下载文档原格式
如何在SPSS数据分析报告中进行方差分析？关键信息项：1、数据准备要求2、方差分析的类型选择3、假设检验设定4、效应量的计算与解释5、结果的呈现与解读6、多重比较方法的应用7、异常值处理方式8、数据正态性检验步骤9、方差齐性检验方法10、结果的报告格式11 数据准备要求111 数据的收集与录入：确保数据的准确性和完整性，避免错误或缺失值。
112 数据的编码与分类：对变量进行合理的分类和编码，以便于后续分析。
113 数据的清洗：检查并处理异常值和离群点，可采用Winsorization 或删除等方法。
12 方差分析的类型选择121 单因素方差分析：适用于研究一个自变量对因变量的影响。
122 多因素方差分析：用于探讨多个自变量及其交互作用对因变量的影响。
123 协方差分析：在控制协变量的情况下，分析自变量对因变量的作用。
13 假设检验设定131 零假设和备择假设的确定：明确研究的预期方向。
132 检验水平的选择：通常设定为 005 或 001。
14 效应量的计算与解释141 部分η²：反映自变量对因变量变异的解释程度。
142 ω²：用于校正样本量对效应量的影响。
15 结果的呈现与解读151 ANOVA 表的解读：包括自由度、均方、F 值和 P 值等。
152 图形展示：如箱线图、均值图等，直观呈现组间差异。
16 多重比较方法的应用161 LSD 法：适用于样本量相等且方差齐性的情况。
162 Bonferroni 校正：控制多重比较的总体误差率。
17 异常值处理方式171 识别异常值的方法：如使用箱线图或 Z 分数等。
172 对异常值的处理决策：根据具体情况决定保留、修正或删除。
18 数据正态性检验步骤181 绘制直方图和 QQ 图：初步判断数据的正态性。
182 采用 ShapiroWilk 检验或 KolmogorovSmirnov 检验：进行正式的正态性检验。
19 方差齐性检验方法191 Bartlett 检验：适用于正态分布的数据。
实验报告
2 选择菜单：【Analyze】→【Compare Means】→【One-Way ANOVA】,将“月销售额”作为观测变量选入【Dependent List】,将“促销方式”作为控制变量选入【Factor】,选择按钮“Option”,打开对话框，选择方差齐性检验，观测变量的基本统计量，选择输出个水平下观测变量均值的折线图
3 选择“Post Hoc”按钮，选择方差相同和方差不同情况下的多重比较的检验方法，如图所示第三题：
1 根据题目建立某商品在不同地区和不同日期的销售数据的文件,如图
2 选择菜单：【Analyze】→【General Linear Model】→【Univariate】,将“销售量”选入【Dependent Variable】,将“地区和日期”选入【Fixed Factor（s）】,选择“Options”，在【Display】中选择“Homogeneity tests”。
如图所示
四、实验结果及分析（最好有截图）：
第一题：
(1) 0.000<0.005拒绝原假设.说明不同的促销方式是对该类商品销售量的增长有显著影响
(2) 特价销售的促销方式好
(3)
第三题：
(1) 建立数据文件如图
(2)地区0.313>0.05,接受原假设。
地区对销售量没有显著性影响
日期0.254>0.05,接受原假设。
日期对销售量没有显著性影响
地区和日期0.000<0.05,拒绝原假设。
地区和日期的交互作用对销售量有显著性影响。
大学经济管理学院学生实验报告实验课程名称：统计软件及应用专业工商管理班级学号姓名成绩实验地点实验性质：演示性 验证性综合性设计性实验项目名称方差分析（多因素方差分析）指导教师一、实验目的掌握利用SPSS 进行单因素方差分析、多因素方差分析的基本方法，并能够解释软件运行结果。
二、实验内容及步骤(包括实验案例及基本操作步骤)实验案例：为研究某商品在不同地区和不同日期的销售差异性，调查收集了以下日平均销售量数据。
销售量日期周一至周三周四至周五周末地区一5000 6000 4000 6000 8000 3000 4000 7000 5000地区二700080008000500050006000500060004000地区三300020004000600060005000800090006000（1）选择恰当的数据组织方式建立关于上述数据的SPSS数据文件。
在SPSS输入数据。
（2）利用多因素方差分析法，分析不同地区和不同日期对该商品的销售是否产生了显著影响。
1. 选择菜单Analyze，General Linear Model，Univariate;2. 指定观测变量销售额到Dependant Variable框中；3. 指定固定效应的控制变量到Fixed Factors框中，4. OK，得到分析结果。
（3）地区和日期是否对该商品的销售产生了交互影响？若没有显著的交互影响，则试建立非饱和模型进行分析，并与饱和模型进行对比。
三、实验结论(包括SPSS输出结果及分析解释)SPSS输出的多因素方差分析的饱和模型分析：表的第一列是对观测变量总变差分解的说明；第二列是观测变量变差分解的结果；第三列是自由度；第四列是方差；第五列是F检验统计量的观测值；第六列是检验统计量的概率P-值。
F日期，，F地区，F日期*地区概率P-值分别为0.254,0.313，0.000。
如果显著性水平α为0.05，由于F日期、，F地区大于显著性水平α，所以不应拒绝原假设，不同地区和不同日期对该商品没有显著性影响。
第1篇一、引言方差分析（Analysis of Variance，ANOVA）是一种统计方法，用于比较多个样本均值是否存在显著差异。
它广泛应用于生物学、医学、心理学、经济学等众多领域。
本报告旨在总结本次方差分析实践的过程、结果和结论，以及对方差分析方法的深入理解。
二、实践背景本次实践选择了一项关于不同教育方法对学生学习成绩影响的研究。
研究者随机选取了三个年级的学生，每个年级分为三个班级，分别采用传统教育方法、现代教育方法和混合教育方法进行教学。
研究旨在比较三种教育方法对学生学习成绩的影响是否存在显著差异。
三、实践过程1. 数据收集研究者通过问卷调查和考试的方式，收集了三个年级、每个班级的学生学习成绩数据。
共得到270份有效数据。
2. 数据整理将收集到的数据录入Excel表格，并进行初步的检查，确保数据的准确性和完整性。
3. 描述性统计计算每个班级的平均成绩、标准差和样本量，以便对数据有一个初步的了解。
4. 方差分析使用SPSS软件进行方差分析，设置因变量为“学习成绩”，自变量为“教育方法”。
5. 结果解读根据方差分析的结果，判断不同教育方法对学生学习成绩的影响是否存在显著差异。
四、实践结果1. 描述性统计结果传统教育方法班级的平均成绩为70.5分，标准差为8.2分，样本量为90；现代教育方法班级的平均成绩为76.2分，标准差为6.5分，样本量为90；混合教育方法班级的平均成绩为78.9分，标准差为5.1分，样本量为90。
2. 方差分析结果根据方差分析结果，F值为3.45，显著性水平为0.036。
根据α=0.05的显著性水平，拒绝原假设，即认为不同教育方法对学生学习成绩的影响存在显著差异。
五、结论1. 不同教育方法对学生学习成绩的影响存在显著差异。
2. 混合教育方法班级的平均成绩最高，其次是现代教育方法班级，传统教育方法班级的平均成绩最低。
3. 研究结果表明，混合教育方法可能是一种更有效的教育方式，值得进一步研究和推广。
体育统计与SPSS读书笔记（八）—多因素方差分析（1）具有两个或两个以上因素的方差分析称为多因素方差分析。
多因素是我们在试验中会经常遇到的，比如我们前面说的单因素方差分析的时候，如果做试验的不是一个年级，而是多个年纪，那就成了双因素了：不同教学方法的班级，不同年级。
如果再加上性别上的因素，那就成了三因素了。
如果我们把实验前和试验后的数据用一个时间的变量来表示，那又多了一个时间的因素。
如果每个年级都是不同的老师来上，那又多了一个老师的因素，等等等等，所以我们在设计试验的时候都要进行充分考虑，并确定自己只研究哪些因素。
下面用例子的形式来说说多因素方差分析的运用。
还是用前面说单因素的例子，前面的例子说了只在五年级抽三个班进行不同教学方法的试验，现在我们还要在初二和高二各抽三个班进行不同教学方法的试验。
形成年级和不同教学法班级双因素。
分析：1. 根据实验方案我们划出双因素分析的表格，可以看出每个单元格都是有重复数据（也就是不只一个数据），年级不同教学方法的班级定性班定量班定性定量班五年级（班级每个人）（班级每个人）（班级每个人）初中二年级（班级每个人）（班级每个人）（班级每个人）高中二年级（班级每个人）（班级每个人）（班级每个人）2. 因为有重复数据，所以存在在数据交互效应的可能。
我们来看看交效应的含义：如果在A因素的不同水平上, B 因素对因变量的影响不同, 则说明A、B两因素间存在交互作用。
交互作用是多因素实验分析的一个非常重要的内容。
如因素间存在交互作用而又被忽视, 则常会掩盖因素的主效应的显著性, 另一方面, 如果对因变量Y, 因素A与B 之间存在交互作用则已说明这两个因素都Y 对有影响, 而不管其主效应是否具有显著性。
在统计模型中考虑交互作用, 是系统论思想在统计方法中的反映。
在大多数场合交互作用的信息比主效应的信息更为有用。
根据上面的判断。
根据上面的说法，我也无法判断是否有交互作用，不像身高和体重那么直接。
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 VariancesMATHLevene 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。
实验报告——（方差分析）一、实验目的熟练使用SPSS软件进行方差分析。
学会通过方差分析分析不同水平的控制变量是否对结果产生显著影响。
二、实验内容1、某职业病防治院对31名石棉矿工中的石棉肺患者、可疑患者及非患者进行了用力肺活量（L）测定，问三组石棉矿工的用力肺活量有无差别?（自建数据集）石棉肺患者可疑患者非患者1.82.3 2.91.42.13.21.52.1 2.72.1 2.1 2.81.92.6 2.71.72.53.01.82.33.41.92.43.01.82.43.41.8 3.32.03.5SPSS计算结果：在建立数据集时定义group1为石棉肺患者，group2为可疑患者，group3为非患者。
零假设：各水平下总体方差没有显著差异。
相伴概率为0.075，大于0.05，可以认为各个组的方差是相等的，可以进行方差检验。
从上表可以看出3个组之间的相伴概率都小于显著性水平0.05，拒绝零假设，说明3个组之间都存在显著差别。
2、某汽车经销商在不同城市进行调查汽车的销售量数据分析工作，每个城市分别处于不同的区域：东部、西部和中部，而且汽车经销商在不同城市投放不同类型的广告，调查数据放置于附件中数据文件“汽车销量调查.sav”。
（1）试分析不同区域与不同广告类型是否对汽车的销量产生显著性的影响？（2）如果考虑到不同城市人均收入具有差异度时，再思考不同区域和不同广告类型对汽车销量产生的影响差异是否改变，这说明什么问题？SPSS计算结果：（1）此为多因素方差分析相伴概率为0.054大于0.05，可以认为各个组总体方差相等可以进行方差检验。
不同地区贡献的离差平方和为7149.781，均方为3574.891；不同广告贡献的离差平方和为7625.708，均方为3812.854。
说明不同广告和不同地区对汽车销量都有显著性影响。
广告对于销量的影响略大于地区对销量的影响。
从地区这个变量比较：第一组和第三组的相伴概率为0.000，低于显著性水平，一、三组均值差异显著；第二组和第三组的相伴概率为0.028，低于显著性水平，二、三组均值差异显著。
实验报告方差分析学院:参赛队员:参赛队员: 参赛队员: 指导老师:目录一、实验目的 (6)1.了解方差分析的基本容； (6)2.了解单因素方差分析； (6)3.了解多因素方差分析； (6)4.学会运用spss软件求解问题； (6)5.加深理论与实践相结合的能力。
(6)二、实验环境 (6)三、实验方法 (7)1. 单因素方差分析； (7)2. 多因素方差分析。
(7)四、实验过程 (7)问题一： (7)1.1实验过程 (7)1.1.1输入数据，数据处理； (7)1.1.2单因素方差分析 (8)1.2输出结果 (9)1.3结果分析 (10)1.3.1描述 (10)1.3.2方差性检验 (10)1.3.3单因素方差分析 (10)问题二： (10)2.1实验步骤 (11)2.1.1命名变量 (11)2.1.2导入数据 (11)2.1.3单因素方差分析 (12)2.1.4输出结果 (14)2.2结果分析 (15)2.2.1描述 (15)2.2.2方差性检验 (15)2.2.3单因素方差分析 (15)问题三： (15)3.1提出假设 (16)3.2实验步骤 (16)3.2.1数据分组编号 (16)3.2.2多因素方差分析 (17)3.2.3输出结果 (22)3.3结果分析 (23)五、实验总结 (23)方差分析一、实验目的1.了解方差分析的基本容；2.了解单因素方差分析；3.了解多因素方差分析；4.学会运用spss软件求解问题；5.加深理论与实践相结合的能力。
二、实验环境Spss、office三、实验方法1. 单因素方差分析；2. 多因素方差分析。
四、实验过程问题一：用二氧化硒50mg对大鼠染尘后不同时期全肺湿重的变化见下表，试比较染尘后1个月，3个月，6个月，三个时期的全肺湿重有无差别。
1个月3个月6个月3.4 3.4 3.63.64.4 4.44.3 3.45.14.1 4.2 54.2 4.75.53.34.2 4.71.1实验过程1.1.1输入数据，数据处理；1.1.2单因素方差分析选择：分析比较均值单因素AVONA；将变量大鼠全肺湿重放置因变量列表栏中，月份放置因子栏中；两两比较中，勾选最小显著差异法；选项中，勾选描述性，方差同质性检验，welch;1.3.1描述由描述可知，一月份的均值为3.817，标准差为0.4355，三月份的均值为4.050，标准差为0.5357，六月份的均值为4.717，标准差为0.66161.3.2方差性检验由方差齐性检验可知，Sig值＝0.826>0.05，说明各组的方差在α=0.05水平上没有显著性差异，即方差具有齐次性1.3.3单因素方差分析根据输出的p值为0.034可以看出，小于0.05，大于0.01，因此拒绝原假设，染尘后1个月，3个月，6个月，三个时期的全肺湿重有无差别有显著性意义，结论是染尘后1个月，3个月，6个月，三个时期的全肺湿重有差别，一个月大鼠的全肺湿重最小，三个月其次，六个月大鼠的全肺湿重最大。
实用标准文案方差分析是用于两个及两个以上样本均数差别的显著性检验。
由于各种因素的影响，研究所得的数据呈现波动状，造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。
方差分析的基本思想是：通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。
方差分析主要用途：①均数差别的显著性检验，②分离各有关因素并估计其对总变异的作用，③分析因素间的交互作用，④方差齐性检验。
在科学实验中常常要探讨不同实验条件或处理方法对实验结果的影响。
通常是比较不同实验条件下样本均值间的差异。
例如医学界研究几种药物对某种疾病的疗效；农业研究土壤、肥料、日照时间等因素对某种农作物产量的影响；不同化学药剂对作物害虫的杀虫效果等，都可以使用方差分析方法去解决。
方差分析原理方差分析的基本原理是认为不同处理组的均数间的差别基本来源有两个：(1) 随机误差，如测量误差造成的差异或个体间的差异，称为组内差异，用变量在各SS df。
记作，组内自由度组的均值与该组内变量值之偏差平方和的总和表示，w w(2) 实验条件，实验条件，即不同的处理造成的差异，称为组间差异。
用变量在各组SS df。
，组间自由度的均值与总均值之偏差平方和表示，记作b b SSSSSS。
+ 总偏差平方和 = wtb SSSS除以各自的自由度(组内dfw =n-m，组间dfb=m-1组内、组间，其中n为样本wt MSMS，一种情况是处理没有作用，即各组样本均来自)，得到其均方和总数，m为组数bw MS≈1同一总体，。
另一种情况是处理确实有作用，组间均方是由于误差与不同处理共wb/MS MSMS(远远大于)。
同导致的结果，即各样本来自不同总体。
那么，>>wb MSMS比值构成F分布。
用F值与其临界值比较，推断各样本是否来自相同的总体。
/ wb方差分析的假设检验精彩文档．实用标准文案假设有m个样本，如果原假设H0：样本均数都相同即μ1=μ2=μ3=…=μm=μ，m个样u的总体。
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（MeanSquare）。
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。
根据F值的分子、分母均方的自由度f1和f2，在确定显著性水平为α情况下，由F(f1, f2)临界值表查得单侧Fα界限值。
当F<Fα时，则P值>α，不拒绝原假设H0，说明不拒绝这个效应项的效应为0的原假设，也即这个效应项是可能对总变异没有实质影响的；若F>Fα则P 值≤α，拒绝原假设H0，也即这个效应项是很可能对总变异有实质影响的。
3.方差分析的实验设计为了确定方差分析表中各个有关效应项，需要在试验设计阶段就作出安排，再根据设计要求进行试验，得出原始观察值，按原来设计方案算出方差分析表中的各项。
在试验设计阶段通常需要考虑如下4个方面：（1）研究的主要变量（因变量）即试验所要观察的主要指标，一次试验时可以有多个观察指标，方差分析时也可以同时对多个因变量进行分析；（2）因素和水平试验的因素（factor）可以是品种、人员、方法、时间、地区等等，因素所处的状态叫水平（level）。
在每一个因素下面可以分成若干水平。
例如，某工厂的原料来自4个不同地区，那么用不同地区的原料生产的产品质量是否一致呢？所要比较的地区就是因素，4个地区便是地区这一因素的4个水平。
当某个主要因素的各个水平间的主要因变量的均值呈现统计显著性时，必要时可作两两水平间的比较，称为均值间的两两比较。
（3）因素间的交互影响多因素的试验设计，有时需要分析因素间的交互影响（interaction），2个因素间的交互影响称为一级交互影响（A×B）；3个因素间的交互影响称为二级交互影响（A×B×C）。
当交互影响项呈现统计不显著时，表明各个因素独立，当呈现统计显著时，就需要列出这个交互影响项的效应，以助于作出正确的统计推断。
二、单因素方差分析1个因变量，1个影响因素：总差异Y ij = 平均差异μ + 因素差异αi + 随机差异εij例1比较4种品牌的胶合板的耐磨性，各抽取5个样品，相同转速磨损相同时间测得磨损深度（mm），如下：比较4个品牌胶合板的耐磨性有无差异？总差异Y ij= 平均磨损μ + 品牌差异αi + 随机差异εij1. 【分析】——【一般线性模型】——【单变量】，打开“单变量”窗口，将变量“wear磨损深度”选入【因变量】框，“brand品牌”选入【固定因子】框；2. 点【两两比较】，打开“观测均值的两两比较”子窗口，勾选【假定方差齐性】下的“LSD”、“S-N-K”，点【继续】；3. 点【选项】，打开“选项”子窗口，勾选“描述统计”、“方差齐性检验”，点【继续】；点【确定】，得到描述性统计量因变量: 磨损深度(mm)地板品牌均值标准偏差NA 2.4100 .11269 5B 2.4040 .11760 5C 2.0460 .11216 5D 2.5720 .03271 5总计 2.3580 .21771 20 给出每个品牌的均值、标准差、样本数。
方差齐性检验结果，P值=0.311>0.05, 故接受原假设H0：方差齐。
方差分析结果，“校正模型”是整个方差分析模型的检验，原假设H0：所有系数（μ, αi, εij）都=0；P值<0.001<0.05, 故拒绝原假设。
“截距”检验均值μ, 原假设H0：μ=0（即不考虑品牌时，平均磨损为0）；P值<0.001<0.05, 故拒绝原假设。
“brand”对因素品牌的检验，原假设H0：按因素水平值的各分组的因变量无差异，即品牌因素对磨损深度无影响；P值<0.001<0.05, 故拒绝原假设，即不同品牌的耐磨性有差异。
B列为各品牌均值与均值μ（截距）的差。
截距参数对比L1截距 1[brand=A] .250[brand=B] .250[brand=C] .250[brand=D] .250此矩阵的缺省显示是相应的L矩阵的转置。
基于III 型平方和。
估计常数项时使用的L矩阵，均为0.25即总样本的均值是按四种品牌等量混合的情况计算的。
对比系数矩阵，默认将最后一组“品牌D”作为对照组，故上上表的截距（均值μ）的估计值=品牌D的均值=2.572L2=[0 1 0 0 -1]T, 对于L2列，令[μα1α2α3α4]×L2 = 0，化简得α1=α4即前表对α1作的假设检验。
LSD法给出的两两比较，将各组均和一个参照水平做比较，未指定默认，则每一个水平都作为参照比较一次。
每两个之间的差异有无统计学意义，看对应的P值判断（原假设H0：无差异）。
磨损深度(mm)地板品牌N 子集1 2 3Student-Newman-Keuls a,b C 5 2.0460B 5 2.4040A 5 2.4100D 5 2.5720 Sig. 1.000 .926 1.000已显示同类子集中的组均值。
基于观测到的均值。
误差项为均值方(错误) = .010。
a. 使用调和均值样本大小= 5.000。
b. Alpha = .05。
LSD法给出的两两比较结果，将各组的值从小到大排序，注意4个品牌共被分成了3个亚组（无差异的作为一组），品牌B和A放在一个亚组，二者的P值=0.926（无差异）。
三、两因素方差分析1个因变量，2个影响因素：总差异Y ijk = 平均差异μ + 因素1差异αi + 因素2差异βi+ 因素1,2交互作用差异γij + 随机差异εijk例2分析超市某商品的销售量在不同的超市规模（小型、中型、大型）、货架位置（A、B、C、D）是否有差异？部分数据文件如下：变量size超市规模：1=小型，2=中型，3=大型。
总差异Y ijk = 平均差异μ + 超市规模差异αi + 货架位置差异βi + 超市规模货架位置交互作用差异γij + 随机差异εijk1. 【分析】——【一般线性模型】——【单变量】，打开“单变量”窗口，将变量“sale销售量”选入【因变量】框，将变量“size超市规模”、“position货架位置”选入【固定因子】框；2. 点【选项】，打开“选项”子窗口，勾选【输出】下的“描述统计”、“方差齐性检验”，点【继续】；点【确定】，得到主体间因子值标签N超市规模1 小型82 中型83 大型8摆放位置A 6B 6C 6D 6描述性统计量因变量: 周销售量 超市规模摆放位置 均值 标准 偏差N小型A 47.500 3.5355 2 B59.500 4.94972 C 68.000 4.2426 2 D 50.500 3.5355 2 总计 56.375 9.1329 8 中型A 61.000 5.6569 2 B73.500 6.3640 2 C 76.500 4.94972 D 58.500 2.1213 2 总计 67.375 9.1173 8 大型A 74.000 5.6569 2 B78.500 4.9497 2 C 85.500 4.9497 2 D 73.000 2.8284 2 总计 77.750 6.3640 8 总计A 60.833 12.4807 6 B70.500 9.7724 6 C 76.667 8.6410 6 D 60.667 10.4435 6 总计67.16711.937024超市规模3个水平，货架位置4个水平，共将样本分成3×4=12组，由于有单组样本数<3个，故无法做方差齐性检验（值缺失）。
整个方差分析模型的检验结果，交互作用项size*position的P值=0.689>0.05, 故接受原假设H0：该交互作用无差异。
下面去掉交互因子继续做两因素方差分析。
3. 在第1步的窗口点【模型】，打开“模型”子窗口，选择【指定模型】下的“设定”，将【构建项】下的【类型】设为“主效应”，将变量“size”、“position”选入【模型】框，点【继续】；4. 原窗口点【两两比较】，打开“观测均值的两两比较”子窗口，将因子“size”、“position”选入【两两比较检验】框，勾选【假定方差齐性】下的“S-N-K”，点【继续】；注：若已明确对照组，考察其它组与它的比较，宜采用LSD法；若要进行多个均值间的两两比较，且各组人数相等，宜采用Tukey法或S-N-K法（若比较的组数特别多，不宜用S-N-K法，宜用Scheffe 法）；对于不平衡设计或含有协变量的模型，应采用LSD法、Bonferroni法、Sidak法。
点【确定】得到：方差齐性检验，P值=0.997>0.5, 故接受原假设H0, 即方差齐。
整个方差模型的检验结果（解释参考例1）。
A 6 60.833B 6 70.500C 6 76.667Sig. .948 1.000 1.000已显示同类子集中的组均值。
