浙大生物统计实验报告3
生物统计实习报告
一、前言随着科学技术的不断发展，生物统计学在生物科学研究中扮演着越来越重要的角色。
为了更好地理解和掌握生物统计学在科学研究中的应用，我于近期参加了为期一个月的生物统计实习。
通过这次实习，我对生物统计学的基本概念、方法以及在实际研究中的应用有了更加深入的了解。
二、实习目的与内容1. 实习目的本次实习的主要目的是：（1）学习生物统计学的基本理论和方法；（2）掌握生物统计软件的使用；（3）将所学知识应用于实际问题，提高解决实际问题的能力。
2. 实习内容实习期间，我主要学习了以下内容：（1）生物统计学的基本概念和原理；（2）描述性统计、推断性统计和方差分析等基本方法；（3）R语言在生物统计学中的应用；（4）实际案例分析。
三、实习过程1. 学习生物统计学基本理论和方法在实习初期，我系统地学习了生物统计学的基本理论和方法。
通过学习，我对描述性统计、推断性统计和方差分析等基本方法有了较为全面的了解。
同时，我还学习了如何运用R语言进行数据分析和可视化。
2. 掌握生物统计软件的使用为了更好地将所学知识应用于实际问题，我学习了R语言在生物统计学中的应用。
通过实际操作，我掌握了R语言的基本语法、数据输入、数据清洗、数据分析和可视化等功能。
3. 实际案例分析在实习过程中，我选取了以下案例进行分析：（1）某疾病患者的临床数据；（2）某药物的疗效数据；（3）某农作物产量数据。
通过对这些案例的分析，我运用所学知识进行了描述性统计、推断性统计和方差分析等，并得到了有意义的结论。
四、实习收获通过本次实习，我取得了以下收获：（1）掌握了生物统计学的基本理论和方法；（2）熟悉了R语言在生物统计学中的应用；（3）提高了解决实际问题的能力；（4）对生物统计学在科学研究中的应用有了更加深入的认识。
五、实习体会本次实习让我深刻体会到以下两点：（1）理论知识的重要性：生物统计学是一门理论与实践相结合的学科，只有掌握了扎实的理论基础，才能在实际研究中游刃有余；（2）实际操作能力的重要性：理论知识是基础，但只有将所学知识应用于实际操作，才能真正提高解决实际问题的能力。
浙大生物统计作业3、4答案
Yijk=µ+αi+βj(i)+εijk i = 1,2,3 ; j = 1,2,3 ; k = 1,2,3. Yijk is observation value; µ is population mean; αi is the effect under the ith laboratory factor,αi ~ N(0,σ2α);i=1,2,3; βj( i) is the effect of the jth material factor under ith laboratory factor,βj(i)~ N(0,σ2β);i=1,2,3; εijk is residual error, εijk ~ N(0,σ2ε),k=1,2 4) If the model is a random model ( each effect is random effect in model), write out the statistic for testing
several laboratories was sent a number of materials that were carefully chosen to have different measurement values on the characteristic of interest. The laboratories were required to perform three separate analyses of the test material.
Laboratory Material
Replicate
1
2
A
12.2
12.3 12.2
B
15.5
15.0 15.3
浙大微生物大实验报告
浙大微生物大实验报告摘要：本实验以土壤中的微生物作为原材料，根据微生物各自的生长特点，配制不同成分的微生物培养基。
将微生物培养物或含有微生物的样品在无菌条件下移植到培养基上培养，在分离出相应微生物后，对其进行进一步的纯化，然后观察其形态特征，并通过微生物的生理生化反应对其种类进行鉴定，最后研究环境条件对微生物生长的影响。
关键字：培养基，分离，纯化，鉴定，环境条件一、实验材料1、分离细菌、真菌、放线菌的材料：牛肉膏、蛋白胨、氯化钠、琼脂、马铃薯、蔗糖；可溶性淀粉、K2HPO4、KNO3、MgSO4·7H2O、FeSO4·7H2O等。
新鲜土壤；培养基：灭菌的牛肉膏蛋白胨琼脂培养基、淀粉琼脂培养基、马铃薯蔗糖培养基（10mL装）；试剂：5000U/mL 链霉素液、0.5％重铅酸钾液。
2、细菌、真菌、放线菌纯化与鉴定的材料：菌种：大肠杆菌、枯草杆菌、荧光假单胞菌、金黄色葡萄球菌，前实验分离的未知菌；培养基：淀粉培养基、硫化氢实验培养基、石蕊牛乳培养基、油脂培养基；试剂：碘液。
菌种：枯草杆菌斜面；灵杆菌菌液；黑曲霉斜面。
培养基采用：牛肉膏蛋白胨斜面培养基牛肉膏蛋白胨琼脂培养基（10mL）、马铃薯蔗糖培养基（10mL）、淀粉琼脂培养基（10mL）；供试药剂：2.5％碘酒，75％酒精，0.1％HgCl，5％石炭酸。
2二、实验步骤1、分离细菌、真菌、放线菌的步骤（一）、培养基配制l. 培养基配制的一般方法和步骤（1）称量：按照培养基配方，正确称取各种原料放于搪瓷杯中。
（2）溶化：在搪瓷杯中加入所需水量（根据实验需要加入蒸馏水或自来水），用玻棒搅匀，加热溶解。
（3）调pH值（调pH也可以在加琼脂后再调），用1N NaOH或1N HCl调pH，用pH试纸对照。
（4）加琼脂溶化，在琼脂溶化过程中，需不断搅拌，并控制火力不要使培养基溢出或烧焦，待完全溶化后，补足所失水分，一般数量少，时间短不必补水。
生物统计学实习报告
实习报告一、实习背景与目的随着生物科学领域的不断发展，生物统计学作为一门结合生物学与统计学的交叉学科，在生物科学研究中发挥着越来越重要的作用。
本次实习旨在通过实际操作，掌握生物统计学的基本原理和方法，提高在生物学研究中的数据处理和分析能力。
二、实习内容与过程1. 实习前的准备在实习开始前，我们对生物统计学的基本概念、原理和方法进行了系统的学习，包括描述性统计、概率分布、假设检验、线性回归等。
同时，学习了统计软件的使用，如SPSS、R语言等。
2. 实习过程（1）数据收集与整理实习过程中，我们首先收集了生物学实验数据，如基因表达数据、酶活性数据等。
对这些数据进行了清洗、整理和转换，使之符合统计分析的要求。
（2）描述性统计分析我们对收集到的数据进行了描述性统计分析，包括计算均值、标准差、中位数等统计量，绘制直方图、箱线图等统计图表，以直观地了解数据的分布特征。
（3）假设检验结合实验设计，我们选择了适当的假设检验方法，如t检验、方差分析等，对数据进行了显著性分析，判断实验组与对照组之间是否存在显著差异。
（4）线性回归分析针对实验数据，我们运用线性回归分析方法，探讨了变量之间的关系，如基因表达与实验条件的关系等。
通过回归方程的建立，揭示了变量之间的内在联系。
（5）结果呈现与解读我们将统计分析结果以图表的形式呈现出来，如条形图、折线图等，同时对结果进行了详细的解读，分析了实验数据背后的生物学意义。
三、实习收获与反思通过本次实习，我们深入了解了生物统计学的基本原理和方法，提高了在生物学研究中的数据处理和分析能力。
同时，我们也认识到生物统计学在科研中的重要性，以后在实验设计和数据分析过程中，要更加注重生物统计学的应用。
实习过程中，我们也发现自己在统计知识和技能方面的不足，如对某些统计方法的理解不够深入，统计软件操作不熟练等。
今后，我们将继续努力学习生物统计学知识，提高自己的实践能力。
四、实习总结本次生物统计学实习让我们受益匪浅，不仅提高了我们在生物学研究中的数据处理和分析能力，也使我们更加认识到生物统计学在科研中的重要性。
实验三数量性状的生物统计分析
数据筛选
根据研究目的和要求，筛选出符合条件的数据，剔除异常值和不符合要求的数据 。
数据整理与录入
数据整理
将筛选后的数据按照研究目的进行分类、排序和整合。
数据录入
将整理后的数据录入到统计分析软件中，确保数据准确无误。
数据预处理与分析
数据预处理
对录入的数据进行核对、清洗和转换，确保数据的质量和可靠性。
计算变量之间的相关系数，判断 其相关程度和方向，通过回归分 析进一步研究变量之间的关系。
通径分析
1 2
通径分析
用于研究多个变量对某个数量性状的共同影响。
适用范围
适用于研究多个自变量对因变量的影响路径和程 度。
3
分析步骤
构建因果模型，计算各变量之间的通径系数，分 析各变量对因变量的直接影响和间接影响。
实验三数量性状的 生物统计分析
目 录
• 数量性状的基本概念 • 数量性状统计分析方法 • 实验设计与实施 • 数据收集与整理 • 结果解读与讨论 • 实验总结与展望
01
CATALOGUE
数量性状的基本概念
定义与特性
定义
数量性状是指个体间在同一种特征上 存在数量差异的性状，如人的身高、 体重，植物的高度、叶片大小等。
而深入的分析。
03
实验结果与讨论
实验结果显示，某些数量性状存在显著的遗传效应，且受到多种因素的
影响。我们对这些结果进行了深入的讨论，并提出了相应的假设和解释
。
实验不足与改进建议
数据收集的局限性
由于实验条件的限制，我们未能全面收集所有相关数量性状的数据。为了提高研究的全面性和准确性，建议在后续实 验中扩大样本量和数据范围。
工作报告之生物统计学实验报告
生物统计学实验报告【篇一：生物统计学实验指导】《生物统计学》实验教学教案[实验项目]实验一平均数标准差及有关概率的计算[教学时数]2课时。
[实验目的与要求]1、通过对平均数、标准差、中位数、众数等数据的计算，掌握使用计算机计算统计量的方法。
2、通过对正态分布、标准正态分布、二项分布、波松分布的学习，掌握使用计算机计算有关概率和分位数的方法。
为统计推断打下基础。
[实验材料与设备]计算器、计算机；有关数据资料。
[实验内容]1、平均数、标准差、中位数、众数等数据的计算。
2、正态分布、标准正态分布有关概率和分位数的计算。
3、二项分布有关概率和分位数的计算。
4、波松分布有关概率和分位数的计算。
[实验方法] 1、平均数、标准差、中位数、众数等数据的计算公式。
平均数=average(x1x2…xn) 几何平均数=geomean(x1x2…xn) 调和平均数=harmean(x1x2…xn) 中位数=median(x1x2…xn) 众数=mode(x1x2…xn) 最大值=max(x1x2…xn)2、正态分布、标准正态分布有关概率和分位数的计算。
一般正态分布概率、分位数计算：猪血红蛋白含量x服从正态分布n(12.86，1.332)，(1) 求猪血红蛋白含量x在11.53—14.19范围内的概率。
（0.6826）(2) 若p(x＜l1)=0.025，p(x＞l2)=0.025，求l1，l2。
（10.25325） l1=10.25 l2=15.47标准正态分布概率、分位数计算：概率=normsdist(x) c取1时计算 -∞--x的概率c取0时计算x的概率分位数=normsinv(p) p取-∞到分位数的概率练习：1、已知随机变量u服从n(0，1)，求p(u＜-1.4)，p(u≥1.49)， p （｜u｜≥2.58）， p(-1.21≤u＜0.45)，并作图示意。
参考答案：(0.080757,0.06811,0.00988,0.5605)参考答案：[1.644854, 0.63345;0.553385,1.959964] 3、二项分布有关概率和分位数的计算。
生物统计实训报告总结
随着生物科学的不断发展，生物统计学在生物科学研究中的应用日益广泛。
为了更好地掌握生物统计学的基本原理和方法，我们开展了为期两周的生物统计实训。
本次实训旨在通过实际操作，加深对生物统计学概念、方法及其在生物学研究中的应用的理解。
二、实训内容1. 生物统计学基本知识实训初期，我们学习了生物统计学的基本概念，包括变量、参数、统计量等。
通过学习，我们了解了生物统计学在生物学研究中的重要性，以及如何运用统计学方法对生物学数据进行分析。
2. 常用概率分布我们学习了正态分布、二项分布、泊松分布等常用概率分布，并了解了它们在生物学研究中的应用。
通过实际案例，我们掌握了如何根据数据特点选择合适的概率分布模型。
3. 样本量计算实训中，我们学习了如何根据研究目的和误差要求计算样本量。
通过实际计算，我们了解了样本量对研究结果的影响，以及如何确保样本量足够大以获得可靠的结论。
4. 描述性统计我们学习了描述性统计方法，包括均值、标准差、中位数、方差等，并学会了如何运用这些方法对生物学数据进行描述性分析。
5. 推断性统计实训重点学习了推断性统计方法，包括t检验、方差分析、卡方检验等。
通过实际操作，我们掌握了如何运用这些方法对生物学数据进行假设检验和置信区间估计。
6. 实验设计与数据收集我们学习了实验设计的基本原则，包括随机化、对照、重复等。
通过模拟实验，我们了解了如何设计实验方案，并学会了如何收集和分析实验数据。
1. 分组讨论实训过程中，我们分为若干小组，每个小组负责一个特定的实训项目。
在小组讨论中，我们共同学习、分享经验和解决问题。
2. 实际操作在实训老师的指导下，我们进行了实际操作，包括数据处理、统计分析、结果解释等。
通过实际操作，我们加深了对生物统计学方法的理解。
3. 总结报告实训结束后，每个小组撰写了实训报告，总结了实训过程中的收获和体会。
报告内容包括实训目的、实训内容、实训过程、实训成果等。
四、实训成果1. 理论知识掌握通过本次实训，我们对生物统计学的基本原理和方法有了更深入的理解，为今后从事生物学研究打下了坚实的基础。
浙大生物统计第三章 正交设计
3
4
四因素三水平试验的水平设置
列号 1 2 3 4
因素 品种A 水 平 播种量B （万粒/亩） 播种期C （日/月） 施氮量D （kg/亩）
1 2 3
甲 乙 丙
15 20 25
1/10 11/10 21/10
0 7.5 15.0
L9（34）无重复正交试验数据
因素与水平 处理号 1 品种A 1甲 施氮量D （kg/亩） 1 0.0 播种期C （日/月） 1 1/10 播种量B （万粒/亩） 1 15 试验数据Y 48
27
-45
-57
72
-54
-129
-183
75
1 046.53
175.78
G BF AG GH
L32（231 ）正交试验的方差分析
方差来源 列号 因素 16 E 7 J 4 C 2 B 3 AB、FG、CL 26 CG、AH、FI 13 EF 17 AE 30 G 6 BC、FH、AI 22 DG 9 AD 28 AF、BG、HI 8 D 27 H 29 F 12 CD 23 EI 1 A 15 DI 18 BE 31 BF、AG、GH 25 CF 10 BD 19 DH 21 DF 11 EH 14 EG 24 DE 25 CF 、 BH 、 20 CE 5 ACGI 、GH、BI 平方和 47509.03 13243.78 4975.03 4536.28 2329.03 2032.03 1667.53 1417.78 1046.53 979.03 913.78 850.78 850.78 731.53 621.28 569.53 427.78 236.53 236.53 205.03 175.78 175.78 124.03 101.53 101.53 81.28 22.78 13.78 13.78 7.03 0.28 自由度 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 均方 47 509.03 13 243.78 4 975.03 4 536.28 2 329.03 2 032.03 1 667.53 1 417.78 1 046.53 979.03 913.78 850.78 850.78 731.53 621.28 569.53 427.78 236.53 236.53 205.03 175.78 175.78 124.03 101.53 101.53 81.26 22.78 13.78 13.78 7.03 0.28 F 444.72** 123.97** 46.57** 42.46** 21.80** 19.02** 15.61** 13.27** 9.80** 9.16** 8.55* 7.96* 7.96* 6.85* 5.82* 5.33* 4.00*
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课程名称：生物统计与实验设计*名：**学院：农业与生物技术学院系：应用生物科学专业：应用生物科学学号：**********指导教师：朱军、徐海明2016年6 月6日实验报告课程名称： 生物统计与实验设计 指导老师： 徐海明 成绩：_______________ 实验名称： 协方差分析和混合线性模型分析 实验类型： 综合实验 一、 实验目的和要求1. 掌握协方差分析、混合线性模型的原理。
2. 学会用协方差分析和混合线性模型对大数据进行分析。
3. 了解协方差分析与二因素析因分析的差异。
4. 比较SAS 软件和QTModel 软件的分析效益。
5. QTLNetwork 软件分析控制仿真群体表现型值的QTL 定位数据。
6. 比较回归分析、相关分析、方差分析、MCIM 的定位分析的优缺点。
二、 实验内容和原理1. 协方差分析是建立在方差分析和回归分析基础之上的一种统计分析方法。
方差分析是从质量因子的角度探讨因素不同水平对实验指标影响的差异。
一般说来，质量因子是可以人为控制的。
回归分析是从数量因子的角度出发，通过建立回归方程来研究实验指标与一个（或几个）因子之间的数量关系。
但大多数情况下，数量因子是不可以人为加以控制的。
2. 混合线性模型(mixed linear model)一种方差分量模型。
在方差分量模型中，把既含有固定效应，又含有随机效应的模型，称为混合线性模型。
三、 主要仪器设备SAS 软件、QTModel 软件、QTLNetwork 软件 四、 操作方法和实验步骤1. 二因素协方差分析以2个品种2个水分水平的鲜花产量为依变量，重复6次：a) 以小区面积为x 变量，进行二因素协方差分析，分析品种、水分对鲜花产量的影响，对显著的效应进行适当的比较；b) 比较协方差分析与二因素析因分析结果之间的差异。
2. 水稻品种区域试验分析水稻五个品种在二年和四个试点三个区组的品种区域试验数据（删除了二个异常值）储存在数据文件(RiceTrial-2.txt)中。
a) 采用SAS 软件的Proc GLM, Proc Mixed 和Proc VarCom 分析该数据，并对品种的表现作适宜的推断;b) 采用QTModel 软件分析该数据，对品种的表现作适宜的推断;比较SAS 软件和QTModel 软件的分析效益。
3. QTL 定位分析采用QTLNetwork 软件分析控制仿真群体表现型值的QTL 定位数据（DHSim.map 和DHSim.txt ）。
a) 估算QTL 的位置和遗传效应，对群体的QTL 位置和遗传效应作统计推断; b) 把QTL 定位结果和实验一的分析结果都与仿真的参数真值作比较，比较所采用的四种分析方法（回归分析、相关分析、方差分析、MCIM 的定位分析）用于推断群体基因定位的可靠性及统计方法的优缺点。
五、 实验数据记录和处理专业： 应用生物科学 姓名： 赵应学号： 3140100080 日期： 2016年4月11日 地点：紫金港西1-106（多）1、二因素协方差分析a)析因分析结果b)协方差分析结果2、水稻品种区域试验分析a)用GLM模块分析结果b)用MIXED模块分析结果c)用Varcomp 模块分析结果d)用QTModel 分析结果3、QTL定位分析用SAS做回归分析结果：用SAS做相关分析结果：用SAS做方差分析结果：此处略去m3到m33标记的方差分析结果。
六、实验结果与分析1、二因素协方差分析由析因分析结果可知，模型的Pr>F值=0.2266>0.05且R-Square=0.191113，故模型不显著；并且，无论是主因素A、B还是两者的互做效应，对Y（鲜花产量）都没有显著性的影响。
因此，用析因分析模型来分析该实验数据不是太合适。
然后用协方差模型进行分析，模型的Pr<0.0001，模型极显著。
由变量显著性分析可知，主因素X(小区面积)、A(品种)和B(水分)对Y（鲜花产量）具有显著性影响，而A(品种)和B(水分)的互作对Y（鲜花产量）的影响不显著，所以可以对单独的因素进行分析。
因此，可以用协方差模型分析次实验数据。
对于品种因素单一分析，LP品种产量均比WB品种产量高；对于水分因素单一分析，Low水平产量均比High水平产量高。
两种分析方法结果的不同显示出：协方差分析将协变量对因变量的影响从自变量中分离出去，可以进一步提高实验精确度和统计检验灵敏度。
2、水稻品种区域试验分析a)GLM模块分析结果表明：模型的Pr>F值<0.0001且R-Square=0.955918，故模型显著，yield与Gen、Year、Loc、Year*Loc、Gen*Year Gen*Loc、Gen*Loc*Year、Block(Year*Loc)存在显著的线性关系，且各因素主效应、互做效应均显著。
各效应中只有主效应year（年份效应）、Block（区组效应）和互作效应gen*year*loc（品种*年份*地点）三互作显著，对Y（产量）有显著性影响，其余各效应均不显著。
Alpha=0.05时，只有4-1、4-2、5-1、5-2、3-2五组中，两个品种间差异显著，其余各品种间差异不显著。
Mixed模块分析结果表明：Mixed分析结果表中列出了模型中变量的协方差参数估计，但没有给出相应的标准误和对应的P value，故无法直接判断各因素的显著性情况。
固定效应Gen的第三类估计方法得到的P value=0.3552>0.05，表明品种效应对产量的影响并不显著。
对于固定效应品种（Gen），在其他条件相同时，Gen5的产量最高。
虽然不同品种的产量不同，但是各品种间无显著性差异。
VarComp模块分析结果表明：VarComp列出了模型中变量的方差参数估计，但未给出显著性检验，故无法直接判断各因素的显著性情况。
b)QTModel分析结果表明：Henderson方法III方差分析得到，Gen、Year、Loc、Year*Loc、Gen*Year、Gen*Loc、Gen*Year*Loc、Block(Year*Loc)的P value均小于0.05，因此，Gen、Year、Loc、Year*Loc、Gen*Year、Gen*Loc、Gen*Year*Loc、Block(Year*Loc)对水稻产量的影响是显著的。
各品种均值均与零存在显著性差异，各品种间差异均不显著。
c)QTModel软件分析该实验数据Residual 比较小，分析结果较可靠，因此QTModel软件更适合分析次数据。
相较于SAS的程序编写，QTModel的命令更加简单QTModel给出的结果剔除了一些在分析中用不到的深层次的结果，从而降低了困难。
3、QTL定位分析结果表明：a)Ch1上MK8和MK9之间的基因本身不具备效应但是与Ch3上的MK25和MK26之间的基因（本身存在效应）存在上位性效应和上位性与环境因素互作的效应。
Ch1上MK8和MK9之间的基因还与Ch1上MK3和MK4之间的基因（本身具有加性和加性与环境互作效应）存在上位性效应。
Ch1上的MK3和MK4之间的基因存在与Ch2上的MK14和MK15之间的基因（本事具有加性）存在上位性和环境因素互作的效应。
Ch3上MK28和MK29之间的基因具有加性和加性与环境互作效应。
b)基于SAS的分析表明：用逐步回归分析筛选出的所有标记为：m1 m2 m3 m4m5 m11 m13 m15 m27 m28。
方差分析显示m1 m2 m3 m4 m5 m11 m13 m15 m27m28对产量都是有显著影响的，环境对于产量也有显著影响。
但是只是对于m1 m2 m3 m4 m5 m27 m28而言，它们分别和环境的互作效应对于产量有显著影响，从方差分析表上我们不能推断m11 m13 m15分别和环境的互作效应对于产量有显著影响。
回归分析、相关分析、方差分析无法估计QTL效应，仅能分析哪些标记附近有基因，而无法确定基因的准确位置。
方差分析需要分别对每一个标记进行方差分析，这道题目就需要进行33次的方差分析，操作繁琐，工作量大。
七、讨论、心得1.比较SAS软件和QTModel软件的分析效益：SAS软件与QTModel软件数据处理分析结果大致相同，但在结果分析过程中可以发现，SAS未能给出混合模型各随机因素的方差估计值的方差和P value，故较难做进一步判断。
1、回归分析和相关分析：a. 自变量是固定效应，无法分析随机效应自变量；b. 自变量非相互独立，回归系数是偏回归系数；c. 只有残差是相互独立的随机变量；d. 分析海量数据时效果较差。
2、方差分析：a. 可把总变异分解为不同的变异分量；b. 不能分析复杂的统计模型，如系数为非整数，因素间非独立、因素间相互混淆等；c. 不能有效地分析非平衡的数据；d. 可以估算随机效应的方差，但不能估算随机效应值；e. 参数分析的统计功效不高；f. 分析海量数据时效果较差。
3、MCIM定位分析：a. 同时包括固定效应和若干组随机效应的自变量；b. 随机效应因素内或因素间都可存在相关性；c. 可无偏估算回归参数和方差分量，也可无偏预测随机效应值；d. 可以有效分析各种复杂的遗传模型和非平衡数据；e. 分析海量数据时效果较差。
2.通过这些软件分析结果的对比我们可以发现，SAS并非万能的，它也有一定的局限性，我们在应用时要意识到这一点，并且可以选择其他方法和软件代替。
分析的结果与选用的模型有一定的关系，因此在进行分析数据前要确定好分析模型。