下载文档原格式
SPSS——单因素方差分析详解单因素方差分析（One-Way ANOVA）常用于比较两个或更多组之间的平均差异是否显著。
本文将详细介绍单因素方差分析的原理、步骤和结果解读。
一、原理：单因素方差分析通过比较组间方差（Treatment Variance）与组内方差（Error Variance）的大小来判断不同组间的平均差异是否显著。
组间方差反映了不同组之间的平均差异，而组内方差反映了同一组内个体之间的随机波动。
如果组间方差显著大于组内方差，则可以判断不同组间的平均差异是显著的。
二、步骤：1.收集数据：首先确定研究问题和目的，然后根据实际情况设计并收集数据。
例如，我们想比较三个不同品牌的手机的待机时间是否有显著差异，需要收集每个品牌手机的待机时间数据。
2.建立假设：根据研究问题和数据的特点，建立相应的零假设（H0）和备择假设（Ha）。
在单因素方差分析中，零假设通常是所有组的平均值相等，备择假设则是至少有一组平均值与其他组不等。
4.分析结果解读：SPSS输出了一系列统计结果，包括方差分析表、平均值表、多重比较和效应大小等信息。
关键的统计结果包括F值、P值和ETA方。
-方差分析表：用于比较组间方差和组内方差的大小。
方差分析表中的F值表示组间方差除以组内方差的比值，F值越大说明组间差异越显著。
-P值：用于判断F值的显著性。
如果P值小于设定的显著性水平（通常为0.05），则拒绝零假设，即认为不同组间的平均差异是显著的。
-ETA方：代表效应大小程度。
ETA方越大说明组间的差异对总变异的解释程度越大，即差异的效应越显著。
5. 多重比较：如果方差分析结果显著，需要进行多重比较来确定具体哪些组之间存在显著差异。
SPSS提供了多种多重比较方法，包括Tukey HSD、Scheffe和Bonferroni等。
三、结果解读：对方差分析的结果进行解读时，需要综合考虑F值、P值、ETA方和多重比较结果。
1.F值和P值：-如果F值显著（P值小于设定显著性水平），则可以得出不同组间的平均差异是显著的结论。
数据处理单因素方差分析1. 引言数据处理是科学研究中非常重要的一环，能够有效地获得有关实验数据的信息和结论。
其中，单因素方差分析是一种常用的统计方法，用于比较不同水平的因素对实验结果的影响。
2. 概念单因素方差分析是一种统计方法，用于比较三个或三个以上水平的因素在不同条件下其均值是否有显著差异。
它是通过比较组间变异与组内变异的大小来推断因素对实验结果的影响程度。
3. 步骤3.1 建立假设在进行单因素方差分析之前，首先需要建立相关的假设。
通常情况下，我们会假设各组样本的均值相等。
3.2 收集数据接下来，我们需要收集实验数据。
通常情况下，我们会收集每个水平下的多个样本，并计算其均值。
3.3 计算变异在单因素方差分析中，我们需要计算组间变异和组内变异的大小。
组间变异反映了不同水平的因素对实验结果的影响，而组内变异则反映了样本内部的随机误差。
3.4 计算方差比通过计算组间变异与组内变异的比值，可以得到方差比。
方差比越大，说明组间变异对总变异的贡献越大，也就意味着水平因素对实验结果的影响越显著。
3.5 推断结论最后，我们可以使用统计方法来推断水平因素对实验结果的影响是否显著。
通常情况下，我们会使用F检验来判断方差比是否显著大于1，从而决定是否拒绝原假设。
4. 数据处理的意义数据处理在科学研究中具有重要的意义。
通过进行单因素方差分析，我们可以推断不同水平的因素对实验结果的影响程度，帮助科学家们更好地理解实验结果，并为实验结论的科学性提供支持。
5. 应用案例5.1 药物疗效比较假设我们想要比较两种药物在治疗某种疾病上的疗效。
我们可以将患者分为两组，一组接受药物A治疗，另一组接受药物B治疗，然后收集两组患者的实验数据。
通过进行单因素方差分析，我们可以比较两种药物的疗效是否有显著差异。
5.2 品牌认知度比较假设我们想要比较两个品牌在消费者中的认知度。
我们可以对一定数量的消费者进行调查，询问他们对两个品牌的认知程度。
单因素方差的结果分析
单因素方差分析是一种用于比较两个或更多个样本均值之间差异的方法。
在进行单因素方差分析时，需要进行以下几个步骤：
1. 建立假设：首先需要建立原假设和备择假设。
原假设通常是认为各组样本的均值之间没有显著差异，备择假设则认为各组样本的均值之间存在显著差异。
2. 计算平方和：计算总平方和（SST）和组内平方和（SSE）。
总平方和表示了所有样本值与总均值之间的差异总和，组内平方和表示了各组样本值与组均值之间的差异总和。
3. 计算均方：计算总均方（MST）和组内均方（MSE）。
总均方是总平方和与自由度之间的比值，组内均方是组内平方和与自由度之间的比值。
4. 计算统计量：计算F统计量。
F统计量是组间均方与组内均方之比。
5. 判断显著性：根据F统计量的值与临界值进行比较，判断差异是否显著。
如果F统计量大于临界值，则可以拒绝原假设，认为各组样本的均值之间存在显著差异。
6. 进行事后比较：如果F统计量的结果显著，通常需要进行事后比较来确定哪些组之间存在显著差异。
常用的事后比较方法包括Tukey的HSD测试和
Bonferroni校正等。
通过以上步骤可以对单因素方差分析的结果进行分析，确定各组样本均值之间是否存在显著差异。
用SPSS进行单因素方差分析和多重比较在SPSS中进行单因素方差分析和多重比较可以帮助研究人员分析各组之间的差异，并确定是否存在显著性差异。
本文将详细介绍如何使用SPSS进行单因素方差分析和多重比较。
一、单因素方差分析1.数据准备首先，将数据导入SPSS软件。
确保每个观测值都位于独立的行中，并且将每个因素作为一个变量列。
确保每个变量的测量水平正确设置。
对于要进行单因素方差分析的变量，应该是连续型变量。
2.描述性统计在执行方差分析之前，我们需要进行描述性统计，以了解每个组的均值、标准差和样本数量。
在SPSS中，可以通过选择“统计”菜单，然后选择“描述统计”来执行描述性统计。
在弹出的对话框中，选择想要分析的变量，并选择“均值”和“标准差”。
3.单因素方差分析要进行单因素方差分析，在SPSS中选择“分析”菜单，然后选择“一元方差分析”。
在弹出的对话框中，将要分析的变量移入“因素”框中。
然后，点击“选项”按钮，选择想要输出的结果，如方差分析表和均值表。
最后，点击“确定”执行单因素方差分析。
4.结果解读方差分析表提供了重要的统计信息，包括组间和组内的平方和、自由度、均方、F值和p值。
其中，F值表示组间变异性和组内变异性的比值。
p值表示在原假设下观察到的差异是否显著。
如果p值小于设定的显著性水平（通常为0.05），则可以拒绝原假设，即存在显著差异。
二、多重比较当在单因素方差分析中发现存在显著组间差异时，下一步是进行多重比较，以确定哪些组之间存在显著差异。
1.多重比较检验在SPSS中，可以使用多种方法进行多重比较检验，如Tukey HSD、Bonferroni、LSD等。
这些方法可以通过选择“分析”菜单，然后选择“比较手段”来执行。
在弹出的对话框中，选择要进行比较的变量和方法。
点击“确定”执行多重比较检验。
2.结果解读多重比较结果表提供了各组之间的均值差异估计、标准误差、置信区间和p值。
根据p值，可以确定哪些组之间存在显著差异。
方差分析公式单因素方差分析多因素方差分析的计算公式方差分析公式计算单因素和多因素方差分析的方法是统计学中常用的数据分析技术。
方差分析可以用来比较两个或多个组之间的均值是否存在显著差异。
在本文中，将介绍单因素方差分析和多因素方差分析的计算公式和步骤。
一、单因素方差分析的计算公式单因素方差分析适用于只有一个自变量（因素）的情况下比较多个组的均值是否存在差异。
在进行单因素方差分析时，需要计算以下几个统计量。
1. 总平方和（SST）：总平方和表示各组数据与整体均值之间的偏差总和。
其计算公式如下：SST = Σ(xi - x)²其中，xi为每个观察值，x为所有观察值的均值。
2. 组内平方和（SSW）：组内平方和表示各组数据与各组均值之间的偏差总和。
其计算公式如下：SSW = Σ(xi - x i)²其中，xi为每个观察值，x i为各组观察值的均值。
3. 组间平方和（SSB）：组间平方和表示各组均值与整体均值之间的偏差总和。
其计算公式如下：SSB = Σ(ni * (x i - x)²)其中，ni为每个组的观察次数，x i为各组观察值的均值，x为所有观察值的均值。
4. 平均平方和（MSW和MSB）：平均平方和表示各组之间的平均差异程度。
其计算公式如下：MSW = SSW / (n - k)MSB = SSB / (k - 1)其中，n为总观察次数，k为组的个数。
5. F统计量：F统计量用于检验组间均值是否存在显著差异。
其计算公式如下：F = MSB / MSW二、多因素方差分析的计算公式多因素方差分析适用于两个或更多个自变量（因素）的情况下比较多个组的均值是否存在差异，并确定各因素之间的交互影响。
在进行多因素方差分析时，需要计算以下几个统计量。
1. 总平方和（SST）：总平方和的计算方式与单因素方差分析相同。
2. 组内平方和（SSW）：组内平方和的计算方式与单因素方差分析相同。
单因素方差分析方法-计算公式以及用途单因素方差分析,用于完全随机设计的多个样本均数间的比较，其统计推断是推断各样本所代表的各总体均数是否相等。
以下是小编整理的单因素方差分析方法相关内容，欢迎借鉴参考!单因素方差分析方法-计算公式以及用途单因素方差分析方法例:某军区总医院欲研究A、B、C三种降血脂药物对家兔血清肾素血管紧张素转化酶(ACE)的影响，将26只家兔随机分为四组，均喂以高脂饮食，其中三个试验组，分别给予不同的降血脂药物，对照组不给药。
一定时间后测定家兔血清ACE浓度(u/ml)，如表5.1，问四组家兔血清ACE浓度是否相同?方差分析的计算步骤为1)建立检验假设，确定检验水准H0:四组家兔的血清ACE浓度总体均数相等，μ1=μ2=μ3=μ4H1:四组家兔的血清ACE浓度总体均数不等或不全相等，各μi不等或不全相等α=0.052)计算统计量F值按表5.2所列公式计算有关统计量和F值=5515.3665ν总=N-1=26-1=25ν组间=k-1= 4-1=3ν组内=N-K=26-4=22表5.3例5.1的方差分析表变异来源总变异8445.787625组间变异5515.366531838.455513.80组内变异2930.421122133.20103)确定P值，并作出统计推断以= 3和= 22查F界值表(方差分析用)，得P <0.01，按0.05水准拒绝H0，接受H1，可认为四总体均数不同或不全相同。
注意:根据方差分析的这一结果，还不能推断四个总体均数两两之间是否相等。
如果要进一步推断任两个总体均数是否相同，应作两两计算公式完全随机设计的单因素方差分析是把总变异的离均平方和SS及自由度分别分解为组间和组内两部分，其计算公式如下。
MS组间=离均平方和/组间自由度MS组内=离均平方和/组内自由度SS总=SS组间+SS组内单因素方差分析:核心就是计算组间和组内离均差平方和。
两组或两组以上数据，大组全部在一组就是组内，以每一组计算一均数，再进行离均平方和的计算:SS组间=组间离均平方和，MS组间=SS组间/组数-1(注:离均就有差的意思了!!)SS组内=组内离均平方和，MS组内=SS组内/全部数据-组数F值=MS组间/MS组内查F值，判断见上面的分析步骤部份。
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。
单因素⽅差分析（one-wayANOVA）单因素⽅差分析（⼀）单因素⽅差分析概念是⽤来研究⼀个控制变量的不同⽔平是否对观测变量产⽣了显著影响。
这⾥，由于仅研究单个因素对观测变量的影响，因此称为单因素⽅差分析。
例如，分析不同施肥量是否给农作物产量带来显著影响，考察地区差异是否影响妇⼥的⽣育率，研究学历对⼯资收⼊的影响等。
这些问题都可以通过单因素⽅差分析得到答案。
（⼆）单因素⽅差分析步骤第⼀步是明确观测变量和控制变量。
例如，上述问题中的观测变量分别是农作物产量、妇⼥⽣育率、⼯资收⼊；控制变量分别为施肥量、地区、学历。
第⼆步是剖析观测变量的⽅差。
⽅差分析认为：观测变量值的变动会受控制变量和随机变量两⽅⾯的影响。
据此，单因素⽅差分析将观测变量总的离差平⽅和分解为组间离差平⽅和和组内离差平⽅和两部分，⽤数学形式表述为：SST=SSA+SSE。
第三步是通过⽐较观测变量总离差平⽅和各部分所占的⽐例，推断控制变量是否给观测变量带来了显著影响。
（三）单因素⽅差分析原理总结在观测变量总离差平⽅和中，如果组间离差平⽅和所占⽐例较⼤，则说明观测变量的变动主要是由控制变量引起的，可以主要由控制变量来解释，控制变量给观测变量带来了显著影响；反之，如果组间离差平⽅和所占⽐例⼩，则说明观测变量的变动不是主要由控制变量引起的，不可以主要由控制变量来解释，控制变量的不同⽔平没有给观测变量带来显著影响，观测变量值的变动是由随机变量因素引起的。
（四）单因素⽅差分析基本步骤1、提出原假设：H0——⽆差异；H1——有显著差异2、选择检验统计量：⽅差分析采⽤的检验统计量是F统计量，即F值检验。
3、计算检验统计量的观测值和概率P值：该步骤的⽬的就是计算检验统计量的观测值和相应的概率P值。
4、给定显著性⽔平，并作出决策（五）单因素⽅差分析的进⼀步分析在完成上述单因素⽅差分析的基本分析后，可得到关于控制变量是否对观测变量造成显著影响的结论，接下来还应做其他⼏个重要分析，主要包括⽅差齐性检验、多重⽐较检验。
临床试验常用统计分析方法单因素分析临床试验是评估新药、新疗法或新诊断方法的有效性和安全性的重要手段。
在临床试验的设计和分析过程中，统计分析方法起着关键作用。
本文将重点介绍临床试验中常用的统计分析方法之一——单因素分析。
一、什么是单因素分析单因素分析，又称为单因素方差分析或单因素变异分析，是一种用于比较两个或两个以上独立样本组之间差异性的统计方法。
它能够帮助研究人员确定不同处理组间的差异是否显著，从而验证实验假设或研究问题。
二、单因素分析的基本原理和步骤1. 基本原理单因素分析基于总体均值之间的方差差异进行推断。
简单来说，它通过比较不同处理组（例如：不同药物治疗组或不同剂量组）的观察结果的变异程度，来判断这些组之间的差异是否有统计学意义。
2. 步骤（1）数据收集：首先，研究人员需要收集与研究问题相关的数据。
这些数据可能包括各组的实验结果、人口统计学信息以及其他相关变量。
（2）数据摘要：在进行单因素分析之前，研究人员需要对数据进行描述性统计分析，例如计算各组的均值、标准差等，以了解数据的分布情况和差异。
（3）建立假设：在进行单因素分析时，研究人员需要建立明确的研究假设。
例如，假设不同药物治疗组的效果存在差异。
（4）方差分解：单因素分析主要通过方差分解来评估组间差异是否显著。
通过计算组间方差、组内方差以及总体方差，可以得出F值。
（5）假设检验：在进行方差分解后，根据统计检验的原理，可以计算得出F值，并通过比较F值与临界值来判断组间差异是否显著。
三、单因素分析的应用和局限性1. 应用单因素分析广泛应用于临床试验和研究中。
它可以用于比较不同药物或治疗方法的疗效、评估不同剂量的药物效果、检验不同组织样本的生物学差异等。
2. 局限性单因素分析虽然在某些情况下能够提供有用的信息，但它也存在一些局限性。
首先，单因素分析只能用于比较两个或两个以上独立样本组之间的差异，无法考虑到其他可能的影响因素。
其次，如果样本容量较小或变异较大，单因素分析的效果可能会受到影响。
单因素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：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 三块农田的产量甲 50 46 49 52 48 48 乙 49 50 47 47 46 49 丙515049465050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：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。
单因素方差分析公式的详解整理在统计学中，方差可以用来衡量一组数据的离散程度。
而单因素方差分析是一种常用的统计方法，用于比较不同组之间均值是否存在显著差异。
本文将详细介绍单因素方差分析的公式和其计算步骤。
一、方差分析的基本假设在进行单因素方差分析之前，我们需要明确一些基本假设。
首先，我们假设各组数据满足正态分布，并且方差相等。
其次，我们假设各组之间是相互独立的。
最后，我们需要定义显著性水平，即确定拒绝原假设的临界值。
二、总体方差的计算总体方差（Total Variance）用来衡量所有数据点与总体均值之间的离散程度。
它可以通过计算每个数据点与总体均值之间的差的平方和来得到。
若有n个观测值，总体方差的计算公式如下：\[SS_{Total} = \sum_{i=1}^{n} (X_i - \overline{X})^2\]其中，\(X_i\) 表示第i个观测值，\(\overline{X}\) 表示总体均值。
三、组内方差的计算组内方差（Within-Group Variance）用来衡量同一组内数据点与组内均值之间的离散程度。
它可以通过计算每个数据点与组内均值之间的差的平方和来得到。
若第i组有m个观测值，组内方差的计算公式如下：\[SS_{Within} = \sum_{j=1}^{m} (X_{ij} - \overline{X}_i)^2\]其中，\(X_{ij}\) 表示第i组的第j个观测值，\(\overline{X}_i\) 表示第i组的均值。
四、组间方差的计算组间方差（Between-Group Variance）用来衡量不同组之间数据点与组间均值之间的离散程度。
它可以通过计算每个组的均值与总体均值之间的差的平方和来得到。
若有k组数据，组间方差的计算公式如下：\[SS_{Between} = \sum_{i=1}^{k} m_i (\overline{X}_i -\overline{X})^2\]其中，\(m_i\) 表示第i组的观测值个数，\(\overline{X}_i\) 表示第i组的均值，\(\overline{X}\) 表示总体均值。
单因素方差分析单因素方差分析，也称单因子方差分析或单变量方差分析，是一种统计方法，用于比较两个或多个组间的均值是否存在显著差异。
在此文章中，我们将介绍单因素方差分析的基本概念、假设检验以及分析步骤等内容。
一、基本概念单因素方差分析是通过比较不同组的均值差异来进行统计推断的方法。
在该分析中，有一个自变量（也称为因素）和一个因变量。
自变量是分类变量，将数据分为不同的组别；因变量是连续变量，表示我们希望比较的具体测量结果。
二、假设检验在进行单因素方差分析时，我们需要先建立假设，并进行假设检验。
常用的假设为：- 零假设（H0）：不同组间的均值没有显著差异；- 备择假设（H1）：不同组间的均值存在显著差异。
三、分析步骤进行单因素方差分析的一般步骤如下：1. 收集数据：收集各组的观测值数据。
2. 计算总体均值：计算每组数据的均值，并计算总体均值。
3. 计算组内平方和（SSw）：计算每组数据与其组内均值之差的平方和。
4. 计算组间平方和（SSb）：计算每组均值与总体均值之差的平方和。
5. 计算均方：分别计算组内均方（MSw）和组间均方（MSb），即将组内平方和与组内自由度相除，将组间平方和与组间自由度相除。
6. 计算F值：计算F值，即组间均方除以组内均方。
7. 假设检验：根据给定的显著性水平，查找F分布表以比较计算得到的F值与临界值的大小关系。
8. 结果解释：根据假设检验的结果，判断不同组间的均值是否存在显著差异。
四、例子和应用单因素方差分析可以用于各种研究领域，如教育、医学、社会科学等。
以教育领域为例，我们可以通过单因素方差分析来比较不同教学方法对学生成绩的影响。
在进行该分析时，我们可以将学生分为两组，一组采用传统教学方法，另一组采用现代教学方法。
然后，我们收集每组学生的考试成绩，并对数据进行单因素方差分析。
通过比较组间的均值差异，我们可以判断不同教学方法对学生成绩是否存在显著影响。
五、总结单因素方差分析是比较不同组间均值差异的常用统计方法。
spss教程：单因素方差分析
•
•|
•1
•2
•3
•4
•5
•6
•7
分步阅读
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。
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。
4. 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。
