的字段统计数据结构

的W，B,T在普通的单向方差分析中，域是与平方和的内、间和总平方和相似的矩阵。接下来的三个字段是这些矩阵的自由度。字段λ，chisq,chisqdf是对组均值维度的测试成分。(p的第一个输出参数manova1．）

接下来的三个字段用于进行规范分析。回想一下,在主成分分析(PCA)你要寻找原始变量的组合它有最大的可能的变化。在多变量方差分析中，你会转而寻找组间分离最大的原始变量的线性组合。在单变量单变量方差分析中，它是能给出最显著结果的单变量。找到这个组合后，你接下来要找的是分离度第二高的组合，以此类推。

的eigenvec域是一个矩阵，它定义了原始变量的线性组合的系数。的特征值场是测量相应线性组合的组间方差与组内方差之比的向量。的佳能字段是正则变量值的矩阵。每一列都是均值为中心的原始变量的线性组合，使用的系数来自eigenvec矩阵。

c1 = stats.canon (: 1);c2 = stats.canon (:, 2);

绘制前两个规范变量的分组散点图。

图gscatter (c1, c2 Model_Year, [],“牛”）

前两个典型变量的分组散点图比任何一对原始变量的分组散点图显示出更多的组间分离。在这个例子中，它显示了三个点云，它们相互重叠，但有不同的中心。右下角的一个点与其他点分开。你可以在图上用gname函数。

粗略地说，第一个正则变量，c1，将1982辆汽车分开（具有高值c1)。第二个正则变量，c2，揭示了1970年和1976年的车之间的一些区别。

的最后两个字段统计数据结构是马氏距离。的选择场测量从每个点到组均值的距离。值大的点可能是离群值。在这个数据集中，最大的离群值是散点图中的别克庄园旅行车。(注意，您可以将模型名提供给gname如果您想用模型名而不是行号标记点，则使用上面的函数。)

求与群均值的最大距离。

马克斯(stats.mdist)

ans = 31.5273

找到与组的最大距离的点。

查找（stats.mdist == ANS）

ans = 20

找出与组均值最大距离对应的汽车模型。

:模型(20日)

'别克旅行车(sw) '

的gmdist场测量每对组平均值之间的距离。检查组的使用方法grpstats．

grpstats (x, Model_Year)

ans =3×4103.×0.0177 0.1489 0.2869 3.4413 0.0216 0.1011 0.1978 3.0787 0.0317 0.0815 0.11117 0.1289 2.4535

求每组均值之间的距离。

stats.gmdist

ans =3×30 3.8277 11.1106 3.8277 0 6.1374 11.1106 6.1374

正如预期的那样，1970年和1982年极端年份之间的多元距离(11.1)大于间隔更近的年份之间的差异(3.8和6.1)。这与散点图是一致的，在散点图中，随着年份从1970年到1976年到1982年的变化，这些点似乎遵循一个进程。如果你有更多的组，你可能会发现使用manovacluster功能，绘制一个图表，表示组的集群，形成的距离之间的平均值。