『壹』 如何用一般線性模型（GLM），求得各因子對因變數的變異的貢獻率請指教，萬分感激！
這個用GLM好像做不出來，用 方差成分分析 可以分解出不同因子對因變數變異的貢獻
『貳』 r軟體 glm分析 如何選擇用什麼模型
logit=glm(y~x1+x2,data=data,family=binomial(link='logit'))
glm表示廣義線慧猛性罩碧則回歸，data表示y,x1,x2所在的數據集，family中的link用來選擇回歸類型，logit表示選擇logistic回物棚歸
『叄』 怎麼使用spss分析雙固定效應模型
SPSS可以用來分析雙固定效應模型。以下是一些基本步驟：
1. 新建數據集：在SPSS中打開一個新的數據集，並進行必要的數據清理和變數標記。
2. 選擇「菜單」>「分析」>「混合設計」：在SPSS菜單欄中選擇「菜單」跡梁>「分析」>「混合設計」，打開混合設計對話框。
3. 定義自變數和因變數：在混合設計對話框中，定義自變數和因變數，並將它們行脊添加到適當的區域中。
4. 配置混合因素：選擇「混合因素」選項卡，在其中設置混合因素的級別和名稱。
5. 配置固定效應：選擇「固定效應」選項卡，在其中定義所有固定效應變數及其交互作用。注意，雙固定效應模型需要包括行和列兩個固定效應變數。
6. 配置隨機效應：選擇「隨機效應」選項卡，在其中定義所有隨機效應變數。
7. 模型擬合：點擊「確定」按鈕，讓SPSS對雙固定效應模型進行擬合，並輸出統計結果。
8. 解釋結果：解釋各種統計結果，包括F值、p值、方差分析表等，並使用圖表等方法展示結果。
總之，以上是使用SPSS分析雙固定效應模型的一些基檔州滲本步驟，但具體操作可能會因數據結構和研究設計的不同而有所變化。
『肆』 SPM的統計分析基礎——GLM模型
SPM的統計分析，操作相對簡單，但其背後的原理卻不容易。
每個像素上的實驗數據（用Y來表示，同一任務的時間序列或不同任務序列的），是一些未知參數（用x表示）的線性組合（用β表示未知參數x的系數）。這些未知參猛雀數與任務或時間有關、但與具體腦區(像素)無關的已知參數，它組成的矩陣通常又稱為設計矩陣（ ）。
在經過GLM描述之後，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。
概率論裡面有兩個主要的研究內容，參數估計和假設檢驗。這里用到的是假設檢驗的內容。 這里補充一點假設檢驗的基礎知識 假設檢驗的枝配早基本任務是根據樣本所提供的信息，對未知總體分布某些方面的假設做出合理解釋。假設檢驗的程序是，先根據實際問題的要求提出一個論斷，稱為零假設（null hypothesis）或原假設，記為H0（一般並列的有一個備擇假設（alternative hypothesis）,記為H1 ）然後根據樣本的有關信息，對H0的真偽進行判斷，做出拒絕H0或不能拒絕H0的決策。 假設檢驗的基本思想是概率性質的反證法。概率性質的反證法的根據是小概率事件原理。該原理認為「小概率事件在一次實驗中幾乎是不可能發生的」。在原假設H0下構造一個事件（即檢驗統計量），這個事件在「原假設H0是正確的」的條件下是一個小概率事件，如果該事件發生了，說明「原假設H0是正確的」是錯誤的，因為不應該出現的小概率事件出現了，應該拒絕原假設H0 。
假設檢驗有兩種方法：置信區間檢驗法（confidence interval approach）和顯著性檢驗法（test of significance approach）。 顯著性檢驗法中最常用的是t檢驗和F檢驗，前者是對單個變數系數的顯著性檢驗，後者是對多個變數系數的聯合顯著性檢驗。實際上t檢驗法與置信區間法提供的結果是完全一樣的。
假設檢驗的錯誤： 如果有一個零假設在5％的顯著性水平下被拒絕了，有可能這個拒絕是不正確的，這種錯誤被稱為第一類錯誤，它發生的概率為5％。另外一種情況是，我們得到95％的一個置信區間，落在這個區間的零假設我們都不能拒絕，當我們接受賣閉一個零假設的時候也可能犯錯誤，因為回歸系數的真實值可能是該區間內的另外一個值，這一錯誤被稱為第二類錯誤。 在選擇顯著性水平時人們面臨抉擇：降低犯第一類錯誤的概率就會增加犯第二類錯誤的概率。 P值度量的是犯第一類錯誤的概率，即拒絕正確的零假設的概率。P值越大，錯誤地拒絕零假設的可能性就越大；p值越小，拒絕零假設時就越放心。
voxel-wise就是基於voxel水平的分析；ROI-wise是基於ROI水平分析
。