23. 协方差分析
（一）原理
一、基本思想
在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。
例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。
协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。
协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。
协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。
当有一个协变量时，称为一元协方差分析，当有两个或两个以上
的协变量时，称为多元协方差分析。
二、协方差分析需要满足的条件
（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差；
（2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设；
（3）自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除；
（4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。 三、基本理论
1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即
()ij i ij ij y u t x x βε=++-+（1）
其中，X 为所有协变量的平均值。
注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。
用协变量进行修正，得到修正后的y ij (adj)为
(adj)()ij ij ij i ij y y x x u t βε=--=++
就可以对y ij (adj)做方差分析了。关键问题是求出回归系数β.
2. 总离差=分组变量离差+协变量离差+随机误差， （1）计算总离差平方和时，记
11
()()k
n
xy ij ij i j T x x y y ===--∑∑
211()k n
xx ij i j T x x ===-∑∑
总离差平方和：211
()k
n
yy ij i j T y y ===-∑∑
最终要检验分组自变量对因变量有无显著作用。原假设H 0：无显著作用。假设检验是在H 0为真条件下进行，可认为t i =0，则
()ij T ij ij y u x x βε=+-+
按最小二乘法原理线性回归可得到β的估计值
?xy T
xx
T T β=
记修正的总离差平方和（残差平方和）为T yy(adj)，则
2
2(adj)?T xy
yy yy xx yy
xx
T T T T T T β=-=-，自由度为n-2
注：2?T xx
T β为回归平方和，若?0T β=（回归线为水平线），表示协变量x 对y 无作用，用方差分析就可以解决了。
（2）计算组内离差平方和时，记
11
()()k
n
xy ij i ij i i j E x x y y ===--∑∑
211
()k n
xx ij i i j E x x ===-∑∑
组内总离差平方和：211
()k n
yy ij i i j E y y ===-∑∑
根据协方差分析的基本假设：各组内回归系数相等（做协方差分析时需要检验这一点），得到组内回归系数βw 的估计值
?xy
w xx
E E β=
记修正的组内总离差平方和（组内残差平方和）为E yy(adj), 则
2
2(adj)?xy
yy yy w xx yy
xx
E E E E E E β=-=-，自由度为n-k-1
其中，2?w xx E β为组内回归平方和，当1??w wk ββ== 时，组内总离差平方和认为完全是由随机因素引起的，E yy(adj)就是随机为误差。这里的?w
β是1??,,w wk
ββ 的加权平均值。 （3）计算分组变量离差平方和B yy(adj)，它反映的是各个水平之间的差异。
2(adj)(adj)(adj)(adj)?T yy yy yy yy xx yy B T E T T E β=-=--
即，分组变量离差=总离差-协变量离差-随机误差。
于是，就可以进行组间无差异检验了：
(adj)(adj)/1/1
yy yy B k F E n k -=
--
3. 因此，在做协方差分析前，需要依次做两个假设检验： （1）协变量对因变量的影响对与各组来说都是相同的，即各组
回归系数相等：1???:w wk w
βββ=== ; 步骤：
①先按回归系数相等和不相等分别表示模型
()ij i w ij ij y u t x x βε=++-+ ()ij i wi ij ij y u t x x βε=++-+
并计算出误差平方和
2
(adj)yy yy w xx E E E β=-
211
i k
yy wi xx i S E E β==-∑
其中，1
i k
yy yy i E E ==∑.
②计算F 值
(adj)11/1/2yy E S k F S n k
--=
-
若F 值小于临界值F α，则说明各组回归系数无显著差异（相等）。
（2）这些相等的回归系数?0w
β≠. 即采用一元线性回归的显著性检验，
2
(adj)/1=//(1)
w xx yy E F E n k β=--回归平方和/自由度
残差平方和自由度
2222
/(1)
(/)/(1)
xy xx
xy yy xy
xx yy xx xy
E E E n k E E E n k E E E
--=
=
----
4. 协方差分析的步骤
（1）检验数据是否满足假设条件：正态分布性、方差齐性、线性相关性、平行性；
（2）检验效应因子的显著性； （3）估计校正的组均值；
（4）检验校正的组均值之间的差异。 （二）实例
研究分别接受了3种不同的教学方法的3组学生，在数学成绩上是否有显著差异。数据文件入下：
先不考虑数学入学成绩，只以“教学方法”为分组变量，“后测成绩”为因变量进行单因素方差分析，得到结果：
P值<0.001, 结果表明，两种教学方法有非常显著的差异。
但是，后测成绩肯定会受到前测成绩（连续型）的影响，假定前测成绩与教学方法（即组别，是控制变量）不存在交互影响。因此，将后测成绩作为因变量；教学方法作为控制变量；前测成绩作为协变量进
行协方差分析。
1. 平行性假定检验
协方差分析的假定：①各组协变量与因变量的关系是线性的；②各组残差正态；③各组回归斜率相等（各组回归线平行）。
注意：协方差分析一般还要求各分组间协变量的观察值范围不宜相差太大。
本例先观察前测成绩与后测成绩的回归线是否平行（即协变量前测成绩对因变量后测成绩的影响在分别采用两种教学方法的班级是否相同）。
【图形】——【旧对话框】——【散点/点状】，打开“散点图/点图”窗口，选择“简单分布”，点【定义】打开“简单散点图”窗口；
将“后测成绩”选入【Y轴】，“前测成绩”选入【X轴】，“教学方法”选入【面板依据：行】；
点【确定】得到散点图结果，双击散点图打开“图表编辑器”，点“添加合计拟合线”按钮，再关闭“图表编辑器”：
可见两组的直线趋势的斜率比较接近（平行），基本符合协方差假定。
2.组内回归斜率相同检验
（1）【分析】——【一般线性模型】——【单变量】，打开“单变量”窗口；将“后测测验”选入【因变量】，“教学方法”选入【固定因子】，“前测成绩”选入【协变量】；
（2）点【模型】打开“模型”子窗口，要进行回归斜率相同的检验，故【指定模型】选“设定”；
将【因子与协变量】框中的“教学方法”“前测成绩”先分别选中、再同时选中选入【模型】框；点【继续】；
注：“教学方法*前测成绩”进行交互效应分析，即检验回归线斜率相等的假设。
点【确定】得到
“教学方法*前测成绩”交互作用检验的P值=0.623>0.05，接受原假设，即交互作用无统计学意义。因此，可认为两组斜率相同，符合协方差分析的假定。
3. 协方差分析
（1）同2.的（1）；
（2）点【模型】，打开“模型”子窗口，【指定模型】选“全因子”；
注：【全因子】表示模型包含全部因素变量和协变量的主效应、因素变量间的交互效应，但不包括与协变量的交互效应。本例中只有1个因素变量和1个协变量，没有交互效应，计算结果只会有主效应。
（3）点【选项】，打开“选项”子窗口，将“教学方法”选入【显示均值】框，将输出不同教学方法的后测成绩调整后（考虑了协变量效应之后）的边缘平均值；
勾选“比较主效应”，【置信区间调节】选“LSD（无）”，表示对“教学方法”各组的后测成绩平均值进行组间比较；
【输出】选项，勾选“描述统计”、“（误差）方差齐性检验”、“残差图”；点【继续】；
点【确定】得到
各组因变量误差的方差齐性检验P值=0.422>0.05, 故接受原假设，即各组因变量误差的方差相同。这说明下面的方差分析结果是有效的。
考虑了协变量“前测成绩”之后的方差分析结果，前测成绩的P 值<0.001, 说明“前测成绩”对“后测成绩产生了显著影响；“教学方法”的P值=0.033<0.05, 说明“教学方法”对“后测成绩”也产生了显著的影响。
注1：如果有多个教学方法的分组，要进一步判断各分组的差异，可查看后面结果中的“成对比较”结果。
注2：与不考虑协变量的单因素方差分析模型做对比：
发现教学方法的显著性比原来小了；需要总方差都是8986.121，单因素方差分析模型的组间差异解释了1662.284, 而考虑了协变量的协方差分析模型解释的方差增大到2748.231，这说明协方差分析模型能更准确地检验因素变量对因变量的作用。
估算边际均值
教学方法
给出了去除协变量“前测成绩”的影响之后，两种教学方法的平均成绩分别为：64.735和69.004
成对比较的P值=0.033<0.05, 故拒绝原假设，即新教学方法与标准教学法有显著差异（新教学方法显著好于标准方法）。
对修正的均值按方差分析法进行检验，结果与前面是一致的。
残差图，标准残差是正态分布（随机性）。
（一）原理 一、基本思想 在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。 例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。 协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。 协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。 当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。
二、协方差分析需要满足的条件 （1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差； （2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设； （3） 自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除； （4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。 三、基本理论 1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即 ()ij i ij ij y u t x x βε=++-+ （1） 其中，X 为所有协变量的平均值。 注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。 用协变量进行修正，得到修正后的y ij (adj)为 (adj)()ij ij ij i ij y y x x u t βε=--=++ 就可以对y ij (adj)做方差分析了。关键问题是求出回归系数β. 2. 总离差=分组变量离差+协变量离差+随机误差，
2. 统计分析。 依次选取“Analyze”、“General Linear Model”、“Univariate” 。 图2 选择分析工具 展开对话框如下图，将x选入Dependent V ariable（因变量框），g、id 选入Fixed Factors（固定因素框）。 图3 选择变量进入右侧的分析列表
对话框右边有一排按钮Mode、Contrasts 、Plots、Post Hoc、Save 和Options,下面分别对其子对话框选项作一简单介绍: Model：指定不同的模型，除方差分析外General Linear Model可作其他统计分析； Contrasts：指定一种要用t 检验来检验的priori 对比； Plots：指定作某种图； Post Hoc：指定两两比较的方法； Save：指定将产生的一些指标保存为新的变量； Options：指定要输出的一些选项，如数据的描述方差齐性检等 单击Model 展开其子对话框如下图，最上方Specify Model 定义模型，有两个选项：Full factorial（全因子）和Custom，选取Custom（自定义），Build Terms （选取模型中各项）下方有一选项，单击下拉箭头将其展开，选择Main Effects（主效应因）（本例不考虑交互作用），再将Factors 框中的g、id 选入Model:框，按Continue返回主对话框，单击Post Hoc 按钮展开其子对话框，将g 选入Post Hoc Test for，即要做两两比较的因素框，选取SNK 即q检验，返回主对话框，单击OK 键提交执行。 图4 Model对话框设置
协方差分析的基本原理 1．协方差分析的提出 无论是单因素方差分析还是多因素方差分析，它们都有一些人为可以控制的控制变量。在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。 例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。又比如，考查受教育程度对个人工资是否有显著影响，这时必须考虑工作年限因素。一般情况下，工作年限越长，工资就越高。在研究此问题时必须排除工作年限因素的影响，才能得出正确的结论。再如，如果要了解接受不同处理的小白鼠经过一段时间饲养后体重增加量有无差别，已知体重的增加和小白鼠的进食量有关，接受不同处理的小白鼠其进食量可能不同，这时为了控制进食量对体重增加的影响，可在统计阶段利用协方差分析（Analysis of Covariance），通过统计模型的校正使得各组在“进食量”这个变量的影响上相等，即将进食量作为协变量，然后分析不同处理对小白鼠体重增加量的影响。 为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。以下将以一元协方差分析为例，讲述协方差分析的基本思想和步骤。 2．协方差分析的计算公式 以单因素协方差分析为例，总的变异平方和表示为： Q Q Q Q ++ 总控制变量协变量随机变量 ＝ 协方差分析仍然采用F检验，其零假设 H为多个控制变量的不同水平下，各总体平均值没有显著差异。 F统计量计算公式为： 2 2 S F S 控制变量 控制变量 随机变量 ＝, 2 2 S F S 协变量 协变量 随机变量 ＝ 以上F统计量服从F分布。SPSS将自动计算F值，并根据F分布表给出相应的相伴概率值。 如果F 控制变量 的相伴概率小于或等于显著性水平，则控制变量的不同水平对观察变量产生了显著的影响；如 果F 协变量 的相伴概率小于或等于显著性水平，则协变量的不同水平对观察变量产生了显著的影响。 3．协方差分析需要满足的假设条件 （1）自变量是分类变量，协变量是定距变量，因变量是连续变量； （2）对连续变量或定居变量的协变量的测量不能有误差； （3）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；（4）协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。
1、概述 重复测量数据的方差分析是对同一因变量进行重复测量的一种试验设计技术。在给予一种或多种处理后，分别在不同的时间点上通过重复测量同一个受试对象获得的指标的观察值，或者是通过重复测量同一个个体的不同部位（或组织）获得的指标的观察值。重复测量数据在科学研究中十分常见。 分析前要对重复测量数据之间是否存在相关性进行球形检验。如果该检验结果为P﹥0.05，则说明重复测量数据之间不存在相关性，测量数据符合Huynh-Feldt条件，可以用单因素方差分析的方法来处理；如果检验结果P﹤0.05，则说明重复测量数据之间是存在相关性的，所以不能用单因素方差分析的方法处理数据。在科研实际中的重复测量设计资料后者较多，应该使用重复测量设计的方差分析模型。 球形条件不满足时常有两种方法可供选择：（1）采用MANOVA（多变量方差分析方法）；（2）对重复测量ANOVA检验结果中与时间有关的F值的自由度进行调整。 2、问题 新生儿胎粪吸入综合征（MAS）是由于胎儿在子宫内或着生产时吸入了混有胎粪的羊水，从而导致呼吸道和肺泡发生机械性阻塞，并伴有肺泡表面活性物质失活，而且肺组织也会发生化学性炎症，胎儿出生后出现的以呼吸窘迫为主，同时伴有其他脏器受损现象的一组综合征。血管内皮生长因子(vascular endothelial growth factor，VEGF)是一种有丝分裂原，它特异作用于血管内皮细胞时，能够调节血管内皮细胞的增殖和迁移，从而使血管通透性增加。而本实验旨在通过观察分析给予外源性肺表面活性物质治疗前后胎粪吸入综合征患儿血清中VEGF的含量变化，评价药物治疗的效果。 将收治的诊断胎粪吸入综合症的新生儿共42名。将患儿随机分为肺表面活性物质治疗组（PS组）和常规治疗组（对照组），每组各21例。PS组和对照组两组所有患儿均给予除用药外的其他相应的对症治疗。PS组患儿给予牛肺表面活性剂PS 70mg/kg治疗。采集PS 组及对照组患儿0小时，治疗后24小时和72小时静脉血2ml，离心并提取上清液后保存备用并记录血清中VEGF的含量变化情况。 结果如下： 3、统计分析
方差分析 方差分析可以用来检验来多个均值之间差异的显著性，可以看成是两样本t检验的扩展。统计学原理中涉及的方差分析主要包括单因素方差分析、两因素无交互作用的方差分析和两因素有交互作用的方差分析三种情况。虽然Excel可以进行这三种类型的方差分析，但对数据有一些限制条件，例如不能有缺失值，在两因素方差分析中各个处理要有相等的重复次数等；功能上也有一些不足，例如不能进行多重比较。而在方差分析方面SPSS的功能特别强大，很多输出结果已经超出了统计学原理的范围。 用SPSS检验数据分布的正态性 方差分析需要以下三个假设条件：（1）、在各个总体中因变量都服从正态分布；（2）、在各个总体中因变量的方差都相等；（3）、各个观测值之间是相互独立的。 在SPSS中我们很方便地对前两个条件进行假设检验。同方差性检验一般与方差分析一起进行，这一小节我们只讨论正态性的检验问题。 [例7.4] 检验生兴趣对考试成绩的影响的例子中各组数据的正态性。 在SPSS中输入数据（或打开数据文件），选择Analyze→Descriptive Statistics→Explore，在Explore对话框中将统计成绩作为因变量，兴趣作为分类变量（Fator），单击Plots按钮，选中“Histogram”复选框和“Normality plots with Test”，单击“Continue”按钮，在单击主对话框中的“OK”，可以得到分类别的描述统计信息。从数据的茎叶图、直方图和箱线图都可以对数据分布的正态性做出判断，由于这些内容前面已经做过讲解，这里就不再进一步说明了。 图7-2 用Expore过程进行正态性检验 top↑
多因素方差分析 多因素方差分析是对一个独立变量是否受一个或多个因素或变量影响而进行的方差分析。SPSS调用“Univariate”过程，检验不同水平组合之间因变量均数，由于受不同因素影响是否有差异的问题。在这个过程中可以分析每一个因素的作用，也可以分析因素之间的交互作用，以及分析协方差，以及各因素变量与协变量之间的交互作用。该过程要求因变量是从多元正态总体随机采样得来，且总体中各单元的方差相同。但也可以通过方差齐次性检验选择均值比较结果。因变量和协变量必须是数值型变量，协变量与因变量不彼此独立。因素变量是分类变量，可以是数值型也可以是长度不超过8的字符型变量。固定因素变量(Fixed Factor)是反应处理的因素;随机因素是随机地从总体中抽取的因素。 [例子] 研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表5-7。分析不同温度和湿度对粘虫发育历期的影响是否存在着显著性差异。 表5-7 不同温度与不同湿度粘虫发育历期表 数据保存在“DATA5-2.SAV”文件中，变量格式如图5-1。 1）准备分析数据 在数据编辑窗口中输入数据。建立因变量历期“历期”变量，因素变量温度“A”，湿度为“B”变量，重复变量“重复”。然后输入对应的数值，如图5-6所示。或者打开已存在的数据文件“DATA5-2.SAV”。
图5-6 数据输入格式 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“General Linear Model”项，在右拉式菜单中点击“Univariate”项，系统打开单因变量多因素方差分析设置窗口如图5-7。 图5-7 多因素方差分析窗口 3）设置分析变量 设置因变量:在左边变量列表中选“历期”，用向右拉按钮选入到“Dependent Variable：”框中。 设置因素变量:在左边变量列表中选“a”和“b”变量，用向右拉按钮移到“Fixed Factor(s):”框中。可以选择多个因素变量。由于内存容量的限制，选择的因素水平组合数(单元数)应该尽量少。
作业8：多因素方差分析 1，data0806-height是从三个样方中测量的八种草的高度，问高度在三个取样地点，以及八种草之间有无差异？具体怎么差异的？ 打开spss软件，打开data0806-height数据，点击Analyze->General Linear Model->Univariate 打开： 把plot和species送入Fixed Factor(s)，把height送入Dependent Variable，点击Model 打开：
选择Full factorial，Type III Sum of squares，Include intercept in model（即全部默认选项），点击Continue回到Univariate主对话框，对其他选项卡不做任何选择， 结果输出：
因无法计算MM e rror，即无法分开MM intercept和MM error，无法检测interaction的影响，无法进行方差分析， 重新Analyze->General Linear Model->Univariate打开： 选择好Dependent Variable和Fixed Factor(s)，点击Model打开： 点击Custom，把主效应变量species和plot送入Model框，点击Continue回到Univariate主对话框，点击Plots：
Univariate对话框，点击Options：
把OVERALL,species, plot送入Display Means for框，选择Compare main effects，Bonferroni，点击Continue回到Univariate对话框， 输出结果： 可以看到：SS species=33.165，df species=7，MS species=4.738；SS plot=33.165，df plot=7，MS plot=4.738；SS error=21.472，df error=14，MS error=1.534； Fspecies=3.089，p=0.034<0.05;Fplot=12.130,p=0.005<0.01; 所以故认为在5%的置信水平上，不同样地，不同物种之间的草高度是存在差异的。
23. 协方差分析 （一）原理 一、基本思想 在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。 例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。 协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。 协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。 当有一个协变量时，称为一元协方差分析，当有两个或两个以上
的协变量时，称为多元协方差分析。 二、协方差分析需要满足的条件 （1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差； （2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设； （3）自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除； （4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。 三、基本理论 1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即 ()ij i ij ij y u t x x βε=++-+（1） 其中，X 为所有协变量的平均值。 注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。 用协变量进行修正，得到修正后的y ij (adj)为 (adj)()ij ij ij i ij y y x x u t βε=--=++ 就可以对y ij (adj)做方差分析了。关键问题是求出回归系数β.
本次实验采用2005年东部、中部和西部各地区省份城镇居民月平均消费类型划分的数据（课本139页），将东部、中部和西部看作三个不同总体，31个数据分别来自于这三个总体。本人对这三个不同地区的城镇居民月平均消费水平进行比较，并选取人均粮食支出、副食支出、烟酒及饮料支出、其他副食支出、衣着支出、日用杂品支出、水电燃料支出和其他非商品支出八个指标来衡量城镇居民月平均消费情况。 在进行比较分析之前，首先对个数据是否服从多元正态分布进行检验，输出结果为： 表一 如表一，因为该例中样本数n=31<2000,所以此处选用Shapiro-Wilk统计量。由正态性检验结果的sig.值可以看到，人均粮食支出、烟酒及饮料支出、其他副食支出、水电燃料支出和其他非商品支出均明显不遵从正态分布（Sig.值小于,拒绝服从正态分布的原假设），因此，在下面分析中，只对人均副食支出、衣着支出和日用杂品支出三项指标进行比较，并认为这三个变量组成的向量都遵从正态
分布，并对城镇居民月平均消费状况做出近似的度量。另外，正态性的检验还可以通过Q-Q图来实现，此时应判别数据点是否与已知直线拟合得好。如果数据点均落在直线附近，说明拟合得好，服从正态分布，反之，不服从。具体情况这里不再赘述。 下面进行多因素方差分析： 一、多变量检验 表二 由地区一栏的（即第二栏）所列几个统计量的Sig.值可以看到，无论从那个统计量来看，三个地区的城镇居民月平均消费水平都是有显著差别的（Sig.值小于，拒绝地区取值不同，对Y，即城镇居民月平均消费水平的取值没有显著影响的原假设）。 二、主体间效应检验 表三
如表三，可以看到三个指标地区一栏的（即第三栏）Sig.值分别为、、，说明三个地区在人均衣着支出指标上没有明显的差别（Sig.值大于，不拒绝地区取值不同，对指标的取值没有显著影响的原假设），反之，而在人均副食支出和日用杂品支出指标上有显著差别。 三、多重比较 表四 Contrast Results (K Matrix) 地区 Simple Contrast a Dependent Variable 人均副食支出(元/人) 人均日用杂品支出(元 /人) 人均衣着支出(元/人) Level 1 vs. Level 3 Contrast Estimate Hypothesized Value 0 0 0 Difference (Estimate - Hypothesized) Std. Error Sig. .001 .036 .517 95% Confidence Interval for Difference Lower Bound .173 Upper Bound Level 2 vs. Level 3 Contrast Estimate Hypothesized Value 0 0 0 Difference (Estimate - Hypothesized) Std. Error Sig. .668 .343 .638 95% Confidence Interval for Difference Lower Bound Upper Bound
简单教程0 2 1.相关配套数据已经上传百度文库： 2.配套软件SPSS 17.0 已经上传百度文库； 百度文库搜索“SPSS简单教程配套数据及软件_chenxy” 百度云盘链接； 3 协方差分析 (2) 3.1 单因素协方差分析 (2) 3.2 双因素协方差分析 (4) 3.2.1 无交互作用的协方差分析 (4) 3.2.2 有交互作用的协方差分析................................................... 错误！未定义书签。
3 协方差分析 课程内容： 协方差分析 这种不是在试验中控制某个因素，而是在试验后对该因素的影响进行估计，并对试验指标的值作出调整的方法称为统计控制 以统计控制为目的，利用线性回归消除混杂因素的影响后再进行的方差分析，称为协方差分析； 所需要统计控制的一个或多个因素，称为协变量； 1.自变量是分类变量，协变量是定距变量，因变量是连续变量； 2.对连续变量或定距变量的协变量的测量不能有误差； 3.协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违 背这一假设； 4.协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归 线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。 5.自变量与协变量是直角关系，即互不相关，它们之间没有交互作用。如果协方差受自变 量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除。 分类变量：以班级将学生分类班级即为分类变量 定距变量：刻度级变量定距定比 连续变量：可以用小数表示的变量 协方差分析：将回归分析与方差分析相结合的一种分析方法 3.1 单因素协方差分析 判断是否需要做协方差分析 1）对自变量做单因素方差分析 2）对自变量和因变量做相关分析 方差齐性检验和回归系数的假设检验（斜率同质性检验），只有满足上述条件后才能应用，否则不宜适用 操作步骤1 （数据见文件20151022_单因素协方差分析） 1.在Variable View 窗口定义变量 肥料（nominal 并设定标签值1~3 肥料A~C ） 第一年产量（Scale） 第二年产量（Scale） （判断需不需要做协方差分析） 操作步骤1 ： 先对第一年产量为协变量进行单因素协方差分析： Analyze -> Compare Means -> one-way ANOVA Continue -> OK 结果如下： 由表可知：F=6.340 sig.(P值)=0.007 < 0.05 表明拒绝原假设H0，有95%的把握认为第一年的产量是有显著性差异的 操作步骤2 ： Analyze ->Correlate -> Bivariate 进入Bivariate Correlations 窗口勾选Pearson
SPSS单因素方差分析
单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measu re过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 水稻品种 重复 12345 14133383731 23937353934 34035353834 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。
1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图1-1所示。或者打开已存在的数据文件“dat a1.sav”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口 3）设置分析变量 因变量: 选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量: 选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。
体育统计与SPSS读书笔记(八)—多因素方差分析(1) 具有两个或两个以上因素的方差分析称为多因素方差分析。 多因素是我们在试验中会经常遇到的，比如我们前面说的单因素方差分析的时候，如果做试验的不是一个年级，而是多个年纪，那就成了双因素了：不同教学方法的班级，不同年级。如果再加上性别上的因素，那就成了三因素了。如果我们把实验前和试验后的数据用一个时间的变量来表示，那又多了一个时间的因素。如果每个年级都是不同的老师来上，那又多了一个老师的因素，等等等等，所以我们在设计试验的时候都要进行充分考虑，并确定自己只研究哪些因素。 下面用例子的形式来说说多因素方差分析的运用。还是用前面说单因素的例子，前面的例子说了只在五年级抽三个班进行不同教学方法的试验，现在我们还要在初二和高二各抽三个班进行不同教学方法的试验。形成年级和不同教学法班级双因素。 分析： 1.根据实验方案我们划出双因素分析的表格，可以看出每个单元格都是有重复数据(也就是不只一个数据)， 年级 不同教学方法的班级 定性班 定量班 定性定量班 五年级 (班级每个人) (班级每个人) (班级每个人) 初中二年级 (班级每个人) (班级每个人) (班级每个人) 高中二年级 (班级每个人) (班级每个人) (班级每个人) 2.因为有重复数据，所以存在在数据交互效应的可能。我们来看看交效应的含义：如果在A因素的不同水平上,B因素对因变量的影响不同,则说明A、B两因素间存在交互作用。交互作用是多因素实验分析的一个非常重要的内容。如因素间存在交互作用而又被忽视,则常会掩盖因素的主效应的显著性,另一方面,如果对因变量Y,因素A与B之间存在交互作用,则已说明这两个因素都Y对有影响,而不管其主效应是否具有显著性。在统计模型中考虑交互作用,是系统论思想在统计方法中的反映。在大多数场合,交互作用的信息比主效应的信息更为有用。根据上面的判断。根据上面的说法，我也无法判断是否有交互作用，不像身高和体重那么直接。这里假设他们之间有交互作用。
SPSS——单因素方差分析 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure 过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数
图1-2 单因素方差分析窗口 3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。 图1-3 “Contrasts”对话框 定义多项式的步骤为： 均值的多项式比较是包括两个或更多个均值的比较。例如图1-3中显示的是要求计算“1.1×mean1-1×mean2”的值，检验的假设H0：第一组均值的1. 1倍与第二组的均值相等。单因素方差分析的“0ne-Way ANOVA”过程允许进行
高达5次的均值多项式比较。多项式的系数需要由读者自己根据研究的需要输入。具体的操作步骤如下： ①选中“Polynomial”复选项，该操作激活其右面的“Degree”参数框。 ②单击Degree参数框右面的向下箭头展开阶次菜单，可以选择“Linear”线性、“Quadratic”二次、“Cubic”三次、“4th”四次、“5th”五次多项式。 ③为多项式指定各组均值的系数。方法是在“Coefficients”框中输入一个系数，单击Add按钮，“Coefficients”框中的系数进入下面的方框中。依次输入各组均值的系数，在方形显示框中形成—列数值。因素变量分为几组，输入几个系数，多出的无意义。如果多项式中只包括第一组与第四组的均值的系数，必须把第二个、第三个系数输入为0值。如果只包括第一组与第二组的均值，则只需要输入前两个系数，第三、四个系数可以不输入。 可以同时建立多个多项式。一个多项式的一组系数输入结束，激话“N ext”按钮，单击该按钮后“Coefficients”框中清空，准备接受下一组系数数据。 如果认为输入的几组系数中有错误，可以分别单击“Previous”或“Next”按钮前后翻找出错的一组数据。单击出错的系数，该系数显示在编辑框中，可以在此进行修改，修改后单击“Change”按钮在系数显示框中出现正确的系数值。当在系数显示框中选中一个系数时，同时激话“Remove”按钮，单击该按钮将选中的系数清除。 ④单击“Previous”或“Next”按钮显示输入的各组系数检查无误后，按“Con tinue”按钮确认输入的系数并返回到主对话框。要取消刚刚的输入，单击“Ca ncel”按钮；需要查看系统的帮助信息，单击“Help”按钮。 本例子不做多项式比较的选择,选择缺省值。 5）设置多重比较 在主对话框里单击“Post Hoc”按钮，将打开如图5-4所示的多重比较对话框。该对话框用于设置多重比较和配对比较。方差分析一旦确定各组均值间存在差异显著，多重比较检测可以求出均值相等的组；配对比较可找出和其它组均值有差异的组，并输出显著性水平为0.95的均值比较矩阵，在矩阵中用星号表示有差异的组。
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 6.2.1 主要功能 6.2.2 实例操作 第三节Multivarite过程 6.3.1 主要功能 6.3.2 实例操作 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。
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 图6.2 协方差分析对话框
1， data0806-height 是从三个样方中测量的八种草的高度，问高度在三个取样地点，以及 八种草之间有无差异？具体怎么差异的？ 打 开 spss 软 件 ， 打 开 data0806-height 数 据 ， 点 击 Analyze->General Linear Model->Univariate 打开： 把 plot 和 species 送入 Fixed Factor(s) ，把 height 送入 Dependent Variable ，点击 Model 打开： 选择 Full factorial ， Type III Sum of squares ， Include intercept in model (即 全部默认选项) ，点击 Continue 回到 Univariate 主对话框，对其他选项卡不做任何选 择， 结果输出： 因无法计算 ???? ??rror ，即无法分开 ???? intercept 的影响，无法进行方差分析， 重新 Analyze->General Linear Model->Univariate 打开： 选择好 Dependent Variable 和 Fixed Factor(s) 点击Custom,把主效应变量 species 和plot 送入 Model 框，点击 Continue 回到Univariate 主对话框，点击 Plots ： 把 date 送入 Horizontal Axis ，把 depth 送入 Separate Lines ，点击 Add ，点击 Continue 回到 Univariate 对话框，点击 Options ： 把 OVERALL,species, plot 送入 Display Means for 框,选择 Compare main effects , Bonferroni ,点击 Continue 回到 Univariate 对话框, 输出结果： 可以看到： SS species =, df species =7, MS species= ；SS plot =, df plot =7, MS plot= ；SS error =, df error =14, MS error= ； Fspecies= , p=<;Fplot=,p=<; 所以故认为在 5%的置信水平上,不同样地,不同物种之间的草高度是存在差异的。 该表说明： SSspecies= ,dfspecies=7 ,MSspecies= ；SSerror= ,dferror=14 ,MSerror= ； Fspecies= , p=<; 物种间存在差异： SSplot= , dfplot=7 , MSplot= ； SSerror= , dferror=14 , MSerror= ； Fplot=,p=<; 不同的物种间在差异： 由边际分布图可知：类似结论：草的高度在不同样地的条件之间有差异( Fplot=,p=< )，具 体是，样地一和样地三之间存在的差异最大；八种不同草的高度也存在差异( Fspecies= ， p=<),具体是第四 和 ???? error ，无法检测 interaction ，点击 Model 打开：
One-Way ANOVA过程 One-Way ANOVA过程用于进行两组及多组样本均数的比较，即成组设计的方差分析，如果做了相应选择，还可进行随后的两两比较，甚至于在各组间精确设定哪几组和哪几组进行比较。 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（应变量）。 【Factor框】 选入需要比较的分组因素，只能选入一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义。 o Polynomial复选框定义是否在方差分析中进行趋势检验。 o Degree下拉列表和Polynomial复选框配合使用，可选则从线
性趋势一直到最高五次方曲线来进行检验。 o Coefficients框定义精确两两比较的选项。这里按照分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如有三组数据，要对第 一、三组进行单独比较，则在这里给三组分配系数为1、0、-1， 就会在结果中给出相应的检验内容。 【Post Hoc钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法，有： o Equar Variances Assumed复选框组当各组方差齐时可用的两两比较方法，共有14中种这里不一一列出了，其中最常用的为LSD和S-N-K法。 o Equar Variances Not Assumed复选框组一组当各组方差不齐时可用的两两比较方法，共有4种，其中以Dunnetts's C法较常用。
协方差分析的基本原理 1.协方差分析的提出 无论是单因素方差分析还是多因素方差分析，它们都有一些人为可以控制的控制变量。在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响,则有可能得到不正确的结论。 例如,研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。又比如，考查受教育程度对个人工资是否有显著影响,这时必须考虑工作年限因素。一般情况下,工作年限越长,工资就越高。在研究此问题时必须排除工作年限因素的影响,才能得出正确的结论。再如,如果要了解接受不同处理的小白鼠经过一段时间饲养后体重增加量有无差别，已知体重的增加和小白鼠的进食量有关，接受不同处理的小白鼠其进食量可能不同，这时为了控制进食量对体重增加的影响，可在统计阶段利用协方差分析（Analysｉs of Cｏvariance）,通过统计模型的校正使得各组在“进食量”这个变量的影响上相等,即将进食量作为协变量，然后分析不同处理对小白鼠体重增加量的影响。 为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量,而协方差分析中既包含了定性变量（控制变量)，又包含了定量变量(协变量)。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析,是一种把直线回归或多元线性回归与方差分析结合起来的方法,其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系,且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时,称为一元协方差分析,当有两个或两个以上的协变量时，称为多元协方差分析。以下将以一元协方差分析为例，讲述协方差分析的基本思想和步骤。 2.协方差分析的计算公式 以单因素协方差分析为例,总的变异平方和表示为： Q Q Q Q ++ 总控制变量协变量随机变量 ＝ 协方差分析仍然采用F检验，其零假设 H为多个控制变量的不同水平下，各总体平均值没有显著差异。 F统计量计算公式为： 2 2 S F S 控制变量 控制变量 随机变量 ＝, 2 2 S F S 协变量 协变量 随机变量 ＝ 以上Ｆ统计量服从F分布。SPSS将自动计算F值,并根据F分布表给出相应的相伴概率值。 如果F 控制变量 的相伴概率小于或等于显著性水平，则控制变量的不同水平对观察变量产生了显著的影响;如果 F 协变量 的相伴概率小于或等于显著性水平，则协变量的不同水平对观察变量产生了显著的影响。 3．协方差分析需要满足的假设条件 (1)自变量是分类变量，协变量是定距变量，因变量是连续变量; (2)对连续变量或定居变量的协变量的测量不能有误差； (３）协变量与因变量之间的关系是线性关系,可以用协变量和因变量的散点图来检验是否违背这一假设；（4)协变量的回归系数是相同的。在分类变量形成的各组中,协变量的回归系数（即各回归线的斜率)必须是相等的,即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。(５)自变量与协变量是直角关系，即互不相关，它们之间没有交互作用。如果协方差受自变量的影响,那么协