第六章 spss的方差分析
第六章spss的方差分析
1、入户推销有五种方法。某大公司想比较这五种方法有无显著的效果差异，设计了一项实验。从应聘人员中尚无推销经验的人员中随机挑选一部分人，并随机地将他们分为五个组，每组用一种推销方法培训。一段时期后得到他们在一个月内的推销额，如下表所示：
1）请利用单因素方差分析方法分析这五种推销方式是否存在显著差异。
2）绘制各组的均值对比图，并利用LSD方法进行多重比较检验。
原假设：这五种推销方式是否存在显著差异。
步骤：建立SPSS数据→分析→比较均值→单因素→因变量导入销售额→变量导入方式→选项→选择方差同质性检验、均值图→选择LSD方法检验→确定
表6-1
方差齐性检验
销售额
'
Levene 统计量df1df2显著性
430.113
表6-2
ANOVA
：
销售额
平方和df均方F显著性
组间4
·
.000
组内30
总数
；34
分析：sig值为＜，故拒绝原假设，认为这五种销售方式中存在显著差异。
（2）多重比较：
表6-3
多重比较
销售额LSD
【
(I) 推销方式(J) 推销方式
均值差(I-J)标准误显著性
95% 置信区间
下限上限
12*.048}
3.7286.653）
4.066
5*.000
。1*.048.027
分析：有表6-3可以看出，多重比较中sig值均小于0,05，所以拒绝原假设，认为五种推销方法存在显著差异均值图也可以看出均值对比图的曲折比较大，进一步验证了结论。
2、为研究某种降血压药的适用特点，在五类具有不同临床特征的高血压患者中随机挑选了若干志愿者进行对比试验，并获得了服用该降压药后的血压变化数据。现对该数据进行单因素方差分析，所得部分分析结果如下表所示。
1）请根据表格数据说明以上分析是否满足方差分析的前提要求，为什么
2）请填写表中空缺部分的数据结果，并说明该降压药对不同组患者的降压效果是否存在显著差异。
：
3）如果该降压药对不同组患者的降压效果存在显著差异，那么该降压药更适合哪组患者1）图表中可以看出，在方差齐性检验中，sig值为，小于，故拒绝原假设，所以方差不齐。2）表中空缺补充：
ANOVA
销售量
平方和df均方F显著性
组间
】4.000
组内63|
总数67
分析：对数据进行检验中，sig值为，小于，故拒绝原假设，SUOYI 降压药对不同患者的降压效果有显著影响。
3）由多重检验可以看出，第1组和2组，第2组和5组，第1组和5组之间差异不显著，其他组差异较显著。所以该降压药更适合于三组和四组。
【
3、为研究某商品在不同地区和不同日期的销售差异性，调查收集以下日平均销售量数据。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。
2）利用多因素方差分析，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。
1）组织SPSS数据文件：
2）原假设：日期与地区与销售额无显著影响
分析→般线性模型→单变量→因变量导入销售额→固定因子导入地区和日期→两两比较中的比较量→确定
主体间效应的检验
'
因变量:销售额
源III 型平方和df均方F Sig.
校正模型8; .000
截距1.000
地区] 2.313
日期2,
.254
地区* 日期4.000误差18~
总计27
校正的总计—26
a. R 方= .788（调整R 方= .693）
分析：由上表可以看出，地区sig值为，,大于，接受原假设，认为地区对销售额的影响不显著；日期sig值为，大于，接受原假设，认为日期对销售额的影响不显著；
3）原假设：地区*日期对销售额影响不显著。
由2）表中数据可以看出，日期和地区对销售额影响的sig值为，小于，故否定原假设，认为地区*日期对销售额的影响显著。
；
4、下面的表格记录了某公司采用新、旧两种培训方式对新员工进行培训前后的工作能力评分增加情况的数据。现需要比较这两种培训方式的效果有无差别，考虑到加盟公司时间可能也是影响因素，将加盟时间按月进行了纪录。
1）请选择适当的数据组织方式将以上数据录入到SPSS资料编辑窗口，变量名保持不变，并定义各变量的变量值标签，变量Method的变量值标签（1为旧方法，2为新方法）。2）按不同的培训方法计算加盟时间、评分增加量的平均数。
3）在剔除加盟时间影响的前提下，分析两种培训方式的效果有无差别，并说明理由。1) 数据组织方法如下图：
2）步骤：数据→转置→month，score add转置→转换→计算变量→统计量，选择均值→目
标变量内输入方法1的均值→在数字表达式内填入MEAN→确定
描述统计量
N
)
极小值极大值均值标准差
时间9
~
增长量
9
有效的N （列表状态）9!
描述统计量
N极小值极大值均值标准差
{
时间
9.5
增长量9
: 有效的N （列表状态）9
3）原假设：两种培训方式效果无显著差别
，
步骤：分析→般线性模型→因变量导入score add→固定因子中导入month→确定
主体间效应的检验
因变量:Scoreadd
源III 型平方和df均方F Sig.
校正模型17.014a1.078
截距1.000
Method1.078
误差16
总计18
校正的总计17
a. R 方= .182（调整R 方= .131）
分析：由上表可以看出，在剔除加盟时间影响下的sig检验值为，小于，故拒绝原假设，认为两种培训方式效果有显著差别.
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
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。
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。
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超详细操作：两因素多元方差分析(Two
SPSS超详细操作：两因素多元方差分析(Two 医咖会在之前的推文中，推送过多篇方差分析相关的文章，包括： 单因素方差分析(One-Way ANOVA) 双因素方差分析(Two-way ANOVA) 三因素方差分析(Three-way ANOVA) 单因素重复测量方差分析 两因素重复测量方差分析 三因素重复测量方差分析 单因素多元方差分析(One-way MANOVA) 每种方差分析的应用场景，以及该如何进行SPSS操作和解读结果，各位伙伴请点击相应的文章链接查看~~今天，我们再来介绍一种统计方法：两因素多元方差分析(Two-way Manova)。 一、问题与数据 某研究者想研究三种干预方式（regular—常规干预；rote—死记硬背式干预；reasoning—推理式干预）对学生学习成绩的影响。 研究者记录了学生两门考试的成绩：文科成绩（humanities_score）和理科成绩（science_score）。另外，基于之前的知识，研究者假设干预方式对男女两种性别学生
的效果可能不同。换言之，研究者想知道不同干预方式对学习成绩的影响在男女学生中是否不同。也就是说，干预方式和性别两个自变量之间是否存在交互作用（interaction effect）。 注：交互作用是指某一自变量对因变量的效应在另一个自变量的不同水平会不同。在本例中，就是要比较①男性中干预方式对学习成绩的影响和②女性中干预方式对学习成绩的 影响。这两个效应就成为单独效应（simple main effects），也就是说，单独效应是指在一个自变量的某一水平，另一个自变量对因变量的影响。因此，交互作用也可以看做是对单独效应间是否存在差异的检验。 在本研究中，共有三个效应：性别的主效应；干预方式的主效应；性别和干预方式的交互作用。 研究者选取30名男学生和30名女学生，并将其随机分配到三个干预组中，每个干预组中共有10名男学生和10名女学生。部分数据如下： 二、对问题的分析 使用两因素多元方差分析法进行分析时，需要考虑10个假设。 对研究设计的假设： 1. 因变量有2个或以上，为连续变量；
SPSS学习系列22.方差分析
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（Mean Square）。
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。
[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。
《方差分析》spss实例操作
方差分析
方差分析的应用条件 ?各样本是相互独立的随机样本； ?各组样本均来自正态总体； ?各组的总体方差相等 ?各单元格样本含量比较大(>30)且各单元格样本含量相同的情况下，方差 是否相等对结果影响几乎没有
方差分析的基本思想 ?全部数据的总变异分成多个部分（离均差平方和SS） ?均方MS=SS/df ?各部分变异的MS与随机误差的MS做比，形成F统计量 ?注意：H0为各组总体均数不全相等
?完全随机设计方差分析?多组样本均数两两比较?随机区组设计方差分析?析因设计方差分析
?例题： ?某人研究北京机关工作人员血脂水平，随机抽取不同年龄组男性受试者各10名，检测他们的总胆固醇（TC）的含量(mmol/L)，其结果如下： ?青年组5.00 4.85 4.93 5.18 4.95 4.78 5.18 4.89 5.07 5.21 ?中年组5.12 5.13 4.89 5.20 4.99 5.14 5.16 4.98 5.16 5.25 ?老年组5.24 5.26 5.23 5.10 5.31 5.23 5.21 4.98 5.15 5.19 ?请问：三个年龄组的总胆固醇平均含量之间的差别是否具有统计学意义？
完全随机设计方差分析 ?库结构 ?分组检验正态性 ?Analyze-Compare Means-One-Way ANOVA-Dependent List选入指标-Factor选入组别-(Post Hoc两两比较-勾选两两比较方法-continue-Option-勾选Homogeneity of variance test-continue)-OK