方差分析和协方差分析,协变量和控制变量

方差分析

方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”或“F检验”，是R.A.Fisher发明的，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。

方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。

假定条件和假设检验?

1. 方差分析的假定条件为：（1）各处理条件下的样本是随机的。（2）各处理条件下的样本是相互独立的，否则可能出现无法解析的输出结果。（3）各处理条件下的样本分别来自正态分布总体，否则使用非参数分析。（4）各处理条件下的样本方差相同，即具有齐效性。

2. 方差分析的假设检验假设有K个样本，如果原假设H0样本均数都相同，K个样本有共同的方差σ，则K个样本来自具有共同方差σ和相同均值的总体。如果经过计算，组间均方远远大于组内均方，则推翻原假设，说明样本来自不同的正态总体，说明处理造成均值的差异有统计意义。否则承认原假设，样本来自相同总体，处理间无差异。

作用

一个复杂的事物，其中往往有许多因素互相制约又互相依存。方差分析的目的是通过数据分析找出对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。对变差的度量，采用离差平方和。方差分析方法就是从总离差平方和分解出可追溯到指定来源的部分离差平方和，这是一个很重要的思想。经过方差分析若拒绝了检验假设，只能说

明多个样本总体均值不相等或不全相等。若要得到各组均值间更详细的信息，应在方差分析的基础上进行多个样本均值的两两比较。多个样本均值间两两比较多个样本均值间两两比较常用q检验的方法，即Newman-kueuls法，其基本步骤为：建立检验假设-->样本均值排序-->计算q值-->查q界值表判断结果。多个实验组与一个对照组均值间两两比较多个实验组与一个对照组均值间两两比较，若目的是减小第II类错误，最好选用最小显著差法（LSD 法）；若目的是减小第I类错误，最好选用新复极差法，前者查t界值表，后者查q'界值表。

基本思想

通过分析研究中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。

举例分析

下面我们用一个简单的例子来说明方差分析的基本思想：如某克山病区测得11例克山病患者和13名健康人的血磷值（mmol/L）如下：患者：0.84 1.05 1.20 1.20 1.39 1.53 1.67 1.80 1.87 2.07 2.11 健康人：0.54 0.64 0.64 0.75 0.76 0.81 1.16 1.20 1.34 1.35 1.48 1.56 1.87问该地克山病患者与健康人的血磷值是否不同？从以上资料可以看出，24个患者与健康人的血磷值各不相同，如果用离均差平方和（SS）描述其围绕总均值的变异情况，则总变异有以下两个来源：组内变异，即由于随机误差的原因使得各组内部的血磷值各不相等；组间变异，即由于克山病的影响使得患者与健康人组的血磷值均值大小不等。而且：SS总=SS组间+SS组内 v总=v组间+v组内如果用均方（离差平方和除以自由度）代替离差平方和以消除各组样本数不同的影响，则方差分析就是用组间均方去除组内均方的商（即F值）与1相比较，若F值接近1，则说明各组均值间的差异没有统计学意义，若F值远大于1，则说明各组均值间的差异有统计学意义。实际应用中检验假设成立条件下F值大于特定值的概率可通过查阅F界值表（方差分析用）获得。利用

统计学软件分析结果如下：data a;input type num @@;cards;

1 0.84 1 1.05 1 1.20 1 1.20 1 1.39 1 1.53 1 1.67 1 1.80 1 1.87 1 2.07 1

2.11 2 0.54 2 0.64 2 0.64 2 0.75 2 0.76 2 0.81 2 1.16 2 1.20 2 1.34 2 1.35 2 1.48 2 1.56 2 1.87;run;proc anova;class type; model num=type;means type;run;

自由

离差平方和均方 F 值P值

度

SS组间（处理因素）1 1.134181851.134181856.370.0193（有统计学意义）SS组内（抽样误差）22 3.917613990.17807336

总和23 5.05179583

分类及举例

单因素方差分析

（一）单因素方差分析概念理解步骤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。单因素方差分析的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。单因素方差分析的第二步是剖析观测变量的方差。方差分析认为：观测变量值得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。单因素方差分析的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。

（二）单因素方差分析原理总结容易理解：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。（三）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（四）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。1、方差齐性检验是对控制变量不同水平下各观测变量总体方差是否相等进行检验。前面提到，控制变量不同各水平下观测变量总体方差无显著差异是方差分析的前提要求。如果没有满足这个前提要求，就不能认为各总体分布相同。因此，有必要对方差是否齐性进行检验。SPSS单因素方差分析中，方差齐性检验采用了方差同质性（homogeneity of variance）检验方法，其原假设是：各水平下观测变量总体的方差无显著差异。2、多重比较检验单因素方差分析的基本分析只能判断控制变量是否对观测变量产生了显著影响。如果控制变量确实对观测变量产生了显著影响，进一步还应确定控制变量的不同水平对观测变量的影响程度如何，其中哪个水平的作用明显区别于其他水平，哪个水平的作用是不显著的，等等。例如，如果确定了不同施肥量对农作物的产量有显著影响，那么还需要了解10公斤、20公斤、30公斤肥料对农作物产量的影响幅度是否有差异，其中哪种施肥量水平对提高农作物产量的作用不明显，哪种施肥量水平最有利于提高产量等。掌握了这些重要的信息就能够帮助人们制定合理的施肥方案，实现低投入高产出。多重比较检验利用了全部观测变量值，实现对各个水平下观测变量总体均值的逐对比较。由于多重比较检验问题也是假设检验问题，因此也遵循假设检验的基本步骤。

检验统计量的构造方法

（1）LSD方法LSD方法称为最小显著性差异（Least Significant Difference）法。最小显著性差异法的字画就体现了其检验敏感性高的特点，即水平间的均值只要存在一定程度的微小差异就可能被检验出来。正是如此，

它利用全部观测变量值，而非仅使用某两组的数据。LSD方法适用于各总体方差相等的情况，但它并没有对犯一类错误的概率问题加以有效控制。（2）S-N-K 方法S-N-K方法是一种有效划分相似性子集的方法。该方法适合于各水平观测值个数相等的情况，3、其他检验（1）先验对比检验在多重比较检验中，如果发现某些水平与另外一些水平的均值差距显著，如有五个水平，其中x1、x2、x3与x4、x5的均值有显著差异，就可以进一步分析比较这两组总的均值是否存在显著差异，即1/3(x1+x2+x3)与1/2(x4+x5)是否有显著差异。这种事先指定各均值的系数，再对其线性组合进行检验的分析方法称为先验对比检验。通过先验对比检验能够更精确地掌握各水平间或各相似性子集间均值的差异程度。（2）趋势检验当控制变量为定序变量时，趋势检验能够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，是呈现线性变化趋势，还是呈二次、三次等多项式变化。通过趋势检验，能够帮助人们从另一个角度把握控制变量不同水平对观测变量总体作用的程度。

多因素方差分析

（一）多因素方差分析基本思想多因素方差分析用来研究两个及两个以上控制变量是否对观测变量产生显著影响。这里，由于研究多个因素对观测变量的影响，因此称为多因素方差分析。多因素方差分析不仅能够分析多个因素对观测变量的独立影响，更能够分析多个控制因素的交互作用能否对观测变量的分布产生显著影响，进而最终找到利于观测变量的最优组合。例如：分析不同品种、不同施肥量对农作物产量的影响时，可将农作物产量作为观测变量，品种和施肥量作为控制变量。利用多因素方差分析方法，研究不同品种、不同施肥量是如何影响农作物产量的，并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。（二）多因素方差分析的其他功能1、均值检验在SPSS中，利用多因素方差分析功能还能够对各控制变量不同水平下观测变量的均值是否存在显著差异进行比较，实现方式有两种，即多重比较检验和对比检验。多重比较检验的方法与单因素方差分析类似。对比检验采用的是单样本t检验的方法，它将控制变量不同水平下的观测变量值看做来自不同总体的样本，并依次检验这些总体的均值是否与某个指定的检验值存在显著差异。其

中，检验值可以指定为以下几种：观测变量的均值（Deviation）;第一水平或最后一个水平上观测变量的均值（Simple）;前一水平上观测变量的均值（Difference）;后一水平上观测变量的均值（Helmert）。2、控制变量交互作用的图形分析控制变量的交互作用可以通过图形直观分析。（三）多因素方差分析的进一步分析在上述案例中，已经对广告形式、地区对销售额的影响进行了多因素方差分析，建立了饱和模型。由分析可知：广告形式与地区的交互作用不显著，先进一步尝试非饱和模型，并进行均值比较分析、交互作用图形分析。1、建立非饱和模型2、均值比较分析3、控制变量交互作用的图形分析

协方差分析

（一）协方差分析基本思想通过上述的分析可以看到，不论是单因素方差分析还是多因素方差分析，控制因素都是可控的，其各个水平可以通过人为的努力得到控制和确定。但在许多实际问题中，有些控制因素很难人为控制，但它们的不同水平确实对观测变量产生了较为显著的影响。例如，在研究农作物产量问题时，如果仅考察不同施肥量、品种对农作物产量的影响，不考虑不同地块等因素而进行方差分析，显然是不全面的。因为事实上有些地块可能有利于农作物的生长，而另一些却不利于农作物的生长。不考虑这些因素进行分析可能会导致：即使不同的施肥量、不同品种农作物产量没有产生显著影响，但分析的结论却可能相反。再例如，分析不同的饲料对生猪增重是否产生显著差异。如果单纯分析饲料的作用，而不考虑生猪各自不同的身体条件（如初始体重不同），那么得出的结论很可能是不准确的。因为体重增重的幅度在一定程度上是包含诸如初始体重等其他因素的影响的。（二）协方差分析的原理协方差分析将那些人为很难控制的控制因素作为协变量，并在排除协变量对观测变量影响的条件下，分析控制变量（可控）对观测变量的作用，从而更加准确地对控制因素进行评价。协方差分析仍然沿承方差分析的基本思想，并在分析观测变量变差时，考虑了协变量的影响，人为观测变量的变动受四个方面的影响：即控制变量的独立作用、控制变量的交互作用、协变量的作用和随机因素的作用，并在扣除协变量的影响后，再分析控制变量的影响。方差分析中的原假设是：

协变量对观测变量的线性影响是不显著的；在协变量影响扣除的条件下，控制变量各水平下观测变量的总体均值无显著差异，控制变量各水平对观测变量的效应同时为零。检验统计量仍采用F统计量，它们是各均方与随机因素引起的均方比。（三）协方差分析的应用举例为研究三种不同饲料对生猪体重增加的影响，将生猪随机分成三组各喂养不同的饲料，得到体重增加的数据。由于生猪体重的增加理论上会受到猪自身身体条件的影响，于是收集生猪喂养前体重的数据，作为自身身体条件的测量指标。方差分析的应用条件为①各样本须是相互独立的随机样本；②各样本来自正态分布总体；③各总体方差相等，即方差齐性。

[1]

主要内容

分析方法

根据资料设计类型的不同，有以下两种方差分析的方法：1、对成组设计的多个样本均值比较，应采用完全随机设计的方差分析，即单因素方差分析。

2、对随机区组设计的多个样本均值比较，应采用配伍组设计的方差分析，即两因素方差分析。

两类方差分析的异同

两类方差分析的基本步骤相同，只是变异的分解方式不同，对成组设计的资料，总变异分解为组内变异和组间变异（随机误差），即：SS总=SS组间+SS组内，而对配伍组设计的资料，总变异除了分解为处理组变异和随机误差外还包括配伍组变异，即：SS总=SS处理+SS配伍+SS误差。

基本步骤

整个方差分析的基本步骤如下：1、建立检验假设；H0：多个样本总体均值相等；H1：多个样本总体均值不相等或不全等。检验水准为0.05。2、计算检验统计量F值；3、确定P值并作出推断结果。参考资料

1．。薛薇的《基于SPSS的数据分析》

扩展阅读：https://www.360docs.net/doc/0d14201043.html,/wiki/方差分析

#.E6.96.B9.E5.B7.AE.E5.88.86.E6.9E.90.E7.9A.84.E5.BA.94.E7.94.A8.E6.9 D.A1.E4.BB.B6

协方差分析

协方差分析（analysis of covariance）

协方差是关于如何调节协变量对因变量的影响效应，从而更加有效地分析实验处理效应的一种统计技术，也是对实验进行统计控制的一种综合方差分析和回归分析的方法。

意义

当研究者知道有些协变量会影响因变量，却不能够控制和不感兴趣时（当研究学习时间对学习绩效的影响，学生原来的学习基础、智力学习兴趣就是协变量），可以在实验处理前予以观测，然后在统计时运用协方差分析来处理。

将协变量对因变量的影响从自变量中分离出去，可以进一步提高实验精确度和统计检验灵敏度。

方差是用来度量单个变量“自身变异”大小的总体参数，方差越大，该变量的变异越大；

协方差是用来度量两个变量之间“协同变异”大小的总体参数，即二个变量相互影响大小的参数，协方差的绝对值越大，二个变量相互影响越大。

对于仅涉及单个变量的试验资料，由于其总变异仅为“自身变异”（如单因素完全随机设计试验资料，“自身变异”是指由处理和随机误差所引起的变异），因而可以用方差分析法进行分析；

对于涉及两个变量的试验资料，由于每个变量的总变异既包含了“自身变异”又包含了“协同变异”（是指由另一个变量所引起的变异），须采用协方差分析法来进行分析，才能得到正确结论。

方法

（一）回归模型的协方差分析

如果那些不能很好地进行试验控制的因素是可量测的，且又和试验结果之间存在直线回归关系，就可利用这种直线回归关系将各处理的观测值都矫正到初始条件相同时的结果，使得处理间的比较能在相同基础上进行，而得出正确结论。这一做法在统计上称为统计控制。

这时所进行的协方差分析是将回归分析和方差分析结合起来的一种统计分析方法，这种协方差分析称为回归模型的协方差分析。

（二）相关模型的协方差分析

方差分析中根据均方MS与期望均方EMS间的关系，可获得不同变异来源的方差分量估计值；在协方差分析中，根据均积MP与期望均积EMP间的关系，可获得不同变异来源的协方差分量估计值。

这种协方差分析称为相关模型的协方差分析。

spss学习系列23.协方差分析

（一）原理一、基本思想在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。

二、协方差分析需要满足的条件（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差；（2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设；（3）自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除；（4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。三、基本理论 1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即 ()ij i ij ij y u t x x βε=++-+ （1）其中，X 为所有协变量的平均值。注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。用协变量进行修正，得到修正后的y ij (adj)为 (adj)()ij ij ij i ij y y x x u t βε=--=++ 就可以对y ij (adj)做方差分析了。关键问题是求出回归系数β. 2. 总离差=分组变量离差+协变量离差+随机误差，

方差分析和协方差分析,协变量和控制变量

方差分析和协方差分析,协变量和控制变量方差分析方差分析(Analysis of Variance，简称ANOVA)，又称“变异数分析”或“F检验”，是R.A.Fisher发明的，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。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。假定条件和假设检验? 1. 方差分析的假定条件为：（1）各处理条件下的样本是随机的。（2）各处理条件下的样本是相互独立的，否则可能出现无法解析的输出结果。（3）各处理条件下的样本分别来自正态分布总体，否则使用非参数分析。（4）各处理条件下的样本方差相同，即具有齐效性。 2. 方差分析的假设检验假设有K个样本，如果原假设H0样本均数都相同，K个样本有共同的方差σ，则K个样本来自具有共同方差σ和相同均值的总体。如果经过计算，组间均方远远大于组内均方，则推翻原假设，说明样本来自不同的正态总体，说明处理造成均值的差异有统计意义。否则承认原假设，样本来自相同总体，处理间无差异。作用一个复杂的事物，其中往往有许多因素互相制约又互相依存。方差分析的目的是通过数据分析找出对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。对变差的度量，采用离差平方和。方差分析方法就是从总离差平方和分解出可追溯到指定来源的部分离差平方和，这是一个很重要的思想。经过方差分析若拒绝了检验假设，只能说

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协方差分析的基本原理-最棒的

协方差分析的基本原理 1．协方差分析的提出无论是单因素方差分析还是多因素方差分析，它们都有一些人为可以控制的控制变量。在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。又比如，考查受教育程度对个人工资是否有显著影响，这时必须考虑工作年限因素。一般情况下，工作年限越长，工资就越高。在研究此问题时必须排除工作年限因素的影响，才能得出正确的结论。再如，如果要了解接受不同处理的小白鼠经过一段时间饲养后体重增加量有无差别，已知体重的增加和小白鼠的进食量有关，接受不同处理的小白鼠其进食量可能不同，这时为了控制进食量对体重增加的影响，可在统计阶段利用协方差分析（Analysis of Covariance），通过统计模型的校正使得各组在“进食量”这个变量的影响上相等，即将进食量作为协变量，然后分析不同处理对小白鼠体重增加量的影响。为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。以下将以一元协方差分析为例，讲述协方差分析的基本思想和步骤。 2．协方差分析的计算公式以单因素协方差分析为例，总的变异平方和表示为： Q Q Q Q ++ 总控制变量协变量随机变量＝协方差分析仍然采用F检验，其零假设 H为多个控制变量的不同水平下，各总体平均值没有显著差异。 F统计量计算公式为： 2 2 S F S 控制变量控制变量随机变量＝, 2 2 S F S 协变量协变量随机变量＝以上F统计量服从F分布。SPSS将自动计算F值，并根据F分布表给出相应的相伴概率值。如果F 控制变量的相伴概率小于或等于显著性水平，则控制变量的不同水平对观察变量产生了显著的影响；如果F 协变量的相伴概率小于或等于显著性水平，则协变量的不同水平对观察变量产生了显著的影响。 3．协方差分析需要满足的假设条件（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；（2）对连续变量或定居变量的协变量的测量不能有误差；（3）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；（4）协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。

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

协方差分析

第十一节协方差分析 (analysis of covariance) 在各种试验设计中，对应变量（dependent variable）Y 研究时，常希望其他可能影响Y的变量在各组间保持基本一致，以达到均衡可比。例如：比较几种药物的降压作用，各试验组在原始血压、性别、年龄等指标应无差异。

第十一节协方差分析有时这些变量不能控制，须在统计分析时，通过一定方法来消除这些变量的影响后，再对应变量y作出统计推断。称这些影响变量为协变量（Covariate）。如果所控制的变量是分类变量时，可用多因素的方差分析；当要控制的变量是连续型变量时，可用协方差分析，以消除协变量的影响，或将协变量化成相等后，对y的修正均数进行方差分析。

第十一节协方差分析例如：比较几种不同饲料对动物体重增加的作用，可把动物的进食量作为协变量。比较大学生和运动员的肺活量时，可把身高作为协变量。比较治疗后二组舒张压的大小，可把治疗前的舒张压作为协变量。

第十一节协方差分析协方差分析的基本原理：协方差分析是把直线回归和方差分析结合起来的一种统计分析方法。当不同处理结果的y值受协变量x的影响时，先找出y与x的直线关系，求出把x值化为相等后y的修正均数，然后进行比较，这样就能消除x对y的影响，更恰当地评价各种处理的作用。

协方差分析的步骤 ±观察指标服从正态分布、方差齐性、各观察相互独立H检验分组因素与协变量x是否有交互作用。对上例，即是否雌雄羔羊进食量相同，它们的体重增加量却不相同。如检验结果分组因素与协变量x间没有交互作用，即说明雌雄羔羊进食量相同的情况下，它们的体重增加量是相同的。进行第二项检验： H检验协变量与应变量之间是否存在线性关系。如果不存在线性关系，则不能简单地运用协方差分析，因为协方差分析是利用协变量x与应变量y之间的线性回归关系扣除协变量x对y的影响。必要时可考虑进行变量转换。如果检验结果协变量与应变量之间存在线性关系，则进行第三项检验： H进一步扣除x对y影响的前提下，检验各组的修正均数差别是否有统计学意义。

方差与协方差理解

§2 方差、协方差与相关系数方差例1 比较甲乙两人的射击技术，已知两人每次击中环数分布为： ξ：7 8901 0601...?? ??? η：67891001 02040201.....?? ???. 问哪一个技术较好首先看两人平均击中环数，此时8E E ξη==，从均值来看无法分辩孰优孰劣. 但从直观上看，甲基本上稳定在8环左右，而乙却一会儿击中10环，一会儿击中6环，较不稳定.因此从直观上可以讲甲的射击技术较好. 上例说明：对一随机变量，除考虑它的平均取值外，还要考虑它取值的离散程度. 称ξ-E ξ为随机变量ξ对于均值E ξ的离差(deviation)，它是一随机变量. 为了给出一个描述离散程度的数值，考虑用()E E ξξ-，但由于 ()E E ξξ-=E E ξξ-=0对一切随机变量均成立，即ξ的离差正负相消，因此用()E E ξξ-是不恰当的. 我们改用()2 E E ξξ-描述取值ξ的离散程度，这就是方差. 定义 1 若()2 E E ξξ-存在，为有限值，就称它是随机变量ξ的方差(variance)，记作Var ξ, Var ξ=()2E E ξξ- (1) 但Var ξ的量纲与ξξ的标准差(standard deviation). 方差是随机变量函数()2 E ξξ-的数学期望，由§1的(5)式，即可写出方差的计算公式

Var ξ=2()d ()x E F x ξ ξ+∞ -∞-?=22()(),,()()d .i i i x E P x x E p x x ξξξξ+∞ -∞?-=???-?∑?离散型，连续型 (2) 进一步，注意到 ()2 E E ξξ-= ()222E E E ξξξξ??-+??=()22E E ξξ- 即有 Var ξ=()2 2 E E ξξ-. (3) 许多情况，用(3)式计算方差较方便些. 例1(续) 计算例1中的方差Var ξ与Var η. 解利用(3)式 2 E ξ= ∑=i i i x P x ) (2 ξ=72×+82×+92×=, Var ξ= ()2 2E E ξξ-=82=. 同理, Var η= ()2 2 E E ηη-= = > Var ξ, 所以η取值较ξ分散. 这说明甲的射击技术较好. 例2 试计算泊松分布P(λ)的方差. 解 2 2 01 ! (1)!k k k k E k e k e k k λ λ λλξ∞ ∞ --====-∑∑ 1 1(1) (1)! (1)!k k k k k e e k k λ λ λλ∞ ∞ --===-+--∑∑ 2 ! ! j j j j j e e j j λ λ λλλ λ∞ ∞ --===+∑∑ 2 λλ=+ 所以Var ξ=22 λλλλ+-=. 例3 设ξ服从[ a, b ]上的均匀分布U [a, b]，求Var ξ.

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。

23. 协方差分析

23. 协方差分析一、基本原理 1. 基本思想在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上

的协变量时，称为多元协方差分析。 2. 协方差分析需要满足的条件（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差；（2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设；（3）自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除；（4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。二、协方差理论 1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即 ()ij i ij ij y u t x x βε=++-+ （1）其中，X 为所有协变量的平均值。注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。用协变量进行修正，得到修正后的y ij (adj)为 (adj)()ij ij ij i ij y y x x u t βε=--=++

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。

协方差分析理论与案例

协方差分析理论与案例假设我们有N 个个体的K 个属性在T 个不同时期的样本观测值，用it y ,it x ，…，N,t=1，…，T,k=1，…，K 表示。一般假定y 的观测值是某随机实验的结果，该实验结果在属性向量x 和参数向量θ下的条件概率分布为(,)f y x θ。使用面板数据的最终目标之一就是利用获取的信息对参数θ进行统计推断，譬如常假设假定的y 是关于x 的线性函数的简单模型。协方差分析检验是识别样本波动源时广泛采用的方法。方差分析：常指一类特殊的线性假设，这类假设假定随机变量y 的期望值仅与所考察个体所属的类（该类由一个或多个因素决定）有关，但不包括与回归有关的检验。而协方差分析模型具有混合特征，既像回归模型一样包含真正的外生变量，同时又像通常的方差一样允许每个个体的真实关系依赖个体所属的类。常用来分析定量因素和定性因素影响的线性模型为： *,1,,,1,,it it it it it y x u i N t T αβ'=++=???=??? 从两个方面对回归系数估计量进行检验：首先，回归斜率系数的同质性；其次，回归截距系数的同质性。检验过程主要有三步： (1) 检验各个个体在不同时期的斜率和截距是否都相等； (2) 检验（各个体或各时期的）回归斜率（向量）是否都相等； (3) 检验各回归截距是否都相等。显然，如果接受完全同同质性假设（1），则检验步骤中止。但如果拒绝了完全同质性性假设，则（2）将确定回归斜率是否相同。如果没有拒绝斜率系数的同质性假设，则（3）确定回归截距是否相等。（1）是从（2）、（3）分离出来的。基本思想：在作两组或多组均数1y ，2y ，…，k y 的假设检验前，用线性回归分析方法找出协变量X 与各组Y 之间的数量关系，求得在假定X 相等时修定均数1y '，2y '，…，k y '然后用方差分析比较修正均数间的差别，这就是协方差分析的基本思想。协方差分析的应用条件：⑴要求各组资料都来自正态总体，且各组的方差相等；（t 检验或方差分析的条件）⑵各组的总体回归系数i β相等，且都不等于0（回归方程检验）。因此，应用协方差分析前，要对资料进行方差齐性检验和回归系数的假设检验（斜率同质性检验），只有满足上述两个条件之后才能应用，否则不宜使用。 ⑴各比较组协变量X 与分析指标Y 存在线性关系（按直线回归分析方法进行判断）。 ⑵各比较组的总体回归系数i β相等，即各直线平行(绘出回归直线，看是否

协方差分析

协方差分析某城市教育局在一次对全市初中一年级至高中三年级学生的调查研究中想要考察身心发展对学习成绩的影响，研究者手机了各学校初一年级至高三年级学生的学业成绩以及相关身心发展量表得分，在分析时以学生所在年级来代表年龄差异，但是由于男同学与女同学的身心发展存在差异，因此需要在结果中排除性别因素，然而无法在收集数据时只收集男同学的数据或收集女同学的数据，那么该如何排除性别因素对结果的影响呢？在实验设计中，考虑到实际的实验情形，无法一一排除某些会影响实验结果的无关变量（干扰变量），为了排除这些不能在实验处理中所操作的变量，而其结果又会影响因变量，可以通过“统计控制”的方法来弥补实验控制的不足，为了提高实验研究的内在效率，必须将可能干扰实验结果的无关变量加以控制，不致产生严重的系统性误差。控制系统误差的方法有很多，例如以随机的方式将被试分配至不同群体；将系统误差加入实验设计，使其变成一个自变量；尽可能控制可控制的系统误差如光纤亮度、噪音等。实验研究的优点众所周知，即其严密的逻辑性以及可以良好的控制误差，但是让一个标准的实验设计走出实验室，在社会科学领域实施通常比较困难。因此在社会科学领域中经常实施的是准实验设计，在准实验设计中无法使用实验控制法来完全控制无关的干扰变量，故经常增加实验内在效度的方法——统计控制法，最常用的便是协方差分析（analysis of covariance，ANCOV A）。顾名思义，协方差分析是方差分析的一种，它也包括自变量与因变量，同方差分析，因变量为连续变量且需要满足方差分析关于因变量的假设条件，自变量为分类变量。不同的是，并不是实验所关注的自变量却为研究者进行控制的一类变量被加入分析，它们被称为“协变量”（covariate），要注意，协变量是连续变量。 1.协方差分析的假设协方差分析的基本假设与方差分析相同，包括变量的正态性、观测值独立、方差齐性等，此外还有三个重要的假设： 1)因变量与协方差之间直线关系； 2)所测量的协变量不应有误差，如果选用的是多项的量表，应有高的内部一致性信度或重测信度，α系数最好大于0.80。这一假设若被违反会造成犯一类错误的概率上升，降低统计检验力。 3)“组内回归系数同质性”（homogeneity of with in rgression），各实验处理组中一举协变量（X）预测因变量（Y）的回归线的回归系数要相等，即斜率相等，各条回归线平行。如果斜率不等则不宜直接进行协方差分析。 2.协方差分析的方差分解方差分析的原理是将因变量的总方差分解成自变量效果（组间）与误差效果（组内）两个部分，再进行F检验。协方差使用的也是这样的方差分析思路，将因变量的总方差先行分割为协变量可解释部分与不可解释部分，不可解释的部分再由方差分析原理进行拆解。协方差分析的方差拆解如下： 3.协方差分析的步骤协方差分析结合了回归分析与方差分析的方法，计算方法比较复杂，由于涉及回归分析的基本思路，因此一下内容也许需要在阅读了本章第六部分“一元线性回归分析”后理解得更加透彻。以单因素协方差分析为例说明协方差分析的步骤： 1)协方差分析的准备（B：组间；W：组内；T：总和；n：组内样本容量；k：组间容量；x：协变量；y：因变量）

SPSS学习系列23. 协方差分析

23. 协方差分析（一）原理一、基本思想在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。这种影响的变量称为协变量（一般是连续变量）。例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上

的协变量时，称为多元协方差分析。二、协方差分析需要满足的条件（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；对连续变量或定距变量的协变量的测量不能有误差；（2）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；协变量的回归系数（即各回归线的斜率）是相同的，且不等于0，即各组的回归线是非水平的平行线。否则，就有可能犯第一类错误，即错误地接受虚无假设；（3）自变量与协变量相互独立，若协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除；（4）各样本来自具有相同方差σ2的正态分布总体，即要求各组方差齐性。三、基本理论 1. 观测值=均值+分组变量影响+协变量影响+随机误差. 即 ()ij i ij ij y u t x x βε=++-+（1）其中，X 为所有协变量的平均值。注：在方差分析中，协变量影响是包含在随机误差中的，在协方差分析中需要分离出来。用协变量进行修正，得到修正后的y ij (adj)为 (adj)()ij ij ij i ij y y x x u t βε=--=++ 就可以对y ij (adj)做方差分析了。关键问题是求出回归系数β.

第一节方差分析原理.doc

第一节方差分析原理一、方差分析基本思想方差分析（ analysis of variance ，或缩写 ANOVA ）又称变异数分析，是一种应用非常广泛的统计方法。其主要功能是检验两个或多个样本平均数的差异是否有统计学意义，用以推断它们的总体均值是否相同。它是真正用来进行上述“多组比较”问题的正确方法，从这个意义上说，它可看成是t 检验等“两组比较法”的推广。理解方差分析的原理，主要在于其基本思想，而不在于数学推导。以单因素完全随机化实验设计为例（这是最简单的多组实验设计）介绍方差分析的原理。注意下面列出的该种设计的数学模式，假设有 k 个处理，每个处理下有n 个被试，一共有nk 个被试。 K 个处理下的数据构成比较中的k 个组或 k 个样本。理T 1 T 2 ?T j ?T k X 11 X 12 ?X 1j ?X 1k X 21 X 22 ?X 2j ?X 2k 各?????? 数据X i1 X i2 ?X ij ?X ik ?????? X n1 X n2 ?X nj ?X nk 不失一般地，其对应的图示如下：

根据测量学中的真分数理论，观测值等于真值和误差之和；据此，对照上面的数据可得到下面的数学模型：其中： X ij 指第 j 个处理下的第 i 个被试的实验数据； μ 指总体均值；在图中样本数据中，即红色线表示的总平均； μ 指第 j 个处理的均值； j τ 称为第 j 个处理的效应；通常，τj=μj–μ，也即各组均值偏离总平均的离差； j ε ij 为随机误差（ idd 表示误差独立同分布）；在该模型中，误差就是各组中数据偏离其组均值的离差。因为根据单因素完全随机化设计的特点，同组中的被试，其各方面条件都相同，接受的处理也相同，其观测值间的差异只能归结为随机误差。首先对检验的零假设进行变换：下面我们就需要构造一个统计量使得它在Ho"下无未知量且有精确的分布，以进行假设2 检验。由于τj是每个处理的平均数与总平均之差，所以我们考虑从数据的离均差的平方入手来构造统计量：对每个观测数据：即：任意一个数据与总平均数的离差= 该数与所在组平均数的离差+ 所在组的平均数与总平均数的离差。我们针对第j 组中每个数据的上述分解式的平方求和得：

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

SPSS教程02(带图)-协方差分析-chenxy

简单教程0 2 1.相关配套数据已经上传百度文库： 2.配套软件SPSS 17.0 已经上传百度文库；百度文库搜索“SPSS简单教程配套数据及软件_chenxy” 百度云盘链接； 3 协方差分析 (2) 3.1 单因素协方差分析 (2) 3.2 双因素协方差分析 (4) 3.2.1 无交互作用的协方差分析 (4) 3.2.2 有交互作用的协方差分析................................................... 错误！未定义书签。

3 协方差分析课程内容：协方差分析这种不是在试验中控制某个因素，而是在试验后对该因素的影响进行估计，并对试验指标的值作出调整的方法称为统计控制以统计控制为目的，利用线性回归消除混杂因素的影响后再进行的方差分析，称为协方差分析；所需要统计控制的一个或多个因素，称为协变量； 1.自变量是分类变量，协变量是定距变量，因变量是连续变量； 2.对连续变量或定距变量的协变量的测量不能有误差； 3.协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设； 4.协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。 5.自变量与协变量是直角关系，即互不相关，它们之间没有交互作用。如果协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除。分类变量：以班级将学生分类班级即为分类变量定距变量：刻度级变量定距定比连续变量：可以用小数表示的变量协方差分析：将回归分析与方差分析相结合的一种分析方法 3.1 单因素协方差分析判断是否需要做协方差分析 1）对自变量做单因素方差分析 2）对自变量和因变量做相关分析方差齐性检验和回归系数的假设检验（斜率同质性检验），只有满足上述条件后才能应用，否则不宜适用操作步骤1 （数据见文件20151022_单因素协方差分析） 1.在Variable View 窗口定义变量肥料（nominal 并设定标签值1~3 肥料A~C ）第一年产量（Scale）第二年产量（Scale）（判断需不需要做协方差分析）操作步骤1 ：先对第一年产量为协变量进行单因素协方差分析： Analyze -> Compare Means -> one-way ANOVA Continue -> OK 结果如下：由表可知：F=6.340 sig.(P值)=0.007 < 0.05 表明拒绝原假设H0，有95%的把握认为第一年的产量是有显著性差异的操作步骤2 ： Analyze ->Correlate -> Bivariate 进入Bivariate Correlations 窗口勾选Pearson

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。