SPSS双因素方差分析
SPSS双因素方差分析
SPSS双因素方差分析双因素方差分析是一种用于研究两个或多个自变量对因变量之间是否存在影响的统计方法。
在本文中，我们将讨论SPSS中如何进行双因素方差分析，并对其结果进行解释。
首先，我们需要首先导入我们的数据集，并确保数据集中包含我们要研究的因变量和两个自变量。
在SPSS中，我们可以通过依次点击"文件"->"导入"->"数据"来加载数据集。
一旦我们成功加载数据集，我们可以开始进行双因素方差分析。
在SPSS中，我们可以通过依次点击"分析"->"一般线性模型"->"一元方差分析"来进行。
在进行方差分析之前，我们需要将自变量添加到"因子"的列表中。
我们可以使用鼠标将自变量拖拽到"因子"列表中，或者通过点击"添加"按钮手动将其添加。
在添加完自变量后，我们可以点击"模型"选项卡，选择我们感兴趣的方差分析模型。
在双因素方差分析中，共有三种模型可供选择：主效应模型、交互作用模型和自由模型。
-主效应模型：计算每个自变量的主效应，并忽略它们之间是否存在交互作用。
-交互作用模型：计算自变量之间是否存在交互作用，并同时计算每个自变量的主效应。
-自由模型：不计算任何主效应或交互作用，仅用于比较不同模型之间的显著性。
选择适当的模型后，我们可以点击"可选"选项卡，设置其他参数，比如显著性水平、效应大小等。
一旦我们完成了所有设置，可以点击"确定"开始进行方差分析。
SPSS将会自动生成方差分析的结果报告。
在报告中，我们可以找到各个自变量的主效应、交互作用以及整体模型的显著性等信息。
一般来说，我们关注的主要结果包括：组间方差、组内方差、平方和、均方、F统计值、显著性水平等。
两因素方差分析-SPSS教程
两因素方差分析-SPSS教程一、问题与数据某研究者已知受教育程度可以影响幸福指数，即如果将研究对象的受教育程度分为高中及以下、大学本科和硕士研究生及以上3个等级（级别依次递增），那么他们的幸福指数会随着受教育程度的增加而增加。
目前，该研究者拟进一步分析研究对象这种受教育程度与幸福指数的相关关系是否受性别影响。
研究者招募了58位研究对象，包括28位男性和30位女性。
每一类性别中，研究对象的受教育程度由均分为3类（高中及以下、大学本科和硕士研究生及以上）。
该研究者采用问卷测量研究对象的幸福指数，研究对象得分在0-100之间分布，分数越高，幸福指数越强。
最终收集了研究对象的幸福指数（Index）、性别（gender）和受教育程度（education）等变量信息，部分数据如图1。
图1 部分数据二、对问题分析研究者已知一个自变量（受教育程度）对因变量（幸福指数）的影响，想判断另一个自变量（性别）对这一相关关系是否存在作用。
针对这种情况，我们可以使用两因素方差分析，但需要先满足6项假设：假设1：因变量是连续变量。
假设2：存在两个自变量，且都是分类变量。
假设3：具有相互独立的观测值。
假设4：任一分类中不存在显著异常值。
假设5：任一分类中残差近似正态分布。
假设6：任一分类都具有等方差性。
假设1-3主要和研究设计有关，经分析，本研究数据满足假设1-3，那么应该如何检验假设4-6，并进行两因素方差分析呢？三、SPSS操作3.1 生成检验假设4-6的新变量检验假设4-6需要用到残差，因此我们先运行两因素方差分析的SPSS操作，得到主要结果和相应残差变量后，再逐一进行对假设的检验。
在主界面点击Analyze→General Linear Model→Univariate，分别将Index 放入Dependent Variable栏，gender和education放入Fixed Factor(s)栏。
如图2。
图2 Univariate点击Plots，分别将gender和education放入Separate Lines和Horizontal Axis栏。
spss超详细操作两因素多元方差分析(two-way manova)
SPSS超详细操作：两因素多元方差分析(Two-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；2. 有两个自变量，为二分类或多分类变量；3. 各观察对象之间相互独立；对数据的假设：4. 自变量的各个组内，各因变量间存在线性关系；5. 自变量的各个组内，各因变量间没有多重共线性；6. ①没有单因素离群值（univariate outliers）与②多因素离群值（multivariate outliers）：单因素离群值是指自变量的各个组中因变量是否是离群值；多因素离群值是指每个研究对象（case）的各因变量组合是否是一个离群值；7. 各因变量服从多元正态分布；8. 样本量足够；9. 自变量的各组观察对象之间因变量的方差协方差矩阵相等；10. 每个因变量在自变量的各个组中方差相等。
双因素重复测量方差分析spss
双因素重复测量方差分析spss
一、双因素重复测量方差分析（two-way repeated measures ANOVA）
双因素重复测量方差分析（Two-Way repeated measures ANOVA）可以用来检测一个
变量的变化在两个或多个独立变量的作用下是否发生变化。
在双因素重复测量方差分析中，变量1是因素1，因素1有若干水平，变量2是因素2，因素2也有若干水平。
双因素重
复测量方差分析可以检验两个因素是否共同影响变量1的变化，或者检测某个因素是否单
独地影响变量1的变化。
1、打开spss统计软件，点击文件、数据，从窗口中打开需要分析数据文件；
2、点击“分析”菜单，然后从子菜单中点击“多维分析”，再单击“双因素重复测
量方差分析”；
3、在弹出的窗口中，在“变量”框中选择需要分析的变量；
4、在“因素”框中，选择双因素，比如实验组和对照组；
5、点击“定义”按钮，设定因素的水平，比如实验组的水平为A，对照组的水平为B；
6、在“多重比较”框中，勾选“重复测量”框，并且可以设定多重比较的参数；
7、选择“显著性水平”框，设定检验的显著性，通常设定为0.05；
8、单击“OK”按钮，查看分析结果，该分析结果将显示两个因素及其交互作用对变
量1的影响情况。
双因素方差分析spss实例
双因素方差分析spss实例双因素方差分析（ANOVA）是一种统计分析方法，它可以比较不同的组之间的投票者的结果，以确定两个或更多因素是否有显著的影响。
换句话说，它可以测量实验中的不同影响因素，以确定它们之间是否有显著的差异。
本文将介绍如何使用SPSS进行双因素方差分析，以确定两个因素之间是否有显著差异。
首先，需要准备你的数据，将其输入到SPSS程序中。
将你的数据文件保存为.csv格式，确保它的每列的标题是充分描述性的，并包括所有你所需要的因素。
一旦你的数据文件被保存到SPSS中，可以创建一个新的SPSS文件，然后将数据文件拖放到新的SPSS文件中即可。
接下来，在SPSS中，找到“统计”工具栏，点击进入“分析”选项卡。
找到“方差分析”，双击它，以进入“方差分析-双因素方差分析”窗口。
在“自变量”框中输入你要比较的两个因素，即你的实验的两个因素。
然后在“因子”菜单中选择“应变量的每个因子的水平”。
此时，SPSS将自动映射每个因素的水平，可以在“水平”窗口中查看。
现在，可以单击“方差分析”按钮，运行双因素方差分析。
SPSS 将给出结果表，该表显示在多个水平上，因素间是否存在显著差异。
在结果表中，F值说明了实验变量之间的差异。
当F值大于1时，实验变量存在显著差异，说明变量对结果有显著影响；反之，F值小于1时，实验变量没有显著差异，则表明变量对结果没有显著影响。
最后，你可以使用SPSS输出图表，根据结果表中的数据来分析两个因素之间的关系。
这也可以帮助你更好地理解实验结果，并更好地控制你的实验因素。
总之，SPSS双因素方差分析是一种很有用的统计工具，可以帮助研究者测量不同因素之间的关系，并确定它们之间是否存在显著差异。
上面介绍了如何使用SPSS进行双因素方差分析，并介绍了如何分析结果，希望对你有所帮助。
使用SPSS软件进行多因素方差分析
使用SPSS软件进行多因素方差分析使用SPSS软件进行多因素方差分析一、引言多因素方差分析（ANOVA）是一种统计方法，用于比较两个或更多个因素对于某个连续型变量的影响是否显著不同。
通常，研究者需要了解不同因素对于结果值的影响，并确定是否存在交互作用。
SPSS（统计软件包for社会科学）是一款常用的统计软件，它提供了丰富的功能和工具，可用于数据分析和建模。
本文将介绍如何使用SPSS软件进行多因素方差分析。
二、数据准备在进行多因素方差分析之前，需要先进行数据准备。
假设我们有一个研究目的是了解不同教育水平和不同工作经验对个人收入的影响。
我们收集了400位参与者的数据，包括个人收入（连续型变量），教育水平（分类变量：小学、初中、高中、本科、硕士、博士）和工作经验（分类变量：1-5年、6-10年、11-15年、16年及以上）。
三、数据导入首先，将数据导入SPSS软件。
打开SPSS软件后，选择“文件”-“读取数据”-“输入数据”。
在弹出的对话框中选择数据文件，并将其导入到SPSS软件中。
四、数据探索在进行多因素方差分析之前，我们首先需要对数据进行探索，查看教育水平、工作经验和收入之间的关系。
选择“描述统计”-“交叉表”菜单，将教育水平和工作经验作为行变量，将收入作为列变量。
点击“确定”按钮后，SPSS将生成一个交叉表，显示不同教育水平和工作经验对于收入的平均值和标准差等统计信息。
五、多因素方差分析在导入数据并进行数据探索后，我们可以开始进行多因素方差分析。
选择“分析”-“一般线性模型”-“多因素”菜单。
在弹出的对话框中，将个人收入作为因变量，将教育水平和工作经验作为因子变量。
点击“因子”按钮，将教育水平和工作经验拖动到因子变量框中。
然后，点击“选项”按钮，对方差分析的设置进行调整，如是否显示交互作用。
点击“确定”按钮，SPSS将自动生成多因素方差分析的结果报告。
在报告中，我们可以看到各个因素的显著性检验结果，以及不同因素对于个人收入的影响情况。
spss操作-双因素方差分析(无重复)精品PPT课件
2）将“含量比”设置为变量，将“PH值”、 “浓度”设置为因素
3）单击Model → 单击Custom选择只含主效应的双因 素方差分析模型 ，单击Con将两个因素设置为需要进行多重比 较的因素，选择 Tukey 法进行多重比较；
5）单击Continue，返回上一级菜单，单击Option，选择 需显示描述性统计量的因素 ，单击Continue返回上一级菜单 单击OK。
结论：…..
写在最后
经常不断地学习,你就什么都知道。你知道得越多,你就越有力量 Study Constantly, And You Will Know Everything. The More
You Know, The More Powerful You Will Be
谢谢大家
荣幸这一路，与你同行
蒸馏水PH值
硫酸铜浓度
B1
B2
B3
A1
3.5
2.3
2.0
A2
2.6
2.0
1.9
A3
2.0
1.5
1.2
A4
1.4
0.8
0.3
使用SPSS软件进行分析
1. 单击 “开始” → “程序” → SPSS for windows → SPSS10.0 for windows → type in data → OK → 单击 “Variable View”( 在第 一列输入因变量( 含量比 ） 、因素A（ PH值 ）因素 B（ 浓度 ） ；单击“ Data View ”。
(I) PH值 (J) PH值
1
2
Mean Difference
(I-J)
.433
Std. Error .169
95% Confidence Interval
SPSS双因素方差分析
SPSS双因素方差分析例1 对小白鼠喂以三种不同的营养素，目的是了解不同营养素增重的效果。
采用随机区组设计方法，以窝别作为划分区组的特征，以消除遗传因素对体重增长的影响。
现将同品系同体重的24只小白鼠分为8个区组，每个区组3只小白鼠。
三周后体重增量结果(克)列于下表，问小白鼠经三种不同营养素喂养后所增体重有无差别？这可以认为是无重复实验的双因素方差分析，SPSS软件版本：18.0中文版。
1、建立数据文件变量视图：建立3个变量，如下图数据视图：如下图：区组号用1-8表示，营养素号用1-3表示。
数据文件见“小白鼠喂3种不同的营养素增重数量.sav”，可以直接使用。
2、统计分析菜单选择：分析-> 一般线性模型-> 单变量点击进入“单变量”对话框将“体重”选入“因变量”框，“区组”、“营养素”选入固定因子框点击右边“模型”按钮，进入“单变量：模型对话框”点击“设定”单选按钮（无重复双因素方差分析不能选全因子！），在“构建项”下拉菜单中选择“主效应”（只能选主效应）把左边的因子与协变量框中区组和营养素均选入右边的模型框中其余选项取默认值就行，点击“继续”按钮，回到“单变量”界面点击“两两比较”按钮，进入下面对话框将左边框中“区组”、“营养素”均选入右边框中再选择两两比较的方法，LSD、S-N-K，Duncan为常用的三种方法，点击“继续”按钮回到“单变量”主界面。
点击“选项”按钮勾选“统计描述”及“方差齐性检验”，设置显著性水平，点击“继续”按钮，回到“单变量”主界面点击下方“确定”按钮，开始分析。
3、结果解读这是一个所分析因素的取值情况列表。
变量的描述性分析这是一个典型的方差分析表，有2个因素“营养素”和“区组”，首先是所用方差分析模型的检验，F值为11.517，P小于0.05，因此所用的模型有统计学意义，即认为至少有一个因素对体重增长有显著影响，可以用它来判断模型中系数有无统计学意义；第二行是截距，它在我们的分析中没有实际意义，忽略即可；第三行是变量是区组，P<0.001，可见有统计学意义（即认为区组对体重增长有显著影响），不过通常我们关心的也不是他；第四行是我们真正要分析的营养素，非常遗憾，它的P值为0.084，没有统计学意义（即认为营养素对体重增长没有显著影响）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
SPSS双因素方差分析例1 对小白鼠喂以三种不同的营养素，目的是了解不同营养素增重的效果。
采用随机区组设计方法，以窝别作为划分区组的特征，以消除遗传因素对体重增长的影响。
现将同品系同体重的24只小白鼠分为8个区组，每个区组3只小白鼠。
三周后体重增量结果(克)列于下表，问小白鼠经三种不同营养素喂养后所增体重有无差别？区组号营养素1 营养素2 营养素31 50.10 58.20 64.502 47.80 48.50 62.403 53.10 53.80 58.604 63.50 64.20 72.505 71.20 68.40 79.306 41.40 45.70 38.407 61.90 53.00 51.208 42.20 39.80 46.20这可以认为是无重复实验的双因素方差分析，SPSS软件版本：18.0中文版。
1、建立数据文件变量视图：建立3个变量，如下图1数据视图：如下图：区组号用1-8表示，营养素号用1-3表示。
数据文件见“小白鼠喂3种不同的营养素增重数量.sav”，可以直接使用。
2、统计分析菜单选择：分析-> 一般线性模型-> 单变量1点击进入“单变量”对话框1旗开得胜将“体重”选入“因变量”框，“区组”、“营养素”选入固定因子框点击右边“模型”按钮，进入“单变量：模型对话框”1点击“设定”单选按钮（无重复双因素方差分析不能选全因子！），在“构建项”下拉菜单中选择“主效应”（只能选主效应）1把左边的因子与协变量框中区组和营养素均选入右边的模型框中其余选项取默认值就行，点击“继续”按钮，回到“单变量”界面1点击“两两比较”按钮，进入下面对话框1将左边框中“区组”、“营养素”均选入右边框中再选择两两比较的方法，LSD、S-N-K，Duncan为常用的三种方法，点击“继续”按钮回到“单变量”主界面。
1点击“选项”按钮1勾选“统计描述”及“方差齐性检验”，设置显著性水平，点击“继续”按钮，回到“单变量”主界面1点击下方“确定”按钮，开始分析。
3、结果解读主体间因子值标签N区组 1 区组1 32 区组2 33 区组3 34 区组4 35 区组5 36 区组6 317 区组7 38 区组8 3营养素 1 营养素1 82 营养素2 83 营养素3 8这是一个所分析因素的取值情况列表。
描述性统计量因变量:体重区组营养素均值标准偏差N区组1 营养素1 50.100 . 1 营养素2 58.200 . 1 营养素3 64.500 . 1 总计57.600 7.2187 3区组2 营养素1 47.800 . 1 营养素2 48.500 . 1 营养素3 62.400 . 1 总计52.900 8.2347 3区组3 营养素1 53.100 . 1营养素2 53.800 . 1营养素3 58.600 . 1总计55.167 2.9939 31区组4 营养素1 63.500 . 1 营养素2 64.200 . 1 营养素3 72.500 . 1 总计66.733 5.0063 3区组5 营养素1 71.200 . 1 营养素2 68.400 . 1 营养素3 79.300 . 1 总计72.967 5.6607 3区组6 营养素1 41.400 . 1 营养素2 45.700 . 1 营养素3 38.400 . 1 总计41.833 3.6692 3区组7 营养素1 61.900 . 1 营养素2 53.000 . 1 营养素3 51.200 . 1 总计55.367 5.7292 3区组8 营养素1 42.200 . 1 营养素2 39.800 . 1 营养素3 46.200 . 1 总计42.733 3.2332 3总计营养素1 53.900 10.6963 8营养素2 53.950 9.4932 8营养素3 59.137 13.5499 8总计55.663 11.1547 241变量的描述性分析主体间效应的检验因变量:体重源III 型平方和df 均方 F Sig.校正模型2521.294a 9 280.144 11.517 .000截距74359.534 1 74359.534 3056.985 .000区组2376.376 7 339.482 13.956 .000营养素144.917 2 72.459 2.979 .084误差340.543 14 24.324总计77221.370 24校正的总计2861.836 23a. R 方 = .881（调整 R 方 = .805）模型的检验，F值为11.517，P小于0.05，因此所用的模型有统计学意义，即认为至少有一个因素对体重增长有显著影响，可以用它来判断模型中系数有无统计学意义；第二行是截距，它在我们的分析中没有实际意义，忽略即可；第三行是变量是区组，P<0.001，可见有统计学意义（即认为区组对体重增长有显著影响），不过通常我们关心的也不是他；第四行是我们真正要分析的营养素，非常遗憾，它的P值为0.084，没有统计学意义（即认为营养素对体重增长没有显著影响）。
尽管不太愿意，我们的结论也只能是：尚不能认为三种营养素喂养的小白鼠体重增量有差别。
由于我们没有设置重复，不能分析他们两者之间的交互效应。
如果有重复试验，一定要分析其交互效应。
1关于两两比较，三种营养素之间的差异不显著，区组之间的差异见下表。
体重区组个案数子集1 2 3 4S-N-K a,b区组6 3 41.833区组8 3 42.733区组2 3 52.900区组3 3 55.167 55.167区组7 3 55.367 55.367区组1 3 57.600 57.600区组4 3 66.733 66.733区组5 3 72.967显著性.826 .656 .053 .144邓肯a,b区组6 3 41.833区组8 3 42.733区组2 3 52.900区组3 3 55.167区组7 3 55.367区组1 3 57.600区组4 3 66.733区组5 3 72.9671显著性.826 .299 .1444、对话框介绍在“单变量”对话框中：【因变量】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体重，将他选入即可。
【固定因子】框即固定因素，如果你搞不明白，那么就把要分析的因素都往里面选。
这里我们要分析的是区组和营养素两个变量，把他们全都选进去。
固定因素指的是在样本中它所有可能的取值都出现了，比如本例中的营养素，只可能有1、2、3这三个值，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，如本例中的区组，实际上总体中当然不可能只有这8窝，因此要用样本中区组的情况来推论总体中区组未出现的那些取值的情况时就会存在误差，因此被称为随机因素。
我这里让区组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。
【随机因子】框用于选入随机因素，如果你弄不明白，假装没看见他就是了。
【协变量】框用于选入协方差分析时的协变量，现在还用不到。
【WLS加权】框即用于选入最小二乘法权重系数。
不懂，别理他。
【模型】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“全因子”，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“设定”，这时中部的“构建项”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11互、还是全部分析。
这里我们只能分析主效应：选择主效应，再用黑色箭头将“区组”和“营养素”选入右侧的框中。
该对话框中还有两个元素：左下方的“平方和”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“包含截距”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。
【对比】钮弹出“对比”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。
【绘制】钮用于指定用模型的某些参数作图，比如用食物和区组来作图。
【两两比较】钮选择两两比较的方法及定义两两比较时的显著性水平，默认为0.05。
【保存】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，可保存的东东有预测值、残差、诊断用指标等。
【选项】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。
例2 一种火箭使用了四种燃料、三种推进器作射程（单位：km ）试验，对于燃料与推进器的每一种搭配，各发射火箭两次，测得结果如表3。
这是一个等重复实验的双因素方差分析问题。
火箭射程试验数据1B (推进器1)2B (推进器2)3B (推进器3)1A (燃料1)58.2 52.656.2 41.265.3 60.812A (燃料2)49.1 42.8 54.1 50.5 51.6 48.4 3A (燃料3)60.1 58.3 70.9 73.2 39.2 40.7 4A (燃料4)75.8 71.558.2 51.048.7 41.4是否有显著影响。
数据见“火箭射程方差分析.sav ”，可以直接使用。
选择【分析】→【一般线性模型】→【单变量】。
将射程选入因变量框，燃料和推进器选入固定因子框。
模型必须选“全因子”，并勾选“在模型中包括截距”。
选定默认的“Ⅲ类平方和”，点击继续返回。
1在事后比较中将燃料和推进器都选入右边的事后检验栏，并选择多重比较方法，例如等方差时的LSD法和S-N-K法等，点击【继续】返回【单变量】对话框，并点击【继续】开始分析。
结果分析：主体间效应检验因变量: 射程源III 类平方和自由度均方 F 显著性修正模型2401.348a11 218.304 11.056 .000截距72578.002 1 72578.002 3675.611 .000推进器370.981 2 185.490 9.394 .004燃料261.675 3 87.225 4.417 .026推进器*燃料1768.692 6 294.782 14.929 .000误差236.950 12 19.746总计75216.300 241旗开得胜读万卷书行万里路1修正后总计2638.29823a. R 方= .910（调整后R 方= .828）主体间效应检验和教材中通常的方差分析表类似，红色标注的推进器、燃料、推进器*燃料、误差、修正后总计即为通常的等重复双因素方差分析表。
从推进器、燃料、推进器*燃料的显著性概率是否小于0.05，即可判定其是否对试验指标有显著影响。