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
3 40 35 35 38 34 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。 。 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。 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.
实验三多元方差分析 一、实验目的 用多元方差分析说明民族和城乡对人均收入和文化程度的影响。 二、实验要求 调查24个社区，得到民族与城乡有关数据如下表所示，其中人均收入为年 均，单位百元。文化程度指15岁以上小学毕业文化程度者所占百分比。试依此 数据通过方差分析说明民族和城乡对人均收入和文化程度的影响。 三、实验内容 1．依次点击“分析”---- “常规线性模型”----“多变量”，将“人均收入”和“文化程度” 加到“因变量”中，将“民族”和“居民”加到“固定因子”中，如下图一所示。 民族农村城市 人均收入文化程度人均收入文化程度 1 46，50，60，68 70，78，90，93 52，58，72，75 82，85，96，98 2 52，53，63，71 71，75，86，88 59，60，73，77 76，82，92，93 3 54，57，68，69 65，70，77，81 63，64，76，78 71，76，86，90
【图一】 2.点击“选项”，将“输出”中的相关选项选中，如下图二所示： 【图二】 3.点击“继续”，“确定”得到如下表一的输出：
【表一】 常规线性模型 主体间因子 值标签N 民族 1.00 1 8 2.00 2 8 3.00 3 8 居民 1.00 农村12 2.00 城市12 描述性统计量 民族居民均值标准差N 人均收入1 农村56.0000 9.93311 4 城市64.2500 11.02648 4 总计60.1250 10.66955 8 2 农村59.7500 8.99537 4 城市67.2500 9.10586 4 总计63.5000 9.28901 8 3 农村62.0000 7.61577 4 城市70.2500 7.84750 4 总计66.1250 8.40812 8 总计农村59.2500 8.45442 12 城市67.2500 8.89458 12 总计63.2500 9.41899 24 文化程度1 农村82.7500 10.68878 4 城市90.2500 7.93200 4 总计86.5000 9.59166 8
SPSS单因素方差分析步骤
spss教程：单因素方差分析 用来测试某一个控制变量的不同水平是否给观察变量造成显著差异和变动。 方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和 SST，控制变量引起的离差SSA（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。方法/步骤 1.计算检验统计量的观察值和概率P_值：Spss自动计算F统计 值，如果相伴概率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。
2.方差齐性检验：控制变量不同水平下各观察变量总体方差是否 相等进行分析。采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。图中相伴概率 0.515大于显著性水平0.05，故认为总体方差相等。 趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察
变量总体作用的程度。图中线性相伴概率为0小于显著性水平0.05，故不符合线性关系。
3.多重比较检验：单因素方差分析只能够判断控制变量是否对观 察变量产生了显著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。 常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。
多元方差分析 1992年美国总统选举的三位候选人为布什、佩罗特、克林顿。从支持三位候选人的选民中分别 分析：该题自变量为三位候选人，因变量为年龄段和受教育程度。从自变量来看要进行方差分析，从因变量来看是二元分析，所以最终确定使用多变量分析 具体操作（spss） 1、打开spss，录入数据，定义变量和相应的值在此不作详述。结果如图1
图1 被投票人：1、布什2、佩罗特3、克林顿 2、在spss窗口中选择分析——一般线性模型——多变量，调出多变量分析主界面，将年龄段和受 教育程度移入因变量框中，被投票人移入固定因子框中。如图2 图2 多变量分析主界面 3、点击选项按钮在输出框中选择方差齐性分析（既包括协方差矩阵等同性分析也包括误差方差齐 性分析），其它使用默认即可，点击继续返回主界面。如图3
图3 选项子对话框 4、点击确定，运行多变量分析过程。 结果解释 1、协方差矩阵等同性的Box检验结果，如图4 图4 协方差矩阵检验 结果说明：此Box检验的协方差矩阵为三位候选人每个人的支持者的年龄段和受教育程度的协方差矩阵。因为sig>0.05，所以差异不显著，即各个因变量的协方差矩阵在所有三个候选人组中是相等的。可以对其进行多元方差分析。 2、多变量检验结果，如图5
图5 多变量检验 结果说明：被投票人在四种统计方法中的sig均小于0.05，所以差异显著，即三组的总体均值有显著性差异 3、误差方差等同性的Levene检验结果，如图6 图6 Levene检验 结果说明：只考虑单个变量，年龄段或者受教育程度，每位候选人的20名支持者的随机误差是否有显著性差异。因为sig>0.05，差异不显著，所以三位候选人的20名支持者的随机误差相等。 可以进行单因素方差分析。 4、主体间效应的检验结果，如图7 图7 主体间效应的检验 结果说明：被投票人一行中，年龄段的sig<0.05，差异显著，即支持三位候选人的选民中，年龄段之间存在显著差异；而受教育程度的sig>0.05，差异不显著，即支持三位候选人的选民中，受教育程度差异不显著。
SPSS单因素方差分析(ANOVA)- 案例解析
作者:日期:
SPSS单因素方差分析（?ANOVA）案例解析 2011-08-30 11:10 这几天一直在忙电信网上营业厅用户体验优化改版事情，今天将我最近学习SPSS单因素方差分析（ANOVA分析，今天希望跟大家交流和分享一下： 继续以上一期的样本为例，雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。 研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？ 样本数据如下所示：（a代表雄性老鼠b代表雌性老鼠0代表死亡1代表活着tim 代表注射毒液后，经过多长时间，观察结果） 点击“分析”一一比较均值------ 单因素AVOVA,如下所示:
从上图可以看出，只有“两个变量”可选，对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码， 点击“转换”一“重新编码为不同变量”将a,b"分别用8,9进行替换，得到如 下结果”
組别 g g生存时间tim 生存结局stat us ro a51r3.w \ a70/ 8.00 a131；' a.oo 131I 3 OG i a23 1 I BOO a301 1 9.00 1 a J 300\ 8.00._1 a羽1\ 000 a421\ B.OO a421\ s.oo a450 \ S 00./d h 119 00 b319.0C ]b3 19.00 Tb119 00 101900 b1519.00 ]b 1519.00 b2319.00 〕b3019 00 此时的8代表a（雄性老鼠）9代表b雌性老鼠，移入“因变量列表”框内，将“性别”移入“因子” 按钮，如下所示： 我们将“生存结局”变量框内，点击“两两比较”
第五节方差分析的SPSS操作 一、完全随机设计的单因素方差分析 1．数据 采用本章第二节所用的例1中的数据，在数据中定义一个group变量来表示五个不同的组，变量math表示学生的数学成绩。数据输入格式如图6－3（为了节省空间，只显示部分数据的输入）： 图 6-3 单因素方差分析数据输入 将上述数据文件保存为“6-6-1.sav”。 2．理论分析 要比较不同组学生成绩平均值之间是否存在显著性差异，从上面数据来看，总共分了5个组，也就是说要解决比较多个组（两组以上）的平均数是否有显著的问题。从要分析的数据来看，不同组学生成绩之间可看作相互独立，学生的成绩可以假设从总体上服从正态分布，在各组方差满足齐性的条件下，可以用单因素的方差分析来解决这一问题。单因素方差分析不仅可以检验多组均值之间是否存在差异，同时还可进一步采取多种方法进行多重比较，发现存在差异的究竟是哪些均值。 3．单因素方差分析过程 （1）主效应的检验 假如我们现在想检验五组被试的数学成绩（math）的均值差异是否显著性，可依下列操作进行。 ①单击主菜单Analyze/Compare Means/One-Way Anova…，进入主对话框，请把math选入到因变量表列（Dependent list）中去，把group选入到因素（factor）中去，如图6-4所示：
图6-4：One-Way Anova主对话框 ②对于方差分析，要求数据服从正态分布和不同组数据方差齐性，对于正态性的假设在后面非参数检验一章再具体介绍；One-Way Anova可以对数据进行方差齐性的检验，单击铵钮Options，进入它的主对话框，在Homogeneity-of-variance项上选中即可。设置如下图6-5所示： 图6-5：One-Way Anova的Options对话框 点击Continue，返回主对话框。 ③在主对话框中点击OK，得到单因素方差分析结果 4．结果及解释 （1）输出方差齐性检验结果 Test of Homogeneity of Variances MATH Levene Statistic df1 df2 Sig. 1.238 4 35 .313 上表结果显示，Levene方差齐性检验统计量的值为1.238，Sig=0.313>0.05，所以五个组的方差满足方差齐性的前提条件，如果不满足方差齐性的前提条件，后面方差分析计算F统计量的方法要稍微复杂，本章我们只考虑方差齐性条件满足的情况。 （2）输出方差分析主效应检验结果（方差分析表）
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↑ 输出结果中的Q-Q图是观察数据分布正态性的一种常用图形。这类图形大致是这样绘制的：计算数据在样本中对应的经验分布函数值（类似于累积分布的函数值，取值在0-1之间）；然后计算标准正态分布（或者均值、方差相同的正态分布）对应于经验分布函数值的分
SPSS-单因素方差分析（ANOVA) 案例解析 2011-08-30 11:10 这几天一直在忙电信网上营业厅用户体验优化改版事情，今天将我最近学习SPSS单因素方差分析（ANOVA)分析，今天希望跟大家交流和分享一下： 继续以上一期的样本为例，雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。 研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？ 样本数据如下所示：（a代表雄性老鼠 b代表雌性老鼠 0代表死亡 1 代表活着 tim 代表注射毒液后，经过多长时间，观察结果） 点击“分析”——比较均值———单因素AVOVA, 如下所示：
从上图可以看出，只有“两个变量”可选, 对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码， 点击“转换”—“重新编码为不同变量” 将a,b"分别用8,9进行替换，得到如下结果”
此时的8 代表a(雄性老鼠） 9代表b雌性老鼠，我们将“生存结局”变量移入“因变量列表”框内，将“性别”移入“因子”框内，点击“两两比较”按钮，如下所示：
“ 勾选“将定方差齐性”下面的 LSD 选项，和“未假定方差齐性”下面的Tamhane's T2选项点击继续 点击“选项”按钮，如下所示： 勾选“描述性”和“方差同质检验” 以及均值图等选项，得到如下结果：
结果分析：方差齐性检验结果，“显著性”为0，由于显著性0<0.05 所以，方差齐性不相等，在一般情况下，不能够进行方差分析 但是对于SPSS来说，即使方差齐性不相等，还是可以进行方差分析的， 由于此样本组少于三组，不能够进行多重样本对比 从结果来看“单因素ANOVA” 分析结果，显著性0.098，由于 0.098>0.05 所以可以得出结论： 生存结局受性别的影响不显著 很多人，对这个结果可能存在疑虑，下面我们来进一步进行论证，由于“方差齐性不相等”下面我们来进行“非参数检验”检验结果如下所示：（此处采用的是“Kruskal-Wallis "检验方法）
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。
SPSS——单因素方差分析 来源：李大伟的日志 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 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“data1.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。
重复测量设计资料的方差分析SPSS操作 重复测量方差分析的基本概述：被试对象在接受不同处理后，对同一因变量（测试指标）在不同时点上进行多次测量所得的资料，称为重复测量资料。这里的重复并不是单一的反复，而是在多个时点上的测量。 这种资料的特点是其定量观测指标的数值会随着时间的变化而发生动态变化，并且各时点上的数值是不满足相互独立的假设的。因此不能用方差分析的方法直接进行处理。 如果在期初、期中、期末分别测量学生的电脑能力，则这是单变量重复测量问题。如果分别在三个时期测量学生的电脑和数学成绩，则是多变量重复测量的问题。 重复测量资料的方差分析需满足的前提条件： 1、一般方差分析的正态性和方差齐性检验。 2、协方差矩阵的球形对称性或者复合对称性；需要进行球形检验，检验对 称性。原假设：协方差满足球形对称。当拒绝球形假设时，结果中还有 其他表可以检验，见例题中的分析。 被试对象处理测量时间1 2 3 4…………m 1 1 …………………………………………. 2 1 ………………………………………….. …………………………………………………………………………………………………………. N1 1 ………………………………………….. N1+1 2 …………………………………………. ………………………………………………………………………………………………………… N2 2 …………………………………………… ………. 例：为研究新减肥药和现有减肥药的效果是否不同，以及肥胖者在服药后不同时间体重的变化情况，将40名体重指标BMIF27的肥胖者随机分为两组，一组用新药，另一组用现有减肥药；坚持服药6个月，期间禁止使用任何影响体重的药物，而且被试对象行为、饮食、运动与服药前平衡期保持一致；分别测得0
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。
SPSS中的单因素方差分析 一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 （2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。 （3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。 （4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。 （5）在主对话框中，单击“OK”提交进行。 五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下： 第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。 第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。 第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。 第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。 六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。
熟练使用SPSS进行单因素方差分析 试验内容： ?故诬:皤力示J ［试验］ ［例］五个地区每天发生交通事故的次数如下：表1五个地区每天发生交通事故数据列表 试以a =0.01的显著水平检验各地区平均每天交通事故次数是否相等。 1.数据录入。以变量x表示交通事故数据；g表示组别，可设1为东部，2为北部，3为中部，4为南部，5为西部, 比如东部数据1可以录入为 。具体格式见下图。 2.统计分析。依次选取“ Analyze ”“Compare Means” “One way
图选择分析工具 ANOV A弹出对话框如下图所示，将x选入Dependent list （因变量框），g选入Factor （研究因素框），对话框下方还有三个按钮：Contrast、Post Hoc和Options。下面简单介绍其子对话框： Post Hoc :指定一种多重比较检验方法和水准； Opti ons：指定要输出的统计量（方差齐性检验和统计描述结果）和处理缺失值的方法 图3选择变量进入右侧的分析列表 本例要选用一种两两比较的方法，单击Post Hoc弹出对话框如下图所示，对话框中列出了常用的两 两比较方法，其中 SNK即q检验，LSD least significant difference 即最小显著差法，本例选用SNK法, 并设置下面的置信度significance level为0.01,单击Options，展开其对话框指定输出方差齐性检验结果。
按Continue返回主对话框，单击 OK提交执行。 图4设置分析参数 输出结果及结果说明 第一个表格显示了方差齐性检验结果P= 0.983，所以认为方差齐次；第二个表格给出了方差分析的内容，Sum of Squares为平方和，Mean Square为均方和，df为自由度，Between Groups为组间，Within Groups为组内，F= 3.676 ，所以接受原假设，即各地区每天发生的交通事故次数相等。
SPSS超详细操作：两因素多元方差分析(Two 医咖会在之前的推文中，推送过多篇方差分析相关的文章，包括： 单因素方差分析(One-Way ANOVA) 双因素方差分析(Two-way ANOVA) 三因素方差分析(Three-way ANOVA) 单因素重复测量方差分析 两因素重复测量方差分析 三因素重复测量方差分析 单因素多元方差分析(One-way MANOVA) 每种方差分析的应用场景，以及该如何进行SPSS操作和解读结果，各位伙伴请点击相应的文章链接查看~~今天，我们再来介绍一种统计方法：两因素多元方差分析(Two-way Manova)。 一、问题与数据 某研究者想研究三种干预方式（regular—常规干预；rote—死记硬背式干预；reasoning—推理式干预）对学生学习成绩的影响。 研究者记录了学生两门考试的成绩：文科成绩（humanities_score）和理科成绩（science_score）。另外，基于之前的知识，研究者假设干预方式对男女两种性别学生
的效果可能不同。换言之，研究者想知道不同干预方式对学习成绩的影响在男女学生中是否不同。也就是说，干预方式和性别两个自变量之间是否存在交互作用（interaction effect）。 注：交互作用是指某一自变量对因变量的效应在另一个自变量的不同水平会不同。在本例中，就是要比较①男性中干预方式对学习成绩的影响和②女性中干预方式对学习成绩的 影响。这两个效应就成为单独效应（simple main effects），也就是说，单独效应是指在一个自变量的某一水平，另一个自变量对因变量的影响。因此，交互作用也可以看做是对单独效应间是否存在差异的检验。 在本研究中，共有三个效应：性别的主效应；干预方式的主效应；性别和干预方式的交互作用。 研究者选取30名男学生和30名女学生，并将其随机分配到三个干预组中，每个干预组中共有10名男学生和10名女学生。部分数据如下： 二、对问题的分析 使用两因素多元方差分析法进行分析时，需要考虑10个假设。 对研究设计的假设： 1. 因变量有2个或以上，为连续变量；
22. 方差分析 一、方差分析原理 1. 方差分析概述 方差分析可用来研究多个分组的均值有无差异，其中分组是按影响因素的不同水平值组合进行划分的。 方差分析是对总变异进行分析。看总变异是由哪些部分组成的，这些部分间的关系如何。 方差分析，是用来检验两个或两个以上均值间差别显著性（影响观察结果的因素：原因变量（列变量）的个数大于2，或分组变量（行变量）的个数大于1）。一元时常用F检验（也称一元方差分析），多元时用多元方差分析（最常用Wilks’∧检验）。 方差分析可用于： （1）完全随机设计（单因素）、随机区组设计（双因素）、析因设计、拉丁方设计和正交设计等资料； （2）可对两因素间交互作用差异进行显著性检验； （3）进行方差齐性检验。 要比较几组均值时，理论上抽得的几个样本，都假定来自正态总体，且有一个相同的方差，仅仅均值可以不相同。还需假定每一个观察值都由若干部分累加而成，也即总的效果可分成若干部分，而每一部分都有一个特定的含义，称之谓效应的可加性。所谓的方差是离均差平方和除以自由度，在方差分析中常简称为均方（Mean Square）。
2. 基本思想 基本思想是，将所有测量值上的总变异按照其变异的来源分解为多个部份，然后进行比较，评价由某种因素所引起的变异是否具有统计学意义。 根据效应的可加性，将总的离均差平方和分解成若干部分，每一部分都与某一种效应相对应，总自由度也被分成相应的各个部分，各部分的离均差平方除以各自的自由度得出各部分的均方，然后列出方差分析表算出F检验值，作出统计推断。 方差分析的关键是总离均差平方和的分解，分解越细致，各部分的含义就越明确，对各种效应的作用就越了解，统计推断就越准确。 效应项与试验设计或统计分析的目的有关，一般有：主效应（包括各种因素），交互影响项（因素间的多级交互影响），协变量（来自回归的变异项），等等。 当分析和确定了各个效应项S后，根据原始观察资料可计算出各个离均差平方和SS，再根据相应的自由度df，由公式MS=SS/df，求出均方MS，最后由相应的均方，求出各个变异项的F值，F值实际上是两个均方之比值，通常情况下，分母的均方是误差项的均方。
spss教程：单因素方差分析 用来测试某一个控制变量的不同水平是否给观察变量造成显著差异和变动。 方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。所以方差分析就是研究不同水平下各个总体的均值是否有显著的差异。统计推断方法是计算F统计量，进行F检验，总的变异平方和 SST，控制变量引起的离差SSA（Between Group离差平方和），另一部分随机变量引起的SSE（组内Within Group离差平方和），SST=SSA+SSE。方法/步骤 1.计算检验统计量的观察值和概率P_值：Spss自动计算F统计值， 如果相伴概率P小于显著性水平a，拒绝零假设，认为控制变量不同水平下各总体均值有显著差异，反之，则相反，即没有差异。 2.方差齐性检验：控制变量不同水平下各观察变量总体方差是否 相等进行分析。采用方差同质性检验方法（Homogeneity of variance），原假设“各水平下观察变量总体的方差无显著差异，思路同spss两独立样本t检验中的方差分析”。图中相伴概率大于显著性水平，故认为总体方差相等。
趋势检验：趋势检验可以分析随着控制变量水平的变化，观测变量值变化的总体趋势是怎样的，线性变化，二次、三次等多项式。趋势检验可以帮助人们从另一个角度把握控制变量不同水平对观察变量总体作用的程度。图中线性相伴概率为0小于显著性水平，故不符合线性关系。 3.多重比较检验：单因素方差分析只能够判断控制变量是否对观 察变量产生了显著影响，多重比较检验可以进一步确定控制变量的不同水平对观察变量的影响程度如何，那个水平显著，哪个不显著。 常用LSD、S-N-K方法。LSD方法检测灵敏度是最高的，但也容易导致第一类错误（弃真）增大，观察图中结果，在LSD项中，报纸与广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。 4.相似性子集：由图可知，划分的子集结果是一样的。通常在相 似性子集划分时多采用S-N-K方法的结论。其结论可以与上述多重比较检验结合起来看，验证在LSD项中，报纸与广播没有显著差异的结论。
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。
方差分析
方差分析的应用条件 ?各样本是相互独立的随机样本； ?各组样本均来自正态总体； ?各组的总体方差相等 ?各单元格样本含量比较大(>30)且各单元格样本含量相同的情况下，方差 是否相等对结果影响几乎没有
方差分析的基本思想 ?全部数据的总变异分成多个部分（离均差平方和SS） ?均方MS=SS/df ?各部分变异的MS与随机误差的MS做比，形成F统计量 ?注意：H0为各组总体均数不全相等
?完全随机设计方差分析?多组样本均数两两比较?随机区组设计方差分析?析因设计方差分析
?例题： ?某人研究北京机关工作人员血脂水平，随机抽取不同年龄组男性受试者各10名，检测他们的总胆固醇（TC）的含量(mmol/L)，其结果如下： ?青年组5.00 4.85 4.93 5.18 4.95 4.78 5.18 4.89 5.07 5.21 ?中年组5.12 5.13 4.89 5.20 4.99 5.14 5.16 4.98 5.16 5.25 ?老年组5.24 5.26 5.23 5.10 5.31 5.23 5.21 4.98 5.15 5.19 ?请问：三个年龄组的总胆固醇平均含量之间的差别是否具有统计学意义？
完全随机设计方差分析 ?库结构 ?分组检验正态性 ?Analyze-Compare Means-One-Way ANOVA-Dependent List选入指标-Factor选入组别-(Post Hoc两两比较-勾选两两比较方法-continue-Option-勾选Homogeneity of variance test-continue)-OK
SPSS中的单因素方差分析（One-Way Anova）SPSS中的单因素方差分析(One-Way Anova) 一、基本原理 单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素(分类变量)对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法 例:某灯泡厂用四种不同配料方案制成的灯丝(filament)，生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命(单位:小时hours)，数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡 1 2 3 4 5 6 7 8 灯丝 甲 1600 1610 1650 1680 1700 1700 1780 乙 1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁 1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤
(1)在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是: filament变量，数值型，取值1、2、3、4分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 (2)按Analyze，然后Compared Means，然后One-Way Anova的顺序单击，打开“单因素方差分析”主对话框。 (3)从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List框中。 (4)从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament即进入Factor框中。 (5)在主对话框中，单击“OK”提交进行。 五、输出结果及分析 灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25
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 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“data1.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。