estimated Means (Cont.)

Variable .. X2

CELL Obs. Mean Adj. Mean Est. Mean Raw Resid. Std. Resid.

1 23.507 23.507 23.507 .000 .000

2 20.697 20.697 20.697 .000 .000

3 22.497 22.497 22.497 .000 .000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Adjusted and Estimated Means (Cont.)

Variable .. X3

CELL Obs. Mean Adj. Mean Est. Mean Raw Resid. Std. Resid.

1 60.007 60.007 60.007 .000 .000

2 57.867 57.867 57.867 .000 .000

3 57.417 57.417 57.417 .000 .000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Combined Adjusted Means for G

Variable .. X1

1 UNWGT. 126.46667

2 UNWGT. 120.52000

3 UNWGT. 120.92000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Variable .. X2

1 UNWGT. 23.50667

2 UNWGT. 20.69667

3 UNWGT. 22.49667

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Variable .. X3

1 UNWGT. 60.00667

2 UNWGT. 57.86667

3 UNWGT. 57.41667

最后，系统输出各变量的离差参数。用户可据此计算预测值，

预测值 Y = 总均数 + 该变量离差参数 + 变量间交互效应的离差参数

如本例因无变量间交互效应的离差参数，故甲地区8岁男生的身高预测值为 Y = 126.46667 + （-1.71555551）= 124.7511145。

上式中126.46667可从系统输出的Combined Adjusted Means for G一栏中得到，离差参数-1.71555551 = 0 - 3.83111111 - （-2.1155556），这是因为离差参数的合计总为0的缘故。余同，在此不作赘述。

Estimates for X1

--- Individual univariate .9500 confidence intervals

Parameter Coeff. Std. Err. t-Value Sig. t Lower -95% CL- Upper

2 3.83111111 .77816 4.92327 .00000 2.28443 5.37780

3 -2.1155556 .77816 -2.71865 .00791 -3.66224 -.56887

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Estimates for X2

--- Individual univariate .9500 confidence intervals

Parameter Coeff. Std. Err. t-Value Sig. t Lower -95% CL- Upper

2 1.27333333 .36670 3.47237 .00081 .54447 2.00220

3 -1.5366667 .36670 -4.19048 .00007 -2.26553 -.80780

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Estimates for X3

--- Individual univariate .9500 confidence intervals

Parameter Coeff. Std. Err. t-Value Sig. t Lower -95% CL- Upper

2 1.57666667 .41261 3.82117 .00025 .75655 2.39678

3 -.56333333 .41261 -1.36528 .17568 -1.38345 .25678