(整理)SPSS 方差分析过程.
One-Way ANOVA过程
One-Way ANOVA过程用于进行两组及多组样本均数的比较，即成组设计的方差分析，如果做了相应选择，还可进行随后的两两比较，甚至于在各组间精确设定哪几组和哪几组进行比较。
界面说明
【Dependent List框】
选入需要分析的变量，可选入多个结果变量（应变量）。
【Factor框】
选入需要比较的分组因素，只能选入一个。
【Contrast钮】
弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义。
o Polynomial复选框定义是否在方差分析中进行趋势检验。
o Degree下拉列表和Polynomial复选框配合使用，可选则从线
性趋势一直到最高五次方曲线来进行检验。
o Coefficients框定义精确两两比较的选项。这里按照分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如有三组数据，要对第
一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，
就会在结果中给出相应的检验内容。
【Post Hoc钮】
弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法，有：
o Equar Variances Assumed复选框组当各组方差齐时可用的两两比较方法，共有14中种这里不一一列出了，其中最常用的为LSD和S-N-K法。
o Equar Variances Not Assumed复选框组一组当各组方差不齐时可用的两两比较方法，共有4种，其中以Dunnetts's C法较常用。
o Significance Level框定义两两比较时的显著性水平，默认为
0.05。
【Options钮】
弹出Options对话框，用于定义相关的选项，有：
o Statistics复选框组选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验（Homogeneity-of-variance）。
o Means plot复选框用各组均数做图，以直观的了解它们的差异。
o Missing Values单选框组定义分析中对缺失值的处理方法，可以是具体分析用到的变量有缺失值才去除该记录（Excludes cases analysis by analysis），或只要相关变量有缺失值，则在所有分析中均将该记录去除(Excludes cases listwise)。默认为前者，以充分利用数据。
2.8、 2.9 成组设计资料，用成组方差分析。
分组变量为group，三组取值分别为1、2、3，结果变量（用力肺活量）为X。此处先进行单因素方差分析，然后进行两两比较，这里选择S-N-K法进行两两比较。操作如下：
o Dependent List框：选入X
o Factor框：选入group
o Post Hoc钮：选中S-N-K复选框：单击Continue钮
o单击OK钮
统计描述结果
方差齐性检验
用力肺活量
ANOVA
用力肺活量
LSD 多重比较
因变量: 用力肺活量
(I) 对象分组 (J) 对象分组 均值差 (I-J) 标准误 显著性
95% 置信区间 LSD 石棉肺患者 可疑石棉肺患者 -.52020(*) .10522 .000 -.7357 -.3047
非患者 -1.29091(*) .09982 .000 -1.4954 -1.0864 可疑石棉肺患者 石棉肺患者 .52020(*) .10522 .000 .3047 .7357 非患者
-.77071(*) .10522 .000 -.9862 -.5552 非患者 石棉肺患者 1.29091(*) .09982 .000 1.0864 1.4954
可疑石棉肺患者
.77071(*)
.10522
.000
.5552
.9862
* 均值差的显著性水平为 .05。 SNK 用力肺活量
a 将使用调和均值样本大小 = 10.241。
b 组大小不相等。将使用组大小的调和均值。将不保证 I 类错误级别。
一般线性模型
（General Linear Model GLM）用于配伍设计、析因设计、交叉设计、重复测量等资料的方差分析，协方差分析等。
两因素方差分析（配伍设计方差分析）
数据结构：设置三个变量：分析指标（X）,F1(处理因素)，F2(配伍组)：
univarate对话框界面说明
在上面的这些框框钮钮中，最常用的有：Dependent Variable框、Fixed Factors框、Model钮、Post Hoc钮，
【Dependent Variable框】
选入需要分析的变量（应变量），只能选入一个。这里我们的应变量为X，将他选入即可。
【Fixed Factors框】
即固定因素，绝大多数要分析的因素都应该往里面选。这里我们要分析的是f和b两个变量，把他们全都放进去！
固定因素指的是在样本中它所有可能的取值都出现了，比如例中的F2，只可能有A、B、C、D四个种系，并且都出现了，就被称作固定效应；而相对应的随机效应的因素指的是所有可能的取值在样本中没有都出现，或不可能都出现，如本例中的F1，实际上总体中当然不可能只有3个剂量组，因此要用样本中3个剂量的情况来推论总体中
所有的剂量的情况时就会存在误差，因此被称为随机因素。我这里让F1也选入固定框是基于下面的事实：这样做统计分析的结论是完全相同的。不同的只是推论的那部分。
【Random Factors框】
用于选入随机因素，如果你弄不明白，不理他就是了。
【Covariate框】
用于选入协方差分析时的协变量
【WLS Weight框】
即用于选入最小二乘法权重系数。
【Model钮】
单击后出现一个对话框，用于设置在模型中包含哪些主效应和交互因子，默认情况为Full factorial，即分析所有的主效应和交互作用。我们这里没有交互作用可分析，所以要改一下，否则将作不出结果来。将按钮切换到右侧的custum，这时中部的Build Term下拉列表框就变黑可用，该框用于选择进入模型的因素交互作用级别，即是分析主效应、两阶交互、三阶交互、还是全部分析。这里我们只能分析主效应：选择main，再用黑色箭头将group和food选入右侧的model 框中，如果对这段叙述不太清楚，请参考下面的动画。
该对话框中还有两个元素：左下方的Sum of squares框用于选择方差分析模型类别，有1型到4型四种，如果你搞不清他们之间的区别，使用默认的3型即可；中下部有个Include intercept in model 复选框，用于选择是否在模型中包括截距，不用改动，默认即可。
【Contrast钮】
弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，在这里，该对话框比单因素方差分析的时候还要专业，使用频率也更少。
【Plots钮】
用于指定用模型的某些参数作图，比如用F和B来作图，用的也比较少（指国内，因为它主要是用来做模型诊断用的）。
【Post Hoc钮】
该按钮弹出的两两比较对话框和单因素方差分析中的一模一样，不再重复。本题对X作两两比较，方法为SNK法。
【Save钮】
将模型拟合时产生的中间结果或参数保存为新变量供继续分析时用，可保存的有预测值、残差、诊断用指标等。
【Options钮】
可以定义输出哪些指标的估计均数、并做所选择的两两比较，还有其他一些输出，如常用描述指标、方差齐性检验等。
2.10 分析过程
1.Analyze==>General Lineal model==>Univariate
2.Dependent Variable框：选入X
3.Fixed Factors框：选入F1和F2
4.Model钮：单击
5. Custom单选钮：选中
6. Model框：选入F1和F2
7.单击OK
8.Post Hoc钮：单击
9. Post Hoc test for框：选入F
10. SNK复选框：选中
11.单击OK
12.单击OK
重复测量资料的方差分析
数据结构：分析指标每个重复测量结果都设一个变量，如重复测量4次，就设4个变量，如果有分组，就设一个分组变量。
在菜单中选择Analyze==>General Lineal model==>Repeated measures
系统首先会弹出一个重复测量因子定义对话框如下
因为是重复测量的模型，应变量被重复测量了几次，分别存放在几个变量中，所以我们这里要自行定义应变量。默认的名称为factor1，
我们将其改为trail，下面的因素等级数填入4(因一共测量了四次)。单击Add钮，则该变量被加入，我们就完成了模型设置的第一步：应变量名称和测量次数定义。单击define，我们开始进行下一个步骤：具体重复测量变量定义及模型设置，对话框如
这个对话框和我们以前看到的方差分析对话框不太一样：它没有应变量框，而是改为了组内效应框，实际上是一回事，上面我们定义了f有四次测量，此处就给出了四个空让你填入相应代表四次测量的变量，选中F1~F4，将其选入；然后要选择自变量了（这里又将其称为了between subjects factor），将剩下的三个都选入即可。最后，
根据题意，不需要检验anxity与tension的交互作用对试验次数有无交互作用，所以要在model中作相应设置，把那个东东拉出来。
本例分析过程：
1.Analyze==>General Lineal model==>Repeated measures
2.Within-subject factor name框：键选入F
3.number of levels框：键入3
4.单击ADD钮
5.单击DEFINE钮
6.Within-subject variables (trial)框：选入F1~F3
7.between subjects factor框：选入G
8.单击MODEL钮
9. Custom单选钮：选中
10. Within-subject Model框：选入Factor
11. between subjects Model框：G
12.单击CONTINUE
13.单击OK
用SPSS进行单因素方差分析报告和多重比较
SPSS——单因素方差分析 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure 过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数
3 40 35 35 38 34 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。 。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口
3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。 图1-3 “Contrasts”对话框 定义多项式的步骤为： 均值的多项式比较是包括两个或更多个均值的比较。例如图1-3中显示的是要求计算“1.1×mean1-1×mean2”的值，检验的假设H0：第一组均值的1.
SPSS处理多元方差分析例子
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
SPSS单因素方差分析步骤
SPSS单因素方差分析步骤
spss教程：单因素方差分析 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。方法/步骤 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。
熟练使用SPSS进行双因素方差分析
2. 统计分析。 依次选取“Analyze”、“General Linear Model”、“Univariate” 。 图2 选择分析工具 展开对话框如下图，将x选入Dependent V ariable（因变量框），g、id 选入Fixed Factors（固定因素框）。 图3 选择变量进入右侧的分析列表
对话框右边有一排按钮Mode、Contrasts 、Plots、Post Hoc、Save 和Options,下面分别对其子对话框选项作一简单介绍: Model：指定不同的模型，除方差分析外General Linear Model可作其他统计分析； Contrasts：指定一种要用t 检验来检验的priori 对比； Plots：指定作某种图； Post Hoc：指定两两比较的方法； Save：指定将产生的一些指标保存为新的变量； Options：指定要输出的一些选项，如数据的描述方差齐性检等 单击Model 展开其子对话框如下图，最上方Specify Model 定义模型，有两个选项：Full factorial（全因子）和Custom，选取Custom（自定义），Build Terms （选取模型中各项）下方有一选项，单击下拉箭头将其展开，选择Main Effects（主效应因）（本例不考虑交互作用），再将Factors 框中的g、id 选入Model:框，按Continue返回主对话框，单击Post Hoc 按钮展开其子对话框，将g 选入Post Hoc Test for，即要做两两比较的因素框，选取SNK 即q检验，返回主对话框，单击OK 键提交执行。 图4 Model对话框设置
SPSS方差分析案例实例
SPSS 第二次作业——方差分析 1、案例背景： 在一些大型考试中，为了保证结果的准确和一致性，通常针对一些主观题，都采取由多个老师共同评审的办法。在评分过程中，老师对学生的信息不可见，同时也无法看到其他评分，保证了结果的公正性。然而也有特殊情况的发生，导致了成绩的不稳定，这就使得对不同教师的评分标准考察变得十分必要。 2、案例所需资料及数据的获取方式和表述，变量的含义以及类型： 所需资料：抽样某地某次考试中不同教师对不同的题目的学生成绩的评分； 获取方式：让一组学生前后参加四次考试，由三位教师进行批改后收集数据； 变量含义、类型：一份试卷的每道主观题由三名教师进行评定，3个教师的评定结果可看成事从同一总体中抽出的3个区组，它们在四次评定的成绩是相关样本。 表1如下： 3、分析方法： 用方差分析的方法对四个总体的平均数差异进行综合性的F 检验。 4、数据的检验和预处理： a) 奇异点的剔除：经检验得无奇异点的剔除； b) 缺失值的补齐：无； c) 变量的转换（虚拟变量、变量变换）：无； d) 对于所用方法的假设条件的检验：进行正态性和方差齐性的检验。 正态性，用QQ 图进行分析得下图： 教师 题目 1 2 3 a 27.3 28.5 29.1 b 29.0 29.2 28.3 c 26.5 28.2 29.3 d 29.7 25.7 27.2
得到近似满足正态性。 ?对方差齐性的检验： 用SPSS对方差齐性的分析得下表： Test of Homogeneity of Variances 分数 Levene Statistic df1 df2 Sig. .732 2 9 .508 易知P〉0.05，接受方差齐性的假设。 5、分析过程： a) 所用方法：单因素方差分析；方差分析中的多重比较。 b) 方法细节： ●单因素方差分析 第一步，提出假设： H0：μ1=μ2=μ3；（教师的评定基本合理，即均值相同） H1：μi(i=1,2,3)不全相等；（教师的评定不够合理，均值有差异）第二步，为检验H0是否成立，首先计算以下统计量：
SPSS 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。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： 3、统计分析
多元方差分析spss实例
多元方差分析 1992年美国总统选举的三位候选人为布什、佩罗特、克林顿。从支持三位候选人的选民中分别 分析：该题自变量为三位候选人，因变量为年龄段和受教育程度。从自变量来看要进行方差分析，从因变量来看是二元分析，所以最终确定使用多变量分析 具体操作（spss） 1、打开spss，录入数据，定义变量和相应的值在此不作详述。结果如图1
图1 被投票人：1、布什2、佩罗特3、克林顿 2、在spss窗口中选择分析——一般线性模型——多变量，调出多变量分析主界面，将年龄段和受 教育程度移入因变量框中，被投票人移入固定因子框中。如图2 图2 多变量分析主界面 3、点击选项按钮在输出框中选择方差齐性分析（既包括协方差矩阵等同性分析也包括误差方差齐 性分析），其它使用默认即可，点击继续返回主界面。如图3
图3 选项子对话框 4、点击确定，运行多变量分析过程。 结果解释 1、协方差矩阵等同性的Box检验结果，如图4 图4 协方差矩阵检验 结果说明：此Box检验的协方差矩阵为三位候选人每个人的支持者的年龄段和受教育程度的协方差矩阵。因为sig>0.05，所以差异不显著，即各个因变量的协方差矩阵在所有三个候选人组中是相等的。可以对其进行多元方差分析。 2、多变量检验结果，如图5
图5 多变量检验 结果说明：被投票人在四种统计方法中的sig均小于0.05，所以差异显著，即三组的总体均值有显著性差异 3、误差方差等同性的Levene检验结果，如图6 图6 Levene检验 结果说明：只考虑单个变量，年龄段或者受教育程度，每位候选人的20名支持者的随机误差是否有显著性差异。因为sig>0.05，差异不显著，所以三位候选人的20名支持者的随机误差相等。 可以进行单因素方差分析。 4、主体间效应的检验结果，如图7 图7 主体间效应的检验 结果说明：被投票人一行中，年龄段的sig<0.05，差异显著，即支持三位候选人的选民中，年龄段之间存在显著差异；而受教育程度的sig>0.05，差异不显著，即支持三位候选人的选民中，受教育程度差异不显著。
(整理)SPSS 方差分析过程.
One-Way ANOVA过程 One-Way ANOVA过程用于进行两组及多组样本均数的比较，即成组设计的方差分析，如果做了相应选择，还可进行随后的两两比较，甚至于在各组间精确设定哪几组和哪几组进行比较。 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（应变量）。 【Factor框】 选入需要比较的分组因素，只能选入一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义。 o Polynomial复选框定义是否在方差分析中进行趋势检验。 o Degree下拉列表和Polynomial复选框配合使用，可选则从线
性趋势一直到最高五次方曲线来进行检验。 o Coefficients框定义精确两两比较的选项。这里按照分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如有三组数据，要对第 一、三组进行单独比较，则在这里给三组分配系数为1、0、-1， 就会在结果中给出相应的检验内容。 【Post Hoc钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法，有： o Equar Variances Assumed复选框组当各组方差齐时可用的两两比较方法，共有14中种这里不一一列出了，其中最常用的为LSD和S-N-K法。 o Equar Variances Not Assumed复选框组一组当各组方差不齐时可用的两两比较方法，共有4种，其中以Dunnetts's C法较常用。
SPSS-单因素方差研究分析(ANOVA)-案例解析
SPSS单因素方差分析(ANOVA)- 案例解析
作者:日期:
SPSS单因素方差分析（?ANOVA）案例解析 2011-08-30 11:10 这几天一直在忙电信网上营业厅用户体验优化改版事情，今天将我最近学习SPSS单因素方差分析（ANOVA分析，今天希望跟大家交流和分享一下： 继续以上一期的样本为例，雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。 研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？ 样本数据如下所示：（a代表雄性老鼠b代表雌性老鼠0代表死亡1代表活着tim 代表注射毒液后，经过多长时间，观察结果） 点击“分析”一一比较均值------ 单因素AVOVA,如下所示:
从上图可以看出，只有“两个变量”可选，对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码， 点击“转换”一“重新编码为不同变量”将a,b"分别用8,9进行替换，得到如 下结果”
組别 g g生存时间tim 生存结局stat us ro a51r3.w \ a70/ 8.00 a131；' a.oo 131I 3 OG i a23 1 I BOO a301 1 9.00 1 a J 300\ 8.00._1 a羽1\ 000 a421\ B.OO a421\ s.oo a450 \ S 00./d h 119 00 b319.0C ]b3 19.00 Tb119 00 101900 b1519.00 ]b 1519.00 b2319.00 〕b3019 00 此时的8代表a（雄性老鼠）9代表b雌性老鼠，移入“因变量列表”框内，将“性别”移入“因子” 按钮，如下所示： 我们将“生存结局”变量框内，点击“两两比较”
用SPSS进行单因素方差分析和多重比较
方差分析 方差分析可以用来检验来多个均值之间差异的显著性，可以看成是两样本t检验的扩展。统计学原理中涉及的方差分析主要包括单因素方差分析、两因素无交互作用的方差分析和两因素有交互作用的方差分析三种情况。虽然Excel可以进行这三种类型的方差分析，但对数据有一些限制条件，例如不能有缺失值，在两因素方差分析中各个处理要有相等的重复次数等；功能上也有一些不足，例如不能进行多重比较。而在方差分析方面SPSS的功能特别强大，很多输出结果已经超出了统计学原理的范围。 用SPSS检验数据分布的正态性 方差分析需要以下三个假设条件：（1）、在各个总体中因变量都服从正态分布；（2）、在各个总体中因变量的方差都相等；（3）、各个观测值之间是相互独立的。 在SPSS中我们很方便地对前两个条件进行假设检验。同方差性检验一般与方差分析一起进行，这一小节我们只讨论正态性的检验问题。 [例7.4] 检验生兴趣对考试成绩的影响的例子中各组数据的正态性。 在SPSS中输入数据（或打开数据文件），选择Analyze→Descriptive Statistics→Explore，在Explore对话框中将统计成绩作为因变量，兴趣作为分类变量（Fator），单击Plots按钮，选中“Histogram”复选框和“Normality plots with Test”，单击“Continue”按钮，在单击主对话框中的“OK”，可以得到分类别的描述统计信息。从数据的茎叶图、直方图和箱线图都可以对数据分布的正态性做出判断，由于这些内容前面已经做过讲解，这里就不再进一步说明了。 图7-2 用Expore过程进行正态性检验 top↑
spss方差分析操作示范-步骤-例子
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 Variances MATH Levene 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。 （2）输出方差分析主效应检验结果（方差分析表）
SPSS教程-多因素方差分析
多因素方差分析 多因素方差分析是对一个独立变量是否受一个或多个因素或变量影响而进行的方差分析。SPSS调用“Univariate”过程，检验不同水平组合之间因变量均数，由于受不同因素影响是否有差异的问题。在这个过程中可以分析每一个因素的作用，也可以分析因素之间的交互作用，以及分析协方差，以及各因素变量与协变量之间的交互作用。该过程要求因变量是从多元正态总体随机采样得来，且总体中各单元的方差相同。但也可以通过方差齐次性检验选择均值比较结果。因变量和协变量必须是数值型变量，协变量与因变量不彼此独立。因素变量是分类变量，可以是数值型也可以是长度不超过8的字符型变量。固定因素变量(Fixed Factor)是反应处理的因素;随机因素是随机地从总体中抽取的因素。 [例子] 研究不同温度与不同湿度对粘虫发育历期的影响，得试验数据如表5-7。分析不同温度和湿度对粘虫发育历期的影响是否存在着显著性差异。 表5-7 不同温度与不同湿度粘虫发育历期表 数据保存在“DATA5-2.SAV”文件中，变量格式如图5-1。 1）准备分析数据 在数据编辑窗口中输入数据。建立因变量历期“历期”变量，因素变量温度“A”，湿度为“B”变量，重复变量“重复”。然后输入对应的数值，如图5-6所示。或者打开已存在的数据文件“DATA5-2.SAV”。
图5-6 数据输入格式 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“General Linear Model”项，在右拉式菜单中点击“Univariate”项，系统打开单因变量多因素方差分析设置窗口如图5-7。 图5-7 多因素方差分析窗口 3）设置分析变量 设置因变量:在左边变量列表中选“历期”，用向右拉按钮选入到“Dependent Variable：”框中。 设置因素变量:在左边变量列表中选“a”和“b”变量，用向右拉按钮移到“Fixed Factor(s):”框中。可以选择多个因素变量。由于内存容量的限制，选择的因素水平组合数(单元数)应该尽量少。
spss 多因素方差分析例子
作业8：多因素方差分析 1，data0806-height是从三个样方中测量的八种草的高度，问高度在三个取样地点，以及八种草之间有无差异？具体怎么差异的？ 打开spss软件，打开data0806-height数据，点击Analyze->General Linear Model->Univariate 打开： 把plot和species送入Fixed Factor(s)，把height送入Dependent Variable，点击Model 打开：
选择Full factorial，Type III Sum of squares，Include intercept in model（即全部默认选项），点击Continue回到Univariate主对话框，对其他选项卡不做任何选择， 结果输出：
因无法计算MM e rror，即无法分开MM intercept和MM error，无法检测interaction的影响，无法进行方差分析， 重新Analyze->General Linear Model->Univariate打开： 选择好Dependent Variable和Fixed Factor(s)，点击Model打开： 点击Custom，把主效应变量species和plot送入Model框，点击Continue回到Univariate主对话框，点击Plots：
Univariate对话框，点击Options：
把OVERALL,species, plot送入Display Means for框，选择Compare main effects，Bonferroni，点击Continue回到Univariate对话框， 输出结果： 可以看到：SS species=33.165，df species=7，MS species=4.738；SS plot=33.165，df plot=7，MS plot=4.738；SS error=21.472，df error=14，MS error=1.534； Fspecies=3.089，p=0.034<0.05;Fplot=12.130,p=0.005<0.01; 所以故认为在5%的置信水平上，不同样地，不同物种之间的草高度是存在差异的。
SPSS-单因素方差分析(ANOVA) 案例解析
SPSS-单因素方差分析（ANOVA) 案例解析 2011-08-30 11:10 这几天一直在忙电信网上营业厅用户体验优化改版事情，今天将我最近学习SPSS单因素方差分析（ANOVA)分析，今天希望跟大家交流和分享一下： 继续以上一期的样本为例，雌性老鼠和雄性老鼠，在注射毒素后，经过一段时间，观察老鼠死亡和存活情况。 研究的问题是：老鼠在注射毒液后，死亡和存活情况，会不会跟性别有关？ 样本数据如下所示：（a代表雄性老鼠 b代表雌性老鼠 0代表死亡 1 代表活着 tim 代表注射毒液后，经过多长时间，观察结果） 点击“分析”——比较均值———单因素AVOVA, 如下所示：
从上图可以看出，只有“两个变量”可选, 对于“组别（性别）”变量不可选，这里可能需要进行“转换”对数据重新进行编码， 点击“转换”—“重新编码为不同变量” 将a,b"分别用8,9进行替换，得到如下结果”
此时的8 代表a(雄性老鼠） 9代表b雌性老鼠，我们将“生存结局”变量移入“因变量列表”框内，将“性别”移入“因子”框内，点击“两两比较”按钮，如下所示：
“ 勾选“将定方差齐性”下面的 LSD 选项，和“未假定方差齐性”下面的Tamhane's T2选项点击继续 点击“选项”按钮，如下所示： 勾选“描述性”和“方差同质检验” 以及均值图等选项，得到如下结果：
结果分析：方差齐性检验结果，“显著性”为0，由于显著性0<0.05 所以，方差齐性不相等，在一般情况下，不能够进行方差分析 但是对于SPSS来说，即使方差齐性不相等，还是可以进行方差分析的， 由于此样本组少于三组，不能够进行多重样本对比 从结果来看“单因素ANOVA” 分析结果，显著性0.098，由于 0.098>0.05 所以可以得出结论： 生存结局受性别的影响不显著 很多人，对这个结果可能存在疑虑，下面我们来进一步进行论证，由于“方差齐性不相等”下面我们来进行“非参数检验”检验结果如下所示：（此处采用的是“Kruskal-Wallis "检验方法）
SPSS——单因素方差分析报告详解
SPSS——单因素方差分析 来源：李大伟的日志 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure 过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。
1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图1-1所示。或者打开已存在的数据文件“data1.sav”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口 3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。
重复测量设计资料的方差分析SPSS操作
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…………m 1 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
SPSS单因素方差分析步骤
spss教程：单因素方差分析 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。方法/步骤 统计值，FSpss计算检验统计量的观察值和概率P_值：自动计算1.，拒绝零假设，认为控制变量不a小于显著性水平如果相伴概率P 同水平下各总体均值有显著差异，反之，则相反，即没有差异。
控制变量不同水平下各观察变量总体方差是否方差齐性检验：2. of （Homogeneity 验同采。用方差质性检方法析行等相进分），原假设“各水平下观察变量总体的方差无显著差异，variance图中相伴概率spss两独立样本t 检验中的方差分析”。思路同，故认为总体方差相等。大于显著性水平0.5150.05趋势检验可以分析随着控制变量水平的变化，观测变量趋势检验：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
小于显著性水平变量总体作用的程度。图中线性相伴概率为0 ，故不符合线性关系。0.05
单因素方差分析只能够判断控制变量是否对观3.多重比较检验：多重比较检验可以进一步确定控制变量的察变量产生了显著影响，哪个不显著。不同水平对观察变量的影响程度如何，那个水平显著，但也容易导方法。LSD方法检测灵敏度是最高的，S-N-KLSD常用、项中，报纸与LSD致第一类错误（弃真）增大，观察图中结果，在广播没有显著差异，但在别的方法中，广告只与宣传有显著差异。
SPSS单因素方差分析
SPSS单因素方差分析
单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measu re过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 水稻品种 重复 12345 14133383731 23937353934 34035353834 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。
1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图1-1所示。或者打开已存在的数据文件“dat a1.sav”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口 3）设置分析变量 因变量: 选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量: 选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。
spss中的单因素方差分析
SPSS中的单因素方差分析 一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 （2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。 （3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。 （4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。 （5）在主对话框中，单击“OK”提交进行。 五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下： 第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。 第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。 第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。 第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。 六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。
熟练使用SPSS进行单因素方差分析
熟练使用SPSS进行单因素方差分析 试验内容： ?故诬:皤力示J ［试验］ ［例］五个地区每天发生交通事故的次数如下：表1五个地区每天发生交通事故数据列表 试以a =0.01的显著水平检验各地区平均每天交通事故次数是否相等。 1.数据录入。以变量x表示交通事故数据；g表示组别，可设1为东部，2为北部，3为中部，4为南部，5为西部, 比如东部数据1可以录入为 。具体格式见下图。 2.统计分析。依次选取“ Analyze ”“Compare Means” “One way
图选择分析工具 ANOV A弹出对话框如下图所示，将x选入Dependent list （因变量框），g选入Factor （研究因素框），对话框下方还有三个按钮：Contrast、Post Hoc和Options。下面简单介绍其子对话框： Post Hoc :指定一种多重比较检验方法和水准； Opti ons：指定要输出的统计量（方差齐性检验和统计描述结果）和处理缺失值的方法 图3选择变量进入右侧的分析列表 本例要选用一种两两比较的方法，单击Post Hoc弹出对话框如下图所示，对话框中列出了常用的两 两比较方法，其中 SNK即q检验，LSD least significant difference 即最小显著差法，本例选用SNK法, 并设置下面的置信度significance level为0.01,单击Options，展开其对话框指定输出方差齐性检验结果。
按Continue返回主对话框，单击 OK提交执行。 图4设置分析参数 输出结果及结果说明 第一个表格显示了方差齐性检验结果P= 0.983，所以认为方差齐次；第二个表格给出了方差分析的内容，Sum of Squares为平方和，Mean Square为均方和，df为自由度，Between Groups为组间，Within Groups为组内，F= 3.676 ，所以接受原假设，即各地区每天发生的交通事故次数相等。
spss相关分析案例多因素方差分析
本次实验采用2005年东部、中部和西部各地区省份城镇居民月平均消费类型划分的数据（课本139页），将东部、中部和西部看作三个不同总体，31个数据分别来自于这三个总体。本人对这三个不同地区的城镇居民月平均消费水平进行比较，并选取人均粮食支出、副食支出、烟酒及饮料支出、其他副食支出、衣着支出、日用杂品支出、水电燃料支出和其他非商品支出八个指标来衡量城镇居民月平均消费情况。 在进行比较分析之前，首先对个数据是否服从多元正态分布进行检验，输出结果为： 表一 如表一，因为该例中样本数n=31<2000,所以此处选用Shapiro-Wilk统计量。由正态性检验结果的sig.值可以看到，人均粮食支出、烟酒及饮料支出、其他副食支出、水电燃料支出和其他非商品支出均明显不遵从正态分布（Sig.值小于,拒绝服从正态分布的原假设），因此，在下面分析中，只对人均副食支出、衣着支出和日用杂品支出三项指标进行比较，并认为这三个变量组成的向量都遵从正态
分布，并对城镇居民月平均消费状况做出近似的度量。另外，正态性的检验还可以通过Q-Q图来实现，此时应判别数据点是否与已知直线拟合得好。如果数据点均落在直线附近，说明拟合得好，服从正态分布，反之，不服从。具体情况这里不再赘述。 下面进行多因素方差分析： 一、多变量检验 表二 由地区一栏的（即第二栏）所列几个统计量的Sig.值可以看到，无论从那个统计量来看，三个地区的城镇居民月平均消费水平都是有显著差别的（Sig.值小于，拒绝地区取值不同，对Y，即城镇居民月平均消费水平的取值没有显著影响的原假设）。 二、主体间效应检验 表三
如表三，可以看到三个指标地区一栏的（即第三栏）Sig.值分别为、、，说明三个地区在人均衣着支出指标上没有明显的差别（Sig.值大于，不拒绝地区取值不同，对指标的取值没有显著影响的原假设），反之，而在人均副食支出和日用杂品支出指标上有显著差别。 三、多重比较 表四 Contrast Results (K Matrix) 地区 Simple Contrast a Dependent Variable 人均副食支出(元/人) 人均日用杂品支出(元 /人) 人均衣着支出(元/人) Level 1 vs. Level 3 Contrast Estimate Hypothesized Value 0 0 0 Difference (Estimate - Hypothesized) Std. Error Sig. .001 .036 .517 95% Confidence Interval for Difference Lower Bound .173 Upper Bound Level 2 vs. Level 3 Contrast Estimate Hypothesized Value 0 0 0 Difference (Estimate - Hypothesized) Std. Error Sig. .668 .343 .638 95% Confidence Interval for Difference Lower Bound Upper Bound