SPSS软件分析5方差分析作业
实验五 SPSS 的方差分析
1*统计**班 邵*** 201******
（二）实践性实验
（1）一家管理咨询公司为不同的客户进行人力资源管理讲座，每次讲座的内容基本上是一样的，但讲座的听课者有高级管理者、中级管理者、低级管理者。该咨询公司认为，不同层次的管理者对两座的满意度是不同的。对听完讲座后的满意度随机调查中，不同层次管理者的满意度评分如下（1~10分，10代表非常满意），取显著性水平05.0=α，试用单因素方差分析判断管理者的水平是否会导致评分的显著性差异？如有差异，具体什么差异？
此表为对不同水平管理者满意度的基本描述统计量及95%的置信区间，此表表明对中级管理者的满意度最高，对高级管理者的满意度次之，对低级管理者满意度最低。
假设：对不同水平下管理者的满意度的方差相同。
对不同水平下的管理者的满意度的方差齐性检验为1.324，概率p 值为0.296，如果显著水平设为0.05，由于概率p 值大于显著水平，不能拒绝原假设，认为对不同水平下管理者的满意度的方差相同。故满足方差分析的前提要求。
ANOVA
管理者满意度
平方和
df
均方 F 显著性
组间 （组合）
29.610 2 14.805 11.756
.001
组内 18.890 15 1.259
总数
48.500
17
采用单因素方差分析。
假设：对不同水平的管理者的满意度没有显著差异。
此表为管理者的不同等级对对管理者的满意度的单因素方差分析结果。可以看出观测变量满意度的总离差平方和是48.5，如果考虑“管理者的不同等级”单因素的影响，则销售额总变差中，不同水平可解释的变差为29.61，抽样误差引起的变差为18.89，他们的方差（平均变差），分别为14.805,1.259.相除所得的F统计量的观测值为11.756，对应的P值近似为0，给定显著水平为0.05，由于概率p值小于显著水平，则拒绝原假设，认为对不同水平的管理者的满意有显著差异。
\采用多重比较检验
原假设：对不同水平管理者的满意度没有显著差别。
此表显示了两两管理者水平下对管理者满意度均值的检验结果。可以看出，尽管在理论上各种检验方法对抽样分布标准误的定义不同，此种软件全部采用了ＬＳＤ方法的中标准误。因此各种方法计算的前两列计算结果完全相同。表中没有给出检验统计量的观测值，他们都是相等的。表中第三列式检验统计量在不同分布下的概率ｐ值，可以发现各种方法在检验敏感度上的差异。此题用LSD方法。
给定显著水平为０．０５，高级管理者和中级管理者检验的概率ｐ值为０．０７５，大于显著水平，因此接受原假设，认为对高级管理者和中级管理者的满意度与他们的水平没有关系。
给定显著水平为０．０５，高级管理者和低级管理者检验的概率ｐ值为０．０２，小于显著水平，因此拒绝原假设，认为对高级管理者和低级管理者的满意度与他们的水平有关系。
给定显著水平为０．０５，中级管理者和低级管理者检验的概率ｐ值为０．００７，小于显著水平，因此不能接受原假设，认为对中级管理者和低级管理者的满意度与他们的水平有关系。
单因素方差分析
管理者满意度
平方和 df
均方 F 显著性
组间
（组合）
29.610 2 14.805 11.756 .001 线性项
未加权的
8.512 1 8.512 6.759 .020 加权的 10.074 1 10.074 7.999 .013 偏差
19.536 1 19.536 15.513
.001
组内 18.890 15 1.259
总数
48.500
17
采用趋势检验
原假设：管理者的不同水平和对管理者的满意度是零线性相关。
趋势检验时，将观测变量的组间差作进一步的细分，分解为可被管理者的水平线性解释的变差以及不可被管理者水平线性解释的变差，（第四行１９.５３６＝２９.６１－１０.０７４）。其中，可被管理者水平线性解释的变差实质是，观测变量（对管理者的满意度）为被解释变量，控制变量（管理者水平）为解释变量的一元线性回归分析中的回归平方和部分。体现了解释变量对被解释变量的线性贡献程度。对应第五列的Ｆ值（７.９９９）是回归平方和的均方（１０．０７４）除以组离差平方和的均方（１．２５９）的结果。对应概率得的ｐ值为０.０１３，给定显著水平为０．０５，ｐ值小于显著水平，所以拒绝原假设，认为管理者的不同水平和对管理者的满意度不是零线性相关，即是说管理者的不同水平和对管理者的满意度是线性相关。
此图为对不同管理者水平满意度的均值折线图，从图表可知，管理者水平和对管理者的满意度之间没有明显的线性相关关系。
管理者满意度
水平N alpha = 0.05 的子集
1 2
Student-Newman-Keuls a,b 低级 6 5.83
高级 5 7.60 中级7 8.86 显著性 1.000 .074
Tukey HSD a,b 低级 6 5.83
高级 5 7.60 中级7 8.86 显著性 1.000 .167
Scheffe a,b 低级 6 5.83
高级 5 7.60 7.60 中级7 8.86 显著性.051 .192
将显示同类子集中的组均值。
a. 将使用调和均值样本大小 = 5.888。
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。
采用单因素分析－两两比较的各种方法
此表示各种方法划分的相似子集，可以看到，表中的前两种方法划分是一致的，第三种方法与前两种方法大致一致。给定显著水平为０．０５的情况下。
首先观察Ｓ－Ｎ－Ｋ方法的结果，均值为５．８３的组（低级管理者的满意度）与其他两组的均值有显著不同（其相似度可能性小于０．０５），被划分出来，形成两个相似性子集。在第一个相似（自身）的概率为１，第二组相似的可能性大于０．０５，为０．０７４,。
其次观察ＴｕｋｅｙＨＳＤ方法的结果，均值为５．８３的组（低级管理者的
满意度）与其他两组的均值有显著不同（其相似度可能性小于０．０５），被划
分出来，形成两个相似性子集。在第一个相似（自身）的概率为１，第二组相似
的可能性大于０．０５，为０．１６７,。
首先观察Ｓｃｈｅｆｆｅ方法的结果，均值为５．８３的组（低级管理者的满意
度）和均值为７.６０（高级管理者的满意度）与均值为８．８６的组（中级管
理者的满意度）和均值为７.６０（高级管理者的满意度）均值有显著不同（其
相似度可能性小于０．０５），被划分出来，形成两个相似性子集。在第一个相
似（自身）的概率为０．０５１，第二组相似的可能性大于０．０５，为０．１
９２,。
总之，如果从管理者水平角度选择，则不应选择低级管理者。可考虑高级管理者
和中级管理者结合的方式。
对比系数
对比水平
高级中级低级
1 1 -1 0
对比检验
对比对比值标准误t df 显著性（双侧）假设方差相等 1 -1.26 .657 -1.913 15 .075 管理者满意度
不假设等方差 1 -1.26 .525 -2.394 8.805 .041 采用先验对比检验
假设：对高级管理者和中级管理者的满意度没有显著差异。
上表为不同管理者水平先验对比检验的系数说明，下表为高级管理者和中级管理
者整体效果对比检验结果。
根据前面的方差齐性检验可以得知，这两组方差近似相等，所以我们看第一行。
给定显著水平为０．０５，由于ｔ统计量的概率ｐ（０．０７５）值大于显著水
平，不应该拒绝原假设，接受原假设，认为对高级管理者和中级管理者的满意度
没有显著差异。
（2）一家超市连锁店的老板进行一项研究，确定超市所在的位置和竞争者的数量对销售额是否有显著影响。获得的月销售额数据（单位：万元）见下表。取显著性水平0.01
α=，试用单因素和多因素方差分析全面分析竞争者的数量和超市的位置对销售额的影响。
单因素方差分析---竞争者的数量与销售额
描述
销售额
N 均值标准差标准误均值的 95% 置信区间
极小值极大值下限上限
0 9 30.44 8.575 2.858 23.85 37.04 18 45
1 9 29.56 7.316 2.439 23.93 35.18 17 39
2 9 42.56 11.876 3.959 33.4
3 51.68 26 59 3个以上9 38.56 9.369 3.123 31.35 45.76 2
4 53 总数36 35.28 10.590 1.76
5 31.69 38.8
6 1
7 59 此表为对不同竞争者的销售额的基本描述统计量及95%的置信区间，此表表
明竞争者有两个的销售额最高，竞争者为三个以上的销售额接近于竞争者为2的
销售额。竞争者为1的销售额少，没有竞争者的销售额比竞争者为1的销售额稍微
好一点。
方差齐性检验
销售额
Levene 统计量df1 df2 显著性
1.224 3 32 .317
此处采用方差齐性检验
假设：对不同竞争者的销售额方差相同。
对不同竞争者的销售额的方差齐性检验为1.224，概率p值为0.317，如果显著水平
设为0.01，由于概率p值大于显著水平，不能拒绝原假设，对不同竞争者的销售
额方差相同。故满足方差分析的前提要求。
ANOVA
销售额
平方和df 均方 F 显著性
组间1078.333 3 359.444 4.040 .015
组内2846.889 32 88.965
总数3925.222 35
采用单因素方差分析。
假设：对有不同竞争者数目的销售额没有显著差异。
此表为不同竞争者数目的销售额的单因素方差分析结果。可以看出观测变量销售
额的总离差平方和是3925.222，如果考虑“竞争者的数目”单因素的影响，则销
售额总变差中，不同竞争者数目可解释的变差为1078.333，抽样误差引起的变差
为2848.889，他们的方差（平均变差），分别为359.444,88.965.相除所的观测值
为4.04，对应的P值近似为0.015，给定显著水平为0.01，由于概率p值大于显著水
采用多重比较检验-Tukey HSD方法
原假设：对有不同竞争者数目的销售额没有显著差异。
此表显示了两两有不同竞争者的地方销售额的检验结果。可以看出，尽管在理论上各种检验方法对抽样分布标准误的定义不同，此种软件全部采用了ＬＳＤ方法的中标准误。因此各种方法计算的前两列计算结果完全相同。表中没有给出检验统计量的观测值，他们都是相等的。表中第三列式检验统计量在不同分布下的概率ｐ值，可以发现各种方法在检验敏感度上的差异。
给定显著水平为０．０1，0个竞争者和1个竞争者检验的概率ｐ值为０．997，大于显著水平，因此接受原假设，认为对有0个竞争者数目和1个竞争者数目的销售额没有显著差异。
给定显著水平为０．０1，0个竞争者和2个竞争者检验的概率ｐ值为０．048，大于显著水平，因此接受原假设，认为对有0个竞争者数目和2个竞争者数目的销售额没有显著差异。
给定显著水平为０．０1，0个竞争者和3个竞争者以上检验的概率ｐ值为０．281，大于显著水平，因此接受原假设，认为对有0个竞争者数目和3个竞争者数目以上
的销售额没有显著差异。
给定显著水平为０．０1，1个竞争者和2个竞争者以上检验的概率ｐ值为０．030，大于显著水平，因此接受原假设，认为对有1个竞争者数目和2个竞争者数目的销售额没有显著差异。
给定显著水平为０．０1，1个竞争者和3个竞争者以上检验的概率ｐ值为０．200，大于显著水平，因此接受原假设，认为对有1个竞争者数目和3个竞争者数目以上的销售额没有显著差异。
给定显著水平为０．０1，2个竞争者和3个竞争者以上检验的概率ｐ值为０．805，大于显著水平，因此接受原假设，认为对有2个竞争者数目和3个竞争者数目以上的销售额没有显著差异。
综上，对有不同竞争者数目的销售额没有显著差异。
此表为对不同地区的销售额的基本描述统计量及95%的置信区间，此表表明位于市内小区的销售额最高，位于郊区的销售额少，位于写字楼的销售额处于中
假设：对不同地区的销售额方差相同。
对不同地区的销售额的方差齐性检验为1.224，概率p值为0.317，如果显著水平设为0.01，由于概率p值大于显著水平，不能拒绝原假设，对不同地区的销售额方
采用单因素方差分析。
假设：对不同地区的销售额没有显著差异。
此表为不同地区的销售额的单因素方差分析结果。可以看出观测变量销售额的总离差平方和是3925.222，如果考虑“地区”单因素的影响，则销售额总变差中，不同竞争者数目可解释的变差为1736.222，抽样误差引起的变差为2189.000，他们的方差（平均变差），分别为868.111,66.333.相除所的观测值为13.087，对应的P值近似为0，给定显著水平为0.01，由于概率p值小于显著水平，则拒绝原假设，认为不同地区的销售额有显著差异。
采用多重比较检验-Tukey HSD方法
原假设：对不同地区的销售额没有显著差异。
此表显示了两两有不同地区的地方销售额的检验结果。可以看出，尽管在理论上各种检验方法对抽样分布标准误的定义不同，此种软件全部采用了ＬＳＤ方法的中标准误。因此各种方法计算的前两列计算结果完全相同。表中没有给出检验统计量的观测值，他们都是相等的。表中第三列式检验统计量在不同分布下的概率ｐ值，可以发现各种方法在检验敏感度上的差异。
给定显著水平为０．０1，位于市内中心和位于写字楼检验的概率ｐ值为０．351，大于显著水平，因此接受原假设，认为位于市内中心和位于写字楼的销售额没有显著差异。
给定显著水平为０．０1，位于市内中心和位于郊区检验的概率ｐ值为０，小于显著水平，因此不能接受原假设，认为位于市内中心和位于郊区的销售额有显著差异。
给定显著水平为０．０1，位于写字楼和位于郊区检验的概率ｐ值为０．003，小
于显著水平，因此不能接受原假设，认为位于写字楼和位于郊区检验的销售额有显著差异。
综上，位于市内中心和位于写字楼的销售额没有显著差异。位于市内中心和位于郊区的销售额，位于写字楼和位于郊区有显著差异。
原假设：所有组中因变量的误差方差均相等。
F的观测值为0.755，对应的p值为0.678，给定的显著水平位0.01，由于p值大于显著水平，所以接受原假设，认为所有组中因变量的误差方差均相等。
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3317.889a11 301.626 11.919 .000
截距44802.778 1 44802.778 1770.472 .000
wz 1736.222 2 868.111 34.305 .000
jz 1078.333 3 359.444 14.204 .000
wz * jz 503.333 6 83.889 3.315 .016
误差607.333 24 25.306
总计48728.000 36
校正的总计3925.222 35
a. R 方 = .845（调整 R 方 = .774）
采用多因素方差分析-饱和模型
假设：超市位置和竞争数量对观测变量没有显著影响。
表中，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；第三列为自由度，第四列为均方；第五列为F检验统计量的观测值；第六列是检验统计量的概率p值。可以看到，观测变量的总变差SST为48728.000，它被分解为四个部分，分别是超市位置引起的变差，竞争者数目引起的变差，超市位置与竞争这数目交互影响引起的变差，以及随机因素引起的变差引起的变差。这些变差除以各自的自由度后，得到各自的均方，并可以计算出个F检验统计量的观测值和在一定自由度下的概率P值。Fx1,Fx2,Fx1*x2,的概率p分别为：0,0，0.016，给定的显著水平为0.01，由于Fx1,Fx2，的概率p值小于显著水平，则拒绝原假设可以认为超市位置和竞争数量对观测变量有显著影响。对销售额的效应不同时为
0，各自不同的水平给销售额带来显著影响。该结论与单因素方差分析不是完全
一致的。同时，由于Fx1*x2,的概率p值大于显著水平，不能拒绝原假设，认为超
市位置和竞争数量没有交互作用，认为超市位置和竞争数量的交互影响对观测变
量没有显著影响。
矫正模型对应的变差是wx,jz,wz*jz,对应的变差相加的结果，其对应的F检验统计
量和p值说明，观测变量变动主要是由控制变量的不同水平引起的，控制变量能
更好的反应观测变量的边度，模型对观测变量有一定的解释能力，截距对应的总
变差是观测变量和0的离差平方和。他与sst的和是总变差。在实际分析中一般不
用。R^2和调整的R^2反应的是多因素方差模型，对观测变量数据的总体拟合优
度，他们越接近1，说明对数据的拟合优度越高。该问题有两个控制变量，所以
要参考调整的R^2，可以看到该模型对数据的拟合优度不是特别理想，但是还可
以，也就是说，销售额除了受位置和竞争者数量影响外还有其他影响因素。
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. 偏 Eta 方非中心参数观测到的幂b
校正模型2814.556a 5 562.911 15.205 .000 .717 76.023 1.000 截距44802.778 1 44802.778 1210.159 .000 .976 1210.159 1.000 wz 1736.222 2 868.111 23.448 .000 .610 46.897 1.000 jz 1078.333 3 359.444 9.709 .000 .493 29.127 .994 误差1110.667 30 37.022
总计48728.000 36
校正的总计3925.222 35
a. R 方 = .717（调整 R 方 = .670）
b. 使用 alpha 的计算结果 = .05
采用多因素方差分析-非饱和模型
假设：超市位置和竞争数量对观测变量有显著影响。
表中位置和竞争者数目的交互作用所引起的变差没有被分离出来，他被并入随机
因素引起的变差中，线性模型整体对观测变量变差解释部分变小。各个控制变量
所能解释的变差比例相对于随机因素来说减少，导致各f统计量的观测值变小，
对应的p值变大，容易接受原假设，不易得到控制变量不同水平对观测值有显著
影响。同时模型对数据的拟合程度也降低了。
Fx1,Fx2，的概率p分别为：0,0，给定的显著水平为0.01，由于Fx1,Fx2，的概率p
值小于显著水平，则拒绝原假设，可以认为超市位置和竞争数量对观测变量有显
著影响。该结论与单因素方差分析是不完全一致的。
竞争者数量偏差对比a因变量
销售额
级别 1 和均值对比估算值-4.833 假设值0 差分（估计 - 假设）-4.833 标准误差 1.452 Sig. .003 差分的 95% 置信区间
下限-7.830
上限-1.836
级别 2 和均值对比估算值-5.722 假设值0 差分（估计 - 假设）-5.722 标准误差 1.452 Sig. .001
差分的 95% 置信区间
下限-8.719
上限-2.725
级别 3 和均值对比估算值7.278 假设值0 差分（估计 - 假设）7.278 标准误差 1.452 Sig. .000 差分的 95% 置信区间
下限 4.281
上限10.275
a. 省略的类别 = 4
采用多因素方差分析-均值对比检验
原假设：不同竞争者数量水平下的销售均值与检验值（总体均值）间没有存在显著差异。
此表显示了不同竞争者数量水平下前三水平的销售额总体的均值检验结果，省略了第四水平的检验结果，检验值为总体均值。可以看出第一种竞争者数量水平下销售额的均值与检验值的差为-4.833，标准误为1.452，t检验的统计量的概率p值为0.003，差值为95%置信区间的上下线为-7.830，-1.836,。分析结论是，第一种竞争者数量销售均值与检验值（总体均值）间存在显著差异，且明显低于总体水平。同理，第二种竞争者数量销售均值与检验值（总体均值）间存在显著差异，且明显低于总体水平。第三种竞争者数量销售均值与检验值（总体均值）间存在显著差异，且明显高于总体水平。三种竞争者数量水平产生的效果有显著差异。
超市位置偏差对比a因变量
销售额
级别 1 和均值对比估算值7.056 假设值0 差分（估计 - 假设）7.056 标准误差 1.186 Sig. .000 差分的 95% 置信区间
下限 4.608
上限9.503
级别 2 和均值对比估算值 2.389 假设值0 差分（估计 - 假设） 2.389 标准误差 1.186 Sig. .055 差分的 95% 置信区间
下限-.058
上限 4.836
a. 省略的类别 = 3
采用多因素方差分析-均值对比检验
原假设：不同超市位置水平下的销售均值与检验值（总体均值）间没有存在显著差异。
此表显示了不同超市位置水平下前二水平的销售额总体的均值检验结果，省略了第三水平的检验结果，检验值为总体均值。可以看出第一种超市位置水平下销售额的均值与检验值的差为7.056，标准误为1.186，t检验的统计量的概率p值为0.000，差值为95%置信区间的上下线为4.608，9.503,。分析结论是，第一种超市位置销售均值与检验值（总体均值）间存在显著差异，且明显高于总体水平。同理，第二种超市位置销售均值与检验值（总体均值）间没有存在显著差异，且明显高于总体水平。
采用多因素方差分析-交互作用图
图中表示竞争者数量从0,1,2,到3个以上的过程中，各个广告形式下的销售额基本没有按照相同的规律变动。直观的结论是，竞争者数量和超市位置存在明显交互作用，这与前面分析的结论不一致。
（3）为检验广告媒体和广告方案对产品销售量的影响，一家营销公司做了一项试验，考察三种广告方案和两种广告媒体，获得的销售量数据见下表。检验广告方案、广告媒体或其
05）
原假设：所有组中因变量的误差方差均相等。
F的观测值为0.252，对应的p值为0.924，给定的显著水平位0.05，由于p值大于显著水平，所以接受原假设，认为所有组中因变量的误差方差均相等。
主体间效应的检验
因变量:销售量
源III 型平方和df 均方 F Sig.
校正模型448.000a 5 89.600 5.600 .029
截距3072.000 1 3072.000 192.000 .000
gf 344.000 2 172.000 10.750 .010
gm 48.000 1 48.000 3.000 .134
gf * gm 56.000 2 28.000 1.750 .252
误差96.000 6 16.000
总计3616.000 12
校正的总计544.000 11
a. R 方 = .824（调整 R 方 = .676）
采用多因素方差分析-饱和模型
假设：广告方案和广告媒体对观测变量没有显著影响。
表中，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；第三列为自由度，第四列为均方；第五列为F检验统计量的观测值；第六列是检验统计量的概率p值。可以看到，观测变量的总变差SST为3616.000，它被分解为四个部分，分别是广告方案引起的变差，广告媒体引起的变差，广告方案与广告媒体交互影响引起的变差，以及随机因素引起的变差引起的变差。这些变差除以各自的自由度后，得到各自的均方，并可以计算出个F检验统计量的观测值和在一定自由度下的概率P值。Fx1,Fx2,Fx1*x2,的概率p分别为：0.01,0.134，0.252，给定的显著水平为0.05，由于Fx1,的概率p值小于显著水平，则拒绝原假设可以认为广告方案对观测变量有显著影响。同时，由于Fx2,Fx1*x2,的概率p值大于显著水平，不能拒绝原假设，广告媒体对观测变量没有显著影响，认为广告媒体和广告方案没有交互作用，认为广告方案和广告媒体的交互影响对观测变量没有显著影响。
R^2和调整的R^2反应的是多因素方差模型，对观测变量数据的总体拟合优度，他们越接近1，说明对数据的拟合优度越高。该问题有两个控制变量，所以要参考调整的R^2，可以看到该模型对数据的拟合优度不是特别理想，但是还可以，
采用多因素方差分析-非饱和模型
假设：广告方案和广告媒体对观测变量没有显著影响。
表中广告方案和广告媒体的交互作用所引起的变差没有被分离出来，他被并入随机因素引起的变差中，线性模型整体对观测变量变差解释部分变小。各个控制变量所能解释的变差比例相对于随机因素来说减少，导致各f统计量的观测值变小，对应的p值变大，容易接受原假设，不易得到控制变量不同水平对观测值有显著影响。查看R^2的大小变化，得出模型对数据的拟合程度也降低了。
Fx1,Fx2，的概率p分别为：0.009,0.151，给定的显著水平为0.05，由于Fx1，的概率p值小于显著水平，则拒绝原假设，可以认为广告方案对观测变量有显著影响。由于Fx2，的概率p值小于显著水平，则不能拒绝原假设，可以认为广告媒体对观测变量没有显著影响。该结论与单因素方差分析及饱和多因素分析的结论是一致的。
采用多因素方差分析-交互作用图
图中表示广告方案从A，B到C的过程中，各个广告形式下的销售额基本有按照相同的规律变动，各直线在各水平基本平行。直观的结论是，广告方案和广告媒体不存在明显交互作用，也就是说：广告方案和广告媒体交互作用对销售额不存在影响。这与前面分析的结论一致。
(4)城市道路交通管理部门为研究不同的路段和不同的时间段对行车时间的影响,搜集了3个路段和不同的时间段对行车时间的影响,搜集了3个路段高峰期和非高峰期的30个行车时间的数据如下(单位:分钟),分析路段、时段以及二者的交互作用对行车时间的影响。
原假设：所有组中因变量的误差方差均相等。
F的观测值为0.678，对应的p值为0.644，给定的显著水平位0.05，由于p值大于显著水平，所以接受原假设，认为所有组中因变量的误差方差均相等。
主体间效应的检验
因变量:时间
源III 型平方和df 均方 F Sig.
校正模型468.839a 5 93.768 22.875 .000
截距28078.561 1 28078.561 6849.822 .000
ld 180.515 2 90.257 22.018 .000
sd 288.300 1 288.300 70.331 .000
ld * sd .024 2 .012 .003 .997
误差98.380 24 4.099
总计28645.780 30
校正的总计567.219 29
a. R 方 = .827（调整 R 方 = .790）
采用多因素方差分析-饱和模型
假设：路段和时段对观测变量没有显著影响。
表中，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；第三列为自由度，第四列为均方；第五列为F检验统计量的观测值；第六列是检验统计量的概率p值。可以看到，观测变量的总变差SST为28645.780，它被分解为四个部分，分别是路段引起的变差，时段起的变差，时段与路段交互影响引起的变差，以及随机因素引起的变差引起的变差。这些变差除以各自的自由度后，得到各自的均方，并可以计算出个F检验统计量的观测值和在一定自由度下
的概率P值。Fx1,Fx2,Fx1*x2,的概率p分别为：0,0，0.997，给定的显著水平为0.05，由于Fx1,Fx2的概率p值小于显著水平，则拒绝原假设，可以认为时段和路段对观测变量有显著影响。同时，由于Fx1*x2,的概率p值大于显著水平，不能拒绝原假设，认为路段和时段没有交互作用，认为路段和时段的交互影响对观测变量没有显著影响。
R^2和调整的R^2反应的是多因素方差模型，对观测变量数据的总体拟合优度，他们越接近1，说明对数据的拟合优度越高。该问题有两个控制变量，所以要参考调整的R^2，可以看到该模型对数据的拟合优度不是特别理想，但是还可以，也就是说，销售额除了受路段和时段影响外还有其他影响因素。
采用多因素方差分析-非饱和模型
假设：路段和时段对观测变量没有显著影响。
表中路段和时段的交互作用所引起的变差没有被分离出来，他被并入随机因素引起的变差中，线性模型整体对观测变量变差解释部分变小。各个控制变量所能解释的变差比例相对于随机因素来说减少，导致各f统计量的观测值变小，对应的p 值变大，容易接受原假设，不易得到控制变量不同水平对观测值有显著影响。查看R^2的大小变化，得出模型对数据的拟合程度也升高了。
Fx1,Fx2，的概率p分别为：0,0，给定的显著水平为0.05，由于Fx1，Fx2，的概率p值小于显著水平，则拒绝原假设，可以认为时段和路段对观测变量有显著影响。
采用多因素方差分析-交互作用图
图中表示时段从1到2的过程中，各个时段下的时间基本有按照相同的规律变动，各直线在各水平基本平行。直观的结论是，时段和路段不存在明显交互作用，也就是说：时段和路段交互作用对销售额不存在影响。这与前面分析的结论一致。