下载文档原格式
心理学统计第五部分重复测量方差分析在心理学研究中，有时候研究者需要评估一个或多个因素对参与者的多个测量结果的影响。
这种情况下，重复测量方差分析（Repeated Measures Analysis of Variance，简称为RM ANOVA）是一种常用的统计方法。
重复测量方差分析是一种比较多个组内变量平均数差异的方法，它比较了每个组内变量的差异以及每个组间变量的差异。
与传统的方差分析不同，重复测量方差分析考虑了相同参与者在不同条件下的多次测量结果，因此能够更准确地评估因素对测量结果的影响。
首先，我们需要明确的是，在重复测量方差分析中，我们的因变量是一个连续的测量结果，而自变量是一个或多个处理条件。
例如，我们可能想要评估一个新药物是否对人们的注意力产生影响，我们可以将注意力测量结果作为因变量，而药物与安慰剂作为自变量。
重复测量方差分析有三个基本的假设。
首先，我们假设不同处理条件下的测量结果的总平均数相等，即每组的平均值相等。
其次，我们假设各个处理条件下的测量结果有一定的方差。
最后，我们假设不同处理条件下的测量结果相互独立。
重复测量方差分析有一些优点和注意事项。
首先，这种方法可以减少误差变异，因为我们可以通过比较同一参与者在不同条件下的测量结果来消除参与者间的差异。
其次，重复测量方差分析可以提高统计功效，以便检测到小的差异。
然而，我们需要注意确保多次测量结果之间的独立性，以及在数据分析中正确处理可能的违反方差齐性和正态分布的情况。
总结起来，重复测量方差分析是一种常用的心理学统计方法，用于评估一个或多个因素对参与者的多个测量结果的影响。
它是一种有效的方法，可以提供关于不同处理条件之间差异的信息。
在分析数据时，我们需要检查数据的正态性和方差齐性，并使用适当的修正方法来应对违反这些假设的情况。
重复测量方差分析为心理学研究提供了一个强有力的统计工具，使得研究者能够更好地理解和解释影响行为和心理过程的因素。
SPSS重复测量的多因素方差分析多因素方差分析（ANOVA）是一种统计方法，用于比较两个或更多个因素对于一个或多个变量的影响。
在实验设计中，重复测量多因素方差分析常用于研究不同因素（比如治疗、时间、性别等）对同一测量结果的影响。
多因素方差分析假设各个因素之间相互独立，并将数据分为各个因素的组合。
例如，一个的实验可能包括两个因素：治疗和时间。
治疗可以有两个水平：A和B，时间可以有三个水平：T1、T2和T3、通过重复测量同一个变量，并结合不同的因素水平，可以得到一个完整的数据集。
进行多因素方差分析需要检验三个假设：主效应假设、交互效应假设和均等性假设。
主效应是指每个因素对于因变量的直接影响，交互效应是指多个因素之间相互作用的影响，均等性假设是指各组之间的方差是否相等。
首先，我们需要计算各组的平均值、总平均值、因素间平方和、误差平方和以及均方。
平均值是各组数据的均值，总平均值是所有数据的均值。
因素间平方和是各组均值与总平均值之差的平方和乘以每组的样本量。
误差平方和是各个样本与其对应组均值之差的平方和。
均方是因素间平方和和误差平方和除以对应的自由度。
接下来，我们需要计算F统计量，并进行假设检验来确定各个因素是否显著影响因变量。
F统计量是因素间均方和误差平方的比值。
根据假设检验的结果，如果得到的p值小于设定的显著性水平（通常为0.05），则我们拒绝原假设，即说明该因素对因变量有显著影响。
当我们观察到交互作用时，可以进行进一步的分析来确定具体哪些因素交互作用显著。
可以通过绘制交互作用图来进行可视化分析。
此外，还有很多其他的方法可以对多因素方差分析的结果进行进一步分析。
比如，事后检验（post-hoc analysis）常用于确定哪些因素水平之间存在显著差异。
Tukey's HSD、Bonferroni修正和Sidak校正是常用的事后检验方法之一总结起来，多因素方差分析是一种强大的统计方法，可以研究多个因素对一个或多个变量的影响。
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。
S P S S学习笔记之——重复测量的多因素方差分析SPSS学习笔记之——重复测量的多因素方差分析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[11]。
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。
重复测量数据的统计方法重复测量数据的统计方法是指对同一变量进行多次测量所得到的数据进行分析和统计的方法。
在科学研究、生产实践和社会调查中，常常需要对同一指标进行多次观测，例如实验重复测量、调查问卷中多次回答同一个问题等。
重复测量数据的统计方法可以帮助研究者更准确地估计数据的平均值、方差和其他统计指标，从而提高数据分析的可靠性和科学性。
在进行重复测量数据的统计分析时，常用的方法包括重复测量方差分析、重复测量t检验、可重复性分析和相关性分析等。
下面将分别对这些方法进行详细介绍。
首先，重复测量方差分析（Repeated measures analysis of variance，简称RM-ANOVA）是一种常用的分析重复测量数据的方法。
它通过对多个测量间的变异进行分析，判断测量效应是否显著。
RM-ANOVA 通常分为单因素重复测量方差分析和多因素重复测量方差分析两种。
在进行RM-ANOVA分析时，需要对数据的正态性进行检验，并对数据进行变换或采用非参数方法进行分析。
此外，RM-ANOVA还可用于分析数据的交互作用，即测量效应是否受到其他因素的影响。
其次，重复测量t检验（Repeated measures t-test）是一种用于比较两个或多个相关样本均值是否存在显著差异的统计方法。
它适用于重复测量数据且样本数较小的情况。
重复测量t检验的原理是对多次测量的差值进行统计分析，并与一个已知平均差异的理论值进行比较。
通过比较差异的大小和统计显著性水平，来判断差异是否真实存在。
第三，可重复性分析（Intraclass correlation coefficient，简称ICC）是一种用来评估重复测量数据可靠性和一致性的方法。
ICC通常通过计算同一个变量在不同测量间的相关性来评估数据的可重复性。
ICC的值介于0和1之间，数值越接近1说明数据的可靠性越高。
可重复性分析可用于评估测量工具的稳定性、不同测量者之间的一致性以及相同测量者在不同时间点的一致性等。
SPSS学习笔记之重复测量的多因素方差分析报告学习笔记之重复测量的多因素方差分析报告SPSS（Statistical Package for the Social Sciences，社会科学统计软件包）是一款功能强大的数据分析工具，广泛应用于各个领域的研究。
在SPSS中，重复测量的多因素方差分析被视为一项重要的统计方法，用于研究相同参与者在不同条件下的测试结果。
本篇学习笔记以重复测量的多因素方差分析为主题，将介绍如何使用SPSS进行该项分析，并给出详细的分析报告。
1. 研究目的和问题描述2. 数据采集和处理3. 研究设计和假设4. 数据分析5. 结果解释与讨论1. 研究目的和问题描述本次研究的目的是考察不同刺激条件对参与者注意力的影响。
具体而言，我们想了解参与者在三种刺激条件下的注意力水平是否存在显著差异。
2. 数据采集和处理我们招募了40位参与者，并随机将其分为三组。
每组参与者分别接受三次测试，每次测试采用不同的刺激条件。
我们记录了每位参与者的测试结果，并进行数据整理和清洗。
3. 研究设计和假设本研究采用的是重复测量的多因素方差分析设计。
考察因素为刺激条件，对应的水平为A、B和C。
我们的研究假设如下：- H0（零假设）：不同刺激条件下的注意力水平无显著差异。
- H1（备择假设）：不同刺激条件下的注意力水平存在显著差异。
4. 数据分析为了进行重复测量的多因素方差分析，我们打开SPSS软件，并导入数据集。
接下来，我们按照以下步骤进行分析：步骤一：打开SPSS软件，点击“打开”按钮，导入数据集。
步骤二：选择“分析”菜单，然后选择“一般线性模型”和“重复测量”。
步骤三：将待分析的因子变量（刺激条件）拖动到“因子”框中，并设置不同刺激条件的水平。
步骤四：选择适当的因变量（注意力水平），并将其拖动到“依赖变量”框中。
步骤五：点击“选项”按钮，可以对分析进行更多设置，比如是否计算偏斜度和峰度等。
步骤六：点击“确定”按钮，SPSS将自动进行重复测量的多因素方差分析，并生成分析结果。
多元方差分析与重复测量方差分析多元方差分析（MANOVA）是一种多变量分析方法，它将多个因变量同时考虑在内，通过比较组别之间的多个平均值来进行分析。
多元方差分析的核心思想是基于协方差矩阵的比较，通过检验各个组别的协方差矩阵是否相等来判断组别之间的差异是否显著。
多元方差分析可以同时比较多个因变量之间的差异，从而避免了多次进行单变量方差分析可能带来的问题。
重复测量方差分析（Repeated Measures ANOVA）也是一种常用的分析方法，主要用于分析同一组个体在不同时间点或不同实验条件下的多次测量结果之间的差异。
重复测量方差分析通常包括对同一组个体在不同时间点或实验条件下的多次测量结果进行统计分析，以比较各个时间点或实验条件之间的平均差异是否显著。
它通过考虑同一组个体之间的相关性，来提高统计分析的效果。
与多元方差分析不同，重复测量方差分析主要关注不同时间点或不同实验条件下的变化趋势和差异，而不是直接比较组别之间的差异。
重复测量方差分析可以用于研究个体在一段时间内的发展趋势，或在不同实验条件下的变化情况，从而揭示出时间和实验因素对变量的影响。
数据结构方面，多元方差分析通常要求每个组别有多个观测值，每个观测值都对应于多个因变量的取值。
而重复测量方差分析要求在相同的个体或实验单位上进行多次测量，并将多次测量结果作为相同个体或实验单位的多个观测值。
分析方法方面，多元方差分析主要依赖协方差矩阵的比较来进行统计推断。
而重复测量方差分析通常使用协方差矩阵的分解来提取主要成分，并通过分析主要成分之间的差异来进行统计推断。
综上所述，多元方差分析和重复测量方差分析是两种常用的统计分析方法，它们在数据结构和分析方法上存在一些差异。
多元方差分析主要用于比较不同组别之间的平均差异，而重复测量方差分析主要用于分析同一组个体在不同时间点或实验条件下的多次测量结果之间的差异。
选择合适的方法需要根据具体问题和数据特点来决定。
以上就是对多元方差分析与重复测量方差分析的详细介绍。
重复测量资料的方差分析什么是重复测量资料？重复测量资料是指在同一物件上，经过多次测量所得的一组数据。
它可以用于评估测量装置或人员的准确度和可靠性，或对同一样品在不同时间或不同实验条件下的实验测量结果进行比较。
方差分析方差分析是一种分析比较不同组别之间差异的统计方法，它可以判断一个因素对实验结果的影响是否显著。
在重复测量资料的分析中，方差分析可以用于确定是否存在个体之间的显著差异。
重复测量资料的方差分析方法在重复测量资料的方差分析中，采用的是双因素重复测量资料的方差分析方法。
这种方法包括两个因素：测量因素和重复因素。
测量因素是要分析的因素，重复因素是指对同一物件进行多次测量，每次测量之间都存在一定程度的差异，重复因素会产生误差。
以下是双因素重复测量资料的方差分析步骤：步骤一：确定方差来源方差来源包括测量因素、重复因素以及随机误差。
其中测量因素和重复因素可以用于计算方差，而随机误差则不能。
步骤二：计算平方和平方和是指每个因素所产生的方差之和。
计算平方和的公式如下：•总平方和（TSS）：TSS=SSA+SSB+SSAB+SSE•因素A的平方和（SSA）：SSA=n∑(yij-y··)2/a-1•因素B的平方和（SSB）：SSB=n∑(yij-y··)2/b-1•因素AB的平方和（SSAB）：SSAB=n∑(yij-yi·-y·j+y··)2/(a-1)(b-1)•误差平方和（SSE）：SSE=TSS-SSA-SSB-SSAB其中，n是每组数据的测量次数，a和b是因素A和因素B的水平数，yij是第i个个体在第j次测量中的数据，yi·是第i个个体在所有测量中的均值，y·j是所有个体在第j次测量中的均值，y··是所有测量数据的均值。
步骤三：计算自由度自由度是指某一因素或误差中可变的部分，计算自由度的公式如下：•总自由度（DFS）：dfs=nab-1•因素A的自由度（DFA）：DFA=a-1•因素B的自由度（DFB）：DFB=b-1•因素AB的自由度（DFAB）：DFAB=(a-1)(b-1)•误差自由度（DFE）：DFE=dfs-DFA-DFB-DFAB步骤四：计算均方值均方值是平方和与自由度的比值，计算均方值的公式如下：•因素A的均方值（MSA）：MSA=SSA/DFA•因素B的均方值（MSB）：MSB=SSB/DFB•因素AB的均方值（MSAB）：MSAB=SSAB/DFAB•误差的均方值（MSE）：MSE=SSE/DFE步骤五：计算F值F值是均方值之比，计算F值的公式如下：•因素A的F值（FA）：FA=MSA/MSE•因素B的F值（FB）：FB=MSB/MSE•因素AB的F值（FAB）：FAB=MSAB/MSE步骤六：计算P值P值是指一个F分布的概率值，计算P值需要使用F分布表。
SPSS多因素⽅差分析（⼀般线性模型）：重复测量⼀、GLM重复测量（分析-⼀般线性模型-重复度量）1、概念：“GLM 重复测量”过程在对每个主体或个案多次执⾏相同的测量时提供⽅差分析。
如果指定了主体间因⼦，这些因⼦会将总体划分成组。
通过使⽤此⼀般线性模型过程您可以检验关于主体间因⼦和主体内因⼦的效应的原假设。
可以调查因⼦之间的交互以及单个因⼦的效应。
另外，还可以包含常数协变量的效应以及协变量与主体间因⼦的交互。
在双重多变量重复测量设计中，因变量表⽰主体内因⼦不同⽔平的多个变量的测量。
例如，您可能在三个不同的时间对每个主体同时测量了脉搏和呼吸。
“GLM 重复测量”过程提供了对重复测量数据的单变量和多变量分析。
平衡与⾮平衡模型均可进⾏检验。
如果模型中的每个单元包含相同的个案数，则设计是平衡的。
在多变量模型中，模型中的效应引起的平⽅和以及误差平⽅和以矩阵形式表⽰，⽽不是以单变量分析中的标量形式表⽰。
这些矩阵称为SSCP（平⽅和与叉积）矩阵。
除了检验假设，“GLM 重复测量”过程还⽣成参数估计。
常⽤的先验对⽐可⽤于对主体间因⼦执⾏假设检验。
另外，在整体的F 检验已显⽰显著性之后，可以使⽤两两⽐较检验评估指定均值之间的差值。
估计边际均值为模型中的单元提供了预测均值估计值，且这些均值的轮廓图（交互图）允许您轻松对其中⼀些关系进⾏可视化。
残差、预测值、Cook 距离以及杠杆值可以另存为数据⽂件中检查假设的新变量。
另外还提供残差SSCP 矩阵（残差的平⽅和与叉积的⽅形矩阵）、残差协⽅差矩阵（残差SSCP 矩阵除以残差的⾃由度）和残差相关矩阵（残差协⽅差矩阵的标准化形式）。
WLS 权重允许您指定⼀个变量，⽤来针对加权最⼩平⽅(WLS) 分析为观察值赋予不同权重，这样也许可以补偿测量的不同精确度。
2、⽰例。
根据学⽣的焦虑程度检验的得分将⼗⼆个学⽣分配到⾼或低焦虑程度组。
焦虑等级被认为是主体间因⼦，因为它会将主体划分成组。
重复测量设计资料的方差分析SPSS操作
1、环境准备
1.1.首先在安装SPSS统计软件，在进行数据分析时，打开SPSS统计
软件，创建新文档，完成环境准备。
2、数据载入
2.1.将重复测量数据载入SPSS，可以通过文件菜单打开。
2.2.载入数据时，需要指定变量的类型，如字符型、数值型等。
3、变量转换
3.1.在方差分析中，重复测量设计需要把成对数据转换成单个观察值，以便进行分析。
3.2.将重复测量变量用SPSS的“变量转换”功能进行变换，变换类
型可以选择“算术变换”。
3.3.在变换过程中，需要指定新变量的表达式，如取均值、差值等，
以计算新变量的值。
4、数据检验
4.1.在得到变量后，需要对数据进行检验，以检验数据的有效性、完
整性和准确性。
4.2.可以使用SPSS的“数据检验”功能，检查变量是否正确转换，
此外，也可以使用“数据缺失标记”、“偏度-峰度检验”等功能，以检
查变量的数据情况。
5、方差分析
5.1.方差分析是重复测量设计中的主要统计分析方法，可以用来检验两个或多个样本之间的差异。
5.2.在SPSS中，可以使用“多因素方差分析”功能，设置因变量和自变量，进行分析。
5.3.在运行分析时。
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，贝U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ANOV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［11］。
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：
4 24 4 2 11 7 6 3
6 3 3 11 ,6 3
7 TI « .9 1 &
8 4 Q- 3 0 1- ■
■
・
■ 5 8 4 Q- …
呷- ■■
*■»■ 3 6 一
「
« 5 11 *3 ■ M ■
旦
F 4 1 -T-『
H
1 4
354fr t £ 13 x_-- 11 2 3
+ 亠
一
1J K £ 8 4 4 3 怜亠 1* al 3 4 Ao-
7 -r - T
h ,4
洽疗组
d O
8 4 7 8 7 8 a a 3 5 .0,0 IB 1* 4 * ' o s .09 a a 58OS 4 '1 61w 2 o 1 T " 3 7 o 「■
8 T « 8 s Q Q d
24
3 4
1 Tl-
J 4 14
3
5 6 3 ? 1 - g _7 4 s 3 9 1 a L 11- _co ■■>■
9 9科_一 0 L- 3 6 「
-5 il- _o^- ・
■
"u 1 「■
*F - 丿 L -Tx- ! ■
■263 1 3 L- tl- 3 1- f 『一一 ti e£ s 4 6 3 o0 AB* 3 4 o I 比一
tr Bl-
M005
3、统计分析
建立数据文件
变量视图:
数据视图:
菜单选择:
转换(!)分斬址)亘销廻)庐用程序宙口世o 蒂肋
首先进入如下对话框，在“被试内因子名称”中输入“ time ”，“级别数” 输入3,因为每个患者重复测量了 3次。
后点击“添加”按钮。
此时下方“定义”按钮变为可用，点击进入下列对话 框：
t 030
1 772
094
596
1314
4 Jr 斗
揃逹蜒计 表(T)
忧较均值邂) 一般銚性複
31(G)
盪吕模型
09 相关©
回归的
□客吏量邂) 同
确定粘!贴巴重置迟）
取消
LW
WI M
帮助
将“group”选入“因子列表”框，t1-t3分别选入“全体内变量（time ）框内，如下图所示：
曹重复度量
少分组｛group]
@ M 时lt1]
》2钊谢[12]
& 72>JW R3]
群体内部
群体内部变量3)
{time)
:
H(1)
t2(2)
因子列視(g)
少分组［Q«>up)
确定］牯贴巴重置迟)取消帮肋
点击右上角“模型”按钮，进入以下对话框，选择“设定”，将“ time ”选入“全体内模型”框，“ group”选入“群体间模型”框，“构建项”选择“主效应”。
下方的平方和选“类型III ”，这是对于平衡数据。
如果两组样本量不等，则选择“类型IV”。
点击“继续”返回，点击“绘制”按钮。
进入下面对话框：将“time ”选入“水平轴”，group选入“单图”，然后点击“添加”按钮，下面框中会显示time*group 。
因子(E)： group tme
time*group
点击“继续”返回，点击“两两比较”按钮，将group选入右侧“两两比较检验”框中，选中复选框“ LSD 。
水平轴迥｝;
点击“继续”返回，点击“选项”按钮，进入下面对话框：将time选入“显示均值框”，选中“比较主效应”复选框，选中下方“描述统计”复选框。
F方显著性水平设为0.05。
点击“继续”返回，点击“确定”输出结果
这是一个关于各个时间点的两组数据描述性统计。
Maochl^的疗兀虞趙號t
6 iftif 踐 * group f tthiSd t>me
这是球形检验结果，p=0.001<0.05，所以不满足球形分布假设，需要进行多 变量方差分析或者自由度调整，SPSS 接下来会给出以上两种结果。
b设计歌距+ grojp 主体内设计time
这是进行多变量方差分析的结果，给出了4种统计量，它们的检验结果一致，time的PvO.001，说明各个时间点的数据的差异有统计学意义，time*group的P>0.05，说明时间和分组无交互作用，说明时间因素（即0小时、24小时、72 小时）的作用不随分组（即治疗组和对照组）的不同而不同。
所谓“主体内”，即是重复测量的各个时间点。
上表是用各个时间点进行分组的方差分析表，给出4种统计量，第一种为满足球星假设的情况，后三种对自由度进行了校正，本题目中不满足球形分布假设，只能看下面的三种检验方法。
结果解释同上一个表。
主佛间效应的检盟
这是对分组的方差分析，对变量进行如下的变换：y=(t1+t2+t3)/sqrt (3)
P=0.043<0.05，说明有治疗组与对照组之间有统计学差异。
这个图可以直观地看出测量指标随时间的变化趋势。
治疗组与对照组两组资料随时间变化的趋势大致相同，治疗组血清中VEGFI勺含量较对照组呈下降趋势，说明治疗组的效果优于对照组。
我们还可以给出在每个时间点上两个分组之间的比较，需要用到多变量方差
分析：操作步骤如下：跟之前操作类似，不赘述，看图就行。
结果输出
b何方=151 （调索冏力=130）
r尺方=251（调尊尺方=232 ）
每个时间点上两组之间的比较（即分别比较0小时、24小时及72小时时对
照组和治疗组的数据）结果显示0小时时P> 0.05，治疗组和对照组之间没有统计学差异，而24小时和72小时时P< 0.05，治疗组和对照组两组间有显著的统计学差异。
