单因素重复实验设计方差分析(GLM

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…………m1 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周、8周、16周、24周的体重资料；试对其进行方差分析。

Spss数据格式片段如下：1、正态性和方差齐性检验对4个不同时点上的体重变量进行检验使用科莫格洛夫—斯米诺夫检验只要16周第二种处理不显著，其他都显著不为0.可认为正态性假设基本成立。

28. 方差分析Ⅱ—ANOVA,GLM过程步SAS提供了ANOV A和GLM过程步进行方差分析。

ANOV A过程步主要处理均衡数据（分类变量的每个水平的观察数是相等），该过程考虑到均衡设计的特殊构造，处理起来速度更快更省内存，也可以处理拉丁方设计、若干不完全的均衡区组设计数据等。

若试验设计不均衡，也不是前面几种实验设计数据，则应该使用GLM过程。

（一）PROC ANOV A过程步一、基本语法PROC ANOV A data=数据集<可选项> ;CLASS 分类变量列表;MODEL 因变量=效应变量列表</可选项>;<MEANS 效应变量列表</可选项> ;><TEST <H=效应变量列表> E=效应变量列表;>说明：（1）CLASS语句是必不可少的，必须放在MODEL语句之前，用来指定分类、区组变量（单因素方差分析只有一个变量）；（2）MODEL语句也是必不可少的，该语句用来规定因变量和自变量效应（单因素方差分析的自变量就是分类变量）。

若没有规定自变量的效应，则只拟合截距，假设检验为因变量的均值是否为0. Model语句的主要形式有4种：①主效应模型model y=a b c;②含有交叉因素的模型model y=a b c a*b a*c b*c a*b*c;③嵌套模型model y=a b c(a b);④包含嵌套、交叉和主效应的模型model y=a b(a) c(a) b*c(a);（3）MEANS语句必须出现在MODEL语句之后，用来计算在效应变量所对应的因变量均值，但这些均值没有针对模型中的效应进行修正。

若要计算修正的均值需要用GLM过程步的LSMEANS语句；（4）MEANS语句的可选项主要有两个内容，一是选择多重比较的检验方法，二是设定这些检验的参数（只能用于主效应）；bon——对所有主效应均值之差进行Bonferroni的t检验；duncan——对所有主效应均值进行Duncan的多重极差检验；smm|gt2——当样本量不等时，基于学生化最大模和Sidak不相关t不等式，等到Hochberg的GT2方法，对主效应均值进行两两对比检验；snk——对所有主效应均值进行Student-Newman-Keuls的多重极差检验；t|lsd——对所有主效应均值进行两两t检验，它相当于在单元观察数相等时Fisher的最小显著差检验；tukey——对所有主效应均值进行Tukey的学生化极差检验；waller——对所有主效应均值进行Waller-Duncan的k比率检验；……alpha=p——设置显著水平；clm——对变量的每个水平的均值按置信区间形式输出；e=效应变量——指定在多重对比检验中所使用的误差均方。

第十五章重复测量设计的方差分析通过学习本章，您可以了解：●进行重复测量设计的方差分析的前提假设●如何逐步进行重复测量设计的方差分析●如何进行简单效应分析和多重比较。

在重复测量设计中，每个被试需接受所有水平的实验处理，即同一因变量先后被观测多次。

用于区分各个实验水平的变量通常是定性变量（Qualitative Variable），顺序变量或名义变量均可，SPSS称之为重测因素，或被试内因素。

被观测的因变量必须是数量变量（Quantitative Variable）。

单因素的重复测量设计只包括一个被试内因素。

多因素的重复测量设计可以有多个被试内因素或被试间因素。

本章将重点介绍单因素重复测量设计的方差分析过程，以及简单介绍多因素重复测量设计的分析思路。

在使用SPSS处理重复测量设计（被试内设计）的数据时，其数据的组织方式不同于被试间设计。

在数据窗口中不需要定义自变量和因变量。

对于单因素设计，数据文件中变量的个数等于自变量（因素）的水平；对于多因素设计，变量的个数等于因素之间的水平组合数。

而且变量的性质都是连续型变量。

在进行方差分析的过程中，需要对因素的个数及变量间的关系进行定义。

1. 前提假设如果被试内因素只有两个水平，则Repeated Measure执行一次标准的一元方差分析。

如果被试内因素有两个以上的水平，则执行三种检验：标准一元方差分析、备选的一元方差分析和多元方差分析。

事实上，三种分析检验的零假设相同，即因素各水平上的均值相同。

但具体采用哪一种分析的结果需要浏览全部三种分析的结果之后才能决定。

当因素水平数超过两个时，需要查看球形假设是否能够满足。

当球形假设可以满足时，可以使用标准一元方差分析的结果。

但是由于球形假设通常无法满足，此时方差分析的显著性水平p值不准确，所以标准一元方差分析在这种情况下并不常用。

备选一元方差分析适用于球形假设（Sephericity Assumption）不满足的情况。

单因素重复测量方差分析单因素重复测量方差分析是统计学中常用的一种方法，用于比较在同一组个体上进行多次测量所得到的数据之间的差异。

本文将从介绍单因素重复测量方差分析的基本概念、假设条件、计算方法和结果解读等方面进行详细阐述。

一、基本概念单因素重复测量方差分析是通过比较同一组个体在不同时间点或条件下的多次测量结果，判断这些测量结果是否存在显著差异。

在进行单因素重复测量方差分析时，通常需要有一个待测因素（也称为处理因素），以及一个或多个水平（也称为处理水平）。

二、假设条件在进行单因素重复测量方差分析时，需要满足以下假设条件：1. 观测值之间相互独立；2. 测量误差服从正态分布；3. 同方差性：不同处理水平下的观测值方差应相等。

三、计算方法进行单因素重复测量方差分析时，需要先计算各个处理水平下的观测值的均值和总平均值，并构建方差分析表。

方差分析表包含总平方和、处理平方和、误差平方和、总均方、处理均方、误差均方和F值等信息。

通过比较F值与临界值（一般为0.05），来判断各处理水平之间是否存在显著差异。

四、结果解读在进行单因素重复测量方差分析后，如F值小于临界值，则说明各处理水平之间没有显著差异，即处理因素对测量结果没有影响；反之，如F值大于临界值，则可以认为各处理水平之间存在显著差异，即处理因素对测量结果有影响。

需要注意的是，在进行单因素重复测量方差分析时，存在一种可能的误解，即称F值大于临界值就代表存在显著差异。

事实上，F值较大仅表明处理因素对测量结果有影响，而具体哪些处理水平之间存在显著差异，还需要进行进一步的事后多重比较。

五、应用案例为了更好地理解单因素重复测量方差分析的应用，下面举一个简单的应用案例来说明。

假设我们要比较三种不同肥料对植物生长的影响，我们在相同的土壤条件下，随机选取了10个种子进行种植，并分别施加三种不同的肥料。

每天测量植物的生长量，连续记录了10天。

现在我们想知道这三种肥料对植物生长是否有影响。

实例解析单因素的方差分析方法首先在单因素试验结果的基础上，求出总方差V 、组内方差vw、组间方差vB。

总方差 v=()2ijx x -∑组内方差 v w =()2ij x x i-∑ 组间方差 v B=b ()2ix x -∑从公式可以看出，总方差衡量的是所有观测值xij对总均值x 的偏离程度，反映了抽样随机误差的大小，组内方差衡量的是所有观测值xij对组均值x 的偏离程度，而组间方差则衡量的是组均值x i对总均值x 的偏离程度，反映系统的误差。

在此基础上，还可以得到组间均方差和组内均方差： 组间均方差2Bs ∧=1B-a v组内均方差 2ws∧=aab vw-在方差相等的假定下，要检验n 个总体的均值是否相等，须首先给定原假设和备择假设。

原假设 H 0：均值相等即μ1=μ2=…=μn备择假设H 1：均值不完全不相等则可以应用F 统计量进行方差检验：F=)()(b ab a vv w--1B =22∧∧ss WB该统计量服从分子自由度a-1，分母自由度为ab-a 的F 分布。

给定显著性水平a ，如果根据样本计算出的F 统计量的值小于等于临界值)(a ab 1a F --，α，则说明原假设H 0不成立，总体均值不完全相等，差异并非仅由随机因素引起。

下面通过举例说明如何在Excel 中实现单因素方差分析。

例1：单因素方差分析某化肥生产商需要检验三种新产品的效果，在同一地区选取3块同样大小的农田进行试验，甲农田中使用甲化肥，在乙农田使用乙化肥，在丙地使用丙化肥，得到6次试验的结果如表2所示，试在0.05的显著性水平下分析甲乙丙化肥的肥效是否存在差异。

表2 三块农田的产量要检验三种化肥的肥效是否存在显著差异，等同于检验三者产量的均值是否相等：给定原假设H 0：三者产量均值相等；备择假设H 1：三者的产量均不相等，对于影响产量的因素仅化肥种类一项，因此可以采用单因素方差分析进行多总体样本均值检验。

⑴新建工作表“例1”，分别单击B3：D8单元格，输入表2的产量数值。

方差分析方差分析模型本身就是线性模型的一个特例，一个带着很多哑变量的线性模型，因此，所有关于普通线性回归的理论方法，对方差分析统统适用。

⎧⎧⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎨⎩⎪⎧⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎩⎩单因素多因素方差分析有交互效应的因素模型多变量方差分析协变量分析模型一般线性模型（GLM ）简单回归多元回归回归分析多项式回归多变量回归与回归分析不同，方差分析需要分类的自变量，且应变量或者协变量必须是连续变量。

方差分析最初是用来检验多个独立正态总体，在方差齐性的前提下，总体均值间的差异是否具有统计意义的一种方法。

而今对多个正态总体在方差不齐时，也有方法对总体间的差异进行显著性检验。

因此，只要满足多个总体间的独立性和正态性，方差分析就可以用来探讨多个不同实验条件或者处理方法对实验结果有无影响。

单因变量单因素方差分析为了研究三种不同的铅球教学方法的效果，将某年级三个班中，同龄的各种运动能力基本相同的男生随机分成三组，分别按三种不同方法教学，三个月后，以同样的测试测得各组的成绩，见数据；试问三种教学方法有无区别？数据格式如上所见；分别有三种教学方式，分为三组，三种方法的观测值分别为11、15、13；其数据的描述性统计见下表。

1、 描述性统计2、 样本数据正态性检验和方差齐性检验Analyze-→discriptive statistics →explore按因子水平分组：即按照三种教学方法分为三组。

这里levene 检验方差齐性，无：代表不进行方差齐性检验，为转换：代表不对数据进行处理直接进行方差齐性检验。

正态性检验的原假设：样本服从正态分布；方差齐性检验原假设：三个样本方差齐性；通过检验我们看到，正态检验和方差齐性检验的检验概率值SIG.都是大于0.05，那么我们就可以认为三个方法的样本集正态且方差齐性。

3、进行方差分析Analyze→compare→one way anovaOptions框：discriptive:输出各组常用的描述性统计量。