SPSS处理多元方差分析报告例子
- 格式:doc
- 大小:346.50 KB
- 文档页数:11
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
2 农村80.0000 8.28654 4
城市85.7500 8.18026 4
总计82.8750 8.21910 8
3 农村73.2500 7.13559 4
城市80.7500 8.77021 4
总计77.0000 8.41767 8 总计农村78.6667 9.00841 12
城市85.5833 8.53291 12
总计82.1250 9.27977 24
协方差矩阵等同性的 Box 检验(a)
Box 的 M 12.397
F .587
df1 15
df2 1772.187
Sig. .887
检验零假设,即观测到的因变量的协方差矩阵在所有组中均相等。
a 设计: Intercept+A+B+A * B
多变量检验(d)
效应值 F 假设 df 误差 df Sig. 偏 Eta
方
非中心。参
数
观察到的
幂(a)
截距Pillai 的
跟踪.995
1832.265
(b)
2.000 17.000 .000 .995 3664.530 1.000
Wilks 的
Lambda .005
1832.265
(b)
2.000 17.000 .000 .995 3664.530 1.000
Hotelling
的跟踪215.561
1832.265
(b)
2.000 17.000 .000 .995 3664.530 1.000
a 使用 alpha 的计算结果 = .05
b 精确统计量
c 该统计量是 F 的上限,它产生了一个关于显著性级别的下限。
d 设计: Intercept+A+B+A * B Roy 的最
大根
215.561
1832.265
(b)
2.000
17.000
.000
.995
3664.530
1.000
A
Pillai 的
跟踪 .901
7.378 4.000 36.000 .000 .450 29.511 .991
Wilks 的
Lambda .101
18.305(b
)
4.000
34.000
.000
.683
73.221
1.000
Hotelling
的跟踪 8.930
35.720 4.000 32.000 .000 .817 142.882 1.000
Roy 的最
大根
8.928
80.356(c
)
2.000
18.000
.000
.899
160.712
1.000
B
Pillai 的
跟踪 .205 2.198(b)
2.000 17.000 .142 .205 4.397 .386
Wilks 的
Lambda .795 2.198(b)
2.000 17.000 .142 .205 4.397 .386
Hotelling
的跟踪 .259 2.198(b)
2.000 17.000 .142 .205 4.397 .386
Roy 的最
大根
.259 2.198(b)
2.000 17.000 .142 .205 4.397 .386
A * B
Pillai 的
跟踪 .016
.071
4.000 36.000 .991 .008 .282 .063
Wilks 的
Lambda .984
.067(b)
4.000 34.000 .991 .008 .268 .062
Hotelling
的跟踪 .016
.063 4.000 32.000 .992 .008 .253 .061
Roy 的最
大根
.016
.142(c)
2.000 18.000 .868 .016 .284 .069