To demonstrate the effects of unbal

To demonstrate the effects of unbalanced data on analysis of variance, we now consider the true original data set of maize RILs, which includes about 4.5% missing data (MaizeRIL_miss.csv). We will show that the pattern of missing data has important effects on estimation; note that RIL- 5 has data from only two of four locations and RIL-51 has data only from three locations. When we fit the linear model to these data with SAS Proc GLM (“Example2B.sas”), we obtain the following results:

結果 (中文) 1:

为了证明不平衡数据影响的方差分析，我们现在考虑真实的原始数据集的玉米 RILs，其中包括约 4.5%的人缺少的数据 (MaizeRIL_miss.csv)。我们将显示缺失数据的模式有很重要影响估计;请注意，重组白细胞介素-5 已经从四个地点中只有两个数据，RIL 51 数据只能从三个地点。当我们把线性模型调整到与 SAS Proc GLM ("Example2B.sas") 这些数据时，我们得到以下结果︰

結果 (中文) 2:

为了证明在方差分析不平衡数据的影响，我们现在考虑玉米重组自交系的真正原始数据集，其包括约4.5％缺失数据（MaizeRIL_miss.csv）。我们将证明丢失的数据的图案对估计重要影响; 注意，RIL- 5从只有四个的两个位置具有数据和白介素51只从三个位置有数据。当我们适合使用SAS PROC GLM这些数据（“Example2B.sas”）的线性模型，可以得到以下的结果：

結果 (中文) 3:

说明方差分析不平衡数据的影响，我们认为真正的原始数据集的玉米群体，其中包括约4.5%缺失数据（maizeril_miss .csv）。我们将表明，丢失的数据模式具有重要影响的估计；注意rIL－5从四的仅有的两个位置和ril-51数据具有数据只能从三的位置。当我们拟合线性模型对这些数据用SAS PROC GLM（“example2b。SAS”），我们得到如下结果：