SPSS统计分析教程-多因素方差分析

SPSS统计分析教程-多因素方差分析

多因素方差分析是对一个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。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相对湿度（%)

温度℃ 重复 1 2 3 4 100 25 91.2 95.0 93.8 93.0 27 87.6 84.7 81.2 82.4 29 79.2 67.0 75.7 70.6 31 65.2 63.3 63.6 63.3 80 25 93.2 89.3 95.1 95.5 27 85.8 81.6 81.0 84.4 29 79.0 70.8 67.7 78.8 31 70.7 86.5 66.9 64.9 40 25 100.2 103.3 98.3 103.8 27 90.6 91.7 94.5 92.2 29 77.2 85.8 81.7 79.7 31 73.6 73.2 76.4 72.5 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“Depend ent 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。

设置随机因素变量：

在左边变量列表中选“重复”变量，用向右拉按钮移到“到Random Factor(s)”框中。可以选择多个随机变量。

设置协变量：如果需要去除某个变量对因素变量的影响，可将这个变量移到“Covariate(s)”框中。

设置权重变量：如果需要分析权重变量的影响，将权重变量移到“WLS Weight”框中。

4）选择分析模型在主对话框中单击“Model”按钮，打开“Univariate Model”对话框。见图5-8。

图5-8 “Univariate Model” 定义分析模型对话框在Specify Model 栏中，指定分析模型类型。

① Full Factorial 选项此项为系统默认的模型类型。该项选择建立全模型。全模型包括所有因素变量的主效应和所有的交互效应。例如有三个因素变量，全模型包括三个因素变量的主效应、两两的交互效应和三个因素的交互效应。选择该项后无需进行进一步的操作，即可单击“Continue” 按钮返回主对话框。此项是系统缺省项。

② Custom 选项建立自定义的分析模型。选择了“Custom”后，原被屏蔽的“Factors & Covariates”、“Model”和“Build Term(s)”栏被激活。在“Factors & Covariates”框中自动列出可以作为因素变量的变量名，其变量名后面的括号中标有字母“F”；和可以作为协变量的变量名，其变量名后面的括号中标有字母“C”。这些变量都是由用户在主对话框中定义过的。

根据表中列出的变量名建立模型，其方法如下：

在“Build Term(s)”栏右面的有一向下箭头按钮（下拉按钮），单击该按钮可以展开一小菜单，在下拉菜单中用鼠标单击某一项，下拉菜单收回，选中的交互类型占据矩形框。有如下几项选择：

Interaction 选中此项可以指定任意的交互效应； Main effects 选中此项可以指定主效应； All 2-way 指定所有2 维交互效应； All 3-way 指定所有3 维交互效应； All 4-way 指定所有4 维交互效应 All 5-way 指定所有5 维交互效应。

③ 建立分析模型中的主效应：

在“Build Term(s)”栏用下拉按钮选中主效应“Main effects”。

在变量列表栏用鼠标键单击某一个单个的因素变量名，该变量名背景将改变颜色(一般变为蓝色)，单击“Build Term(s)”栏中的右拉箭头按钮，该变量出现在“Model”框中。

一个变量名占一行称为主效应项。欲在模型中包括几个主效应项，就进行几次如上的操作。

也可以在标有“F”变量名中标记多个变量同时送到“Model”框中。

本例将“a”和“b”变量作为主效应，按上面的方法选送到“Model”框中。

④ 建立模型中的交互项要求在分析模型中包括哪些变量的交互效应，可以通过如下的操作建立交互项。

例如，因素变量有“a(F)”和“b(F)”，建立它们之间的相互效应。

连续在“Factors &”框的变量表中单击“a(F)”和“b(F)”变量使其选中。

单击“Build Term(s)”栏内下拉按钮，选中交互效应“Interaction”项。

单击“Build Term(s)”栏内的右拉按钮，“a*b”交互效应就出现在“Model”框中，模型增加了一个交互效应项：a*b ⑤ Sum of squares 栏分解平方和的选择项 Type I 项，分层处理平方和。仅对模型主效应之前的每项进行调整。一般适用于：

平衡的AN0VA 模型，在这个模型中一阶交互效应前指定主效应，二阶交互效应前指定一阶交互效应，依次类推；多项式回归模型。嵌套模型是指第一效应嵌套在第二效应里，第二效应嵌套在第三效应里，嵌套的形式可使用语句指定。

Type II 项，对其他所有效应进行调整。一般适用于：平衡的AN0VA 模型、主因子效应模型、回归模型、嵌套设计。

Type III 项，是系统默认的处理方法。对其他任何效应均进行调整。它的优势是把所估计剩余常量也考虑到单元频数中。对没有缺失单元格的不平衡模型也适用，一般适用于：Type I、Type II 所列的模型：没有空单元格的平衡和不平衡模型。

Type IV 顶，没有缺失单元的设计使用此方法对任何效应F 计算平方和。如果F 不包含在其他效应里，Type IV = Type IIIl = TypeII。如果F 包含在其他效应里，Type IV 只对F 的较高水平效应参数作对比。一般适用于：Type

I、Type lI 所列模型；没有空单元的平衡和不平衡模型。

⑥ Include intercept in model 栏选项系统默认选项。通常截距包括在模型中。如果能假设数据通过原点，可以不包括截距，即不选择此项。

5）选择比较方法在主对话框中单击“Contrasts”按钮，打开“Contrasts”比较设置对话框，如图5-9 所示。

如图5-9 Contrasts 对比设置框在“Factors”框中显示出所有在主对话框中选中的因素变量。因素变量名后的括号中是当前的比较方法。

① 选择因子在“Factors”框中选择想要改变比较方法的因子，即鼠标单击选中的因子。这一操作使“Change Contrast”栏中的各项被激活。

② 选择比较方法单击“Contrast”参数框中的向下箭头，展开比较方法表。用鼠标单击选中的对照方法。可供选择的对照方法有：

None，不进行均数比较。

Deviation，除被忽略的水平外，比较预测变量或因素变量的每个水平的效应。可以选择“Last”(最后一个水平)或“First”(第一个水平)作为忽略的水平。

Simple，除了作为参考的水平外，对预测变量或因素变量的每一水平都与参考水平进行比较。选择“Last”或“First”作为参考水平。

Difference，对预测变量或因素每一水平的效应，除第一水平以外，都与其前面各水平的平均效应进行比较。与Helmert 对照方法相反。

Helmert，对预测变量或因素的效应，除最后一个以外，都与后续的各水平的平均效应相比较。

Repeated，对相邻的水平进行比较。对预测变量或因素的效应，除第一水平以外，对每一水平都与它前面的水平进行比较。

Polynomial，多项式比较。第一级自由度包括线性效应与预测变量或因素水平的交叉。第二级包括二次效应等。各水平彼此的间隔被假设是均匀的。

③ 修改比较方法先按步骤①选中因子变量，再选比较方法，然后单击“Change”按钮，选中的(或改变的)比较方法显示在步骤①选中的因子变量后面的括号中。

④设置比较的参考类在“Reference Category”栏比较的参考类有两个，只有选择了“Deviation”或“Simple”方法时才需要选择参考水平。共有两种可能的选择，最后一个水平“Last”选项和第一水平“First”项。系统默认的参考水平是“Last”。

6)

选择均值图在主对话框中单击“Plot”按钮，打开“Profile Plots”对话框，如图5-10 所示。

在该对话框中设置均值轮廓图。

如图5-10 “Profile Plots”对话框均值轮廓图(Profile Plots)用于比

较边际均值。轮廓图是线图，图中每个点表明因变量在因素变量每个水平上的边际均值的估计值。如果指定了协变量，该均值则是经过协变量调整的均值。因变量做轮廓图的纵轴；一个因素变量做横轴。

做单因素方差分析时，轮廓图表明该因素各水平的因变量均值。

双因素方差分析时，指定一个因素做横轴变量，另一个因素变量的每个水平产生不同的线。如果是三因素方差分析，可以指定第三个因素变量，该因素每个水平产生一个轮廓图。

双因素或多因素轮廓图中的相互平行的线表明在因素间无交互效应；不平行的线表明有交互效应。

Factors 框中为因素变量列表。

Horlzontal Axis 横坐标框，选择选择“Factors”框中一个因素变量做横坐标变量。被选的变量名反向显示，单击向右拉箭头按钮，将变量名送入相应的横坐标轴框中。

如果只想看该因素变量各水平的，因变量均值分布，单击“Add”按钮，将所选因素变量移入下面的“Plots”框中。否则，不点击“Add”按钮，接着做下步。

Separate Lines 分线框。如果想看两个因素变量组合的各单元格中因变量均值分布，或想看两个因变量间是否存在交互效应，选择“Factors”框中另一个因素变量，单击右拉按钮将变量名送入“Separate Lines”框中。单击“Add”按钮，将自动生成的图形表达式送入到“Plots”栏中。分线框中的变量的每个水平将在图中是一条线。图形表达式是用“*”连接的两个因素变量名。

Separate Plots 分图框。如果在“Factors”栏中还有因素变量，可以按上述方法，将其送入“Separate Plot”框中，单击“Add”按钮，将自动生成的图形表达式送入到“Plots”栏中。图形表达式是用“*’连接的三个因素变量名。分图变量的每个水平生成一张线图。

将图形表达式送到“Plots”框后发现有错误，单击选错的变量，单击“Remove”按钮，将其取消，再重新输入正确内容。

在检查无误后，按“Continue”按钮确认，返回到主对话框。如果取消做的设置单击“Cancel”按钮 7)

选择多重比较在主对话框中单击“Post Hoc”选项，打开“Post Hoc Multiple Comparisons for Observed Means”对话框，从“Factor(s)”框选择变量，单击向右拉按钮，使被选变量进入“Post Hoc test for”框。本例子选择了“a”和“b”。

然后选择多重比较方法。在对话框中选择多重比较方法。本例子选择了“Duncan”和“Tamhane's T2”。

8）选择保存运算值图5-11 Save 对话框在主对话框中，单击“Save”按钮，打开“Save”设置对话框，如图5-11 所示。通过在对话框中的选择，可以将所计算的预测值、残差和检测值作为新的变量保存在编辑数据文件中。以便于在其他统计分析中使用这些值。

① Predicted Values 预测值 1. Unstsndardized，非标准化预测值。

2. Weighted，如果在主对话框中选择了WLS 变量，选中该复选项，将保存加权非标准化预测值。

3. Standard error，预测值标准误。

② Diagno stics 诊断值 1. Cook’s distance，Cook 距离。

2. Leverage values，非中心化 Leverage 值。

③ Residuals 残差 1. Unstsndardized，非标准化残差值，观测值与预测值之差。

2. Weighted，如果在主对话框中选择了WLS 变量，选中该复选项，将保存加权非标准化残差。

3. Standardized，标准化残差，又称Pearson 残差。

4. Studentized，学生化残差。

5. Deleted，剔除残差，自变量值与校正预测值之差。

④ Save to New File 保存协方差矩阵选中”Coefficient statistics”项，将参数协方差矩阵保存到一个新文件中。单击“File”按钮，打开相应的对话框将文件保存。

9）选择输出项在主对话框中单击“Options”按钮，打开“Options”输出设置对话框，见图5-12。

图5-12 “Options”输出设置对话框① Estimated Marginal Means 估测边际均值设置 在“Factor(s)

a nd Factor Interactions”框中列出“Model”对话框中指定的效应项，在该框中选定因素变量的各种效应项，单击右拉按钮就将其复制到“Display Means for”框中。选择主效应，则产生估计的边际均值表；选择二维交互效应产生的估计边际均值表实际上是典型的单元格均值表。选择三维交互效应也是单元格均值表。

在“Display Means for”框中有主效应时激活此框下面的“Compare main effects”复选项，对主效应的边际均值进行组间的配对比较。

Co nfidence interval adjustment 参数框，进行多重组间比较。打开下拉菜单，共有三个选项：

LSD(none)、Bonferroni、Sidak.。

② 在“Display”栏中指定要求输出的统计量 Descriptive statistics 项，输出描述统计量：观测量的均值、标准差和每个单元格中的观测量数。

Estimates of effect size 项，效应量估计。选择此项，给出η2(eta-Square)值。

它反应了每个效应与每个参数估计值可以归于因素的总变异的大小。

Observed power 复选项，选中此项给出在假设是基于观测值时各种检验假设的功效。

计算功效的显著性水平，系统默认的临界值是0.05。

Parameter estimates 项。选择此项给出了各因素变量的模型参数估计、标准误、t 检验的t 值、显著性概率和95％的置信区间。

Contrast coefficient matrix 项，显示协方差矩阵。

Homogeneity test 项，方差齐次性检验。本例子选中该项。

Spread vs.level plot 项，绘制观测量均值对标准差和观测量均值对方差的图形。

Residual plot 项，绘制残差图。给出观测值、预测值散点图和观测量数目，观测量数目对标准化残差的散点图，加上正态和标准化残差的正态概率图。

Lack of fit 项，检查变量和非变量间的关系是否被充分描述。

General estimable function 项，可以根据一般估计函数自定义假设检验。

对比系数矩阵的行与一般估计函数是线性组合的。

③ Significance level 框设置改变“Confidence intervals”框内多重比较的显著性水平。

10)

提交执行设置完成后，在多因素方差分析窗口框中点击“OK”按钮，SPSS 就会根据设置进行运算，并将结算结果输出到SPSS 结果输出窗口中。

11)

结果与分析主要输出结果：

结果分析：

方差不齐次性检验显著表5-8 方差齐次性检验表明：方差不齐次性显著，p<0.05。

方差分析：

表5-9 主效应方差分析表：在表的左上方标明研究的对象是粘虫历期。

偏差来源和偏差平方和：

Source 列是偏差的来源。其次列是“Type III Sum of Squares”偏差平方和。

Corrected Model 校正模型，其偏差平方和等于两个主效应a、b 平方和加上交互 a*b 的平方和之和。

Intercept 截距。

a 温度主效应，其偏差平方和反应的是不同温度造成对粘虫历期的差异。与

b 偏差平方相同均属于组间偏差平方和。

b 湿度主效应，其偏差平方和反应的是不同湿度计量造成的粘虫历期之差异。

a*b 温度和湿度交互效应，其偏差平方和反应的是不同温度和湿度共同造成的粘虫历期的差异。

Error 误差。其偏差平方和反应的是组内差异。也称组内偏差平方和。

Total 是偏差平方和在数值上等于截距、主效应、次效应和误差偏差平方和之总和。

Corrected Total 校正总和。其偏差平方和等于校正模型与误差之偏差平方和之总和。

df 自由度 Mean Square 均方，数值上等于偏差平方和除以相应的自由度。

F 值，是各效应项与误差项的均方之比值 Sig 进行F 检验的p 值。p≤0.05，由此得出“温度”和“湿度”对因变量“粘虫历期”在0.05 水平上是有显著性差异的。

根据方差分析表明：

不同温度（a）对粘虫历期的偏差均方是1575.434，F 值为90.882，显著性水平是 0.000，即p<0.05 存在显著性差异； 不同湿度（b）对粘虫历期的偏差均方是322.000，F 值为18.575，显著性水平是0.000，即p<0.05 存在显著性差异； 不同温度和不同湿度（a*b）共同对粘虫历期的偏差均方是19.809，F 值为1.143，显著性水平是0.358，即p>0.05 存在不显著性差异。

多重比较由于方差不齐次性，应选择方差不具有齐次性时的“Tamhane's T2”t 检验进行配对比较。表5-10 多重比较表就是“温度”各水平“Tamhane's T2”方法比较的结果。表中的各项说明参见表5-6（5.2.2 节）。

温度25℃与27℃、29℃和31℃之间都有显著性差异； 温度27℃与25℃、29℃和31℃之间都有显著性差异； 温度29℃与26℃和27℃之间都有显著性差异；与31℃无显著性差异； 温度31℃与25℃和27℃之间都有显著性差异；与29℃无显著性差异。

不同湿度水平之间无显著性差异存在，这里没有列出多重比较表。

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。

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，

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

统计分析软件SPSS详细教程

10.11统计分析软件&SPSS建立数据 目录 10.11统计分析软件&SPSS建立数据 (1) 10.25数据加工作图 (1) 11. 08绘图解答&描述性分析： (3) 2.描述性统计分析： (4) 四格表卡方检验：（检验某个连续变量的分布是否与某种理论分布一致，如是否符合正态分布） (7) 第七章非参数检验 (10) 1.单样本的非参数检验 (11) （1）卡方检验 (11) （2）二项分布检验 (12) 2.两独立样本的非参数检验 (13) 3.多独立样本的非参数检验 (16) 4.两相关样本的非参数检验 (16) 5.多相关样本的非参数检验 (18) 第五章均值检验与T检验 (20) 1.Means过程（均值检验）（ (20) 4. 单样本T检验 (21) 5. 两独立样本T检验 (22) 6.两配对样本T检验 (23) 第六章方差分析 (25) 单因素方差分析： (25) 多因素方差分析： (29) 10.25数据加工作图 1.Excel中随机取值：=randbetween(55,99) 2.SPSS中新建数据，一列40个，正态分布随机数：先在40那里随便输入一个数表示选择40个可用的，然后按一下操作步骤： 3.排序：个案排秩

4.数据选取：数据-选择个案-如果条件满足： 计算新变量： 5.频次分析：分析-统计描述-频率

还原：个案-全部 6.加权： 还原 7.画图： 11. 08绘图解答&描述性分析：1.课后题：长条图

2.描述性统计分析： （1）频数分析：

（2）描述性分析： 描述性统计分析没有图形功能，也不能生成频数表，但描述性分析可以将原始数据转换成标准化得分，并以变量形式存入数据文件中，以便后续分析时应用。 操作： 分析—描述性分析：然后对结果进行筛选，去掉异常值，就得到标准化的数据： 任何形态的数据经过Z标准化处理之后就会是正态分布的<—错误！标准化是等比例缩放的，不会改变数据的原始分布状态， （3）探索分析：（检验是否是正态分布：茎叶图、箱图） 实例：

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

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统计分析练习及答案

SPSS 统计分析练习题目 －2012-10-26 学号：________________________ 姓名：___________________________ (注：将本文件以学号+姓名.doc 的形式另存为一个文件，例2008144154葛爽.doc ，然后以附件形式发送至 all689@https://www.wendangku.net/doc/8b13352680.html, ，时间截止到2012年10月31日。没有指明数据文件名称的题目需自行在SPSS 中建立数据文件并录入相应数据，回答问题时应将SPSS 中的主要输出结果粘贴于答案中。) 1．一所国际新闻学校每年从各大高校中招募刚刚毕业的本科生参加培训，进而作为记者参加新闻工作。大多数刚刚毕业的学生以前没有任何做记者的经验，所以在正式成为一名记者之前，必须进行一段时间的学习，作为职业的预备课程。该国际新闻学校于是设计了两种培训方案： 方案A ：学生参加为期15周的全天课程听课学习，随后参加预备课程考试； 方案B ：学生直接先参加6个月的记者实习，再进行为期15周的全天课程听课学习，最后进行预备课程考试。 为了评估两种方案各自的有效性，学校随机选出了20名学生参加实验。事前还根据他们的文学等相关学科的成绩对这20人进行了分组，20人分成10组，每组中2人的成绩相近，然后随机地将2人分配去参加方案A 和方案B 的培训。 下表是这20人预备课程本学期的成绩单： 1 2 3 4 5 6 7 8 9 10 A 50 68 72 54 42 60 56 72 63 61 B 62 62 58 74 60 66 64 64 78 66 请问上面的数据是否证明了先参加实践对提高平均测试分数的效果显著？ Independent Samples Test 1.843.1911.54518.140.60006239921373013731.5455.331.143.6000623993098710987 Equal varia Equal varia assumed X F Sig.vene's Test f ality of Varian t df g. (2-taile Mean ifferenc td. Erro ifferenc Lower Upper 5% Confiden nterval of the Difference t-test for Equality of Means 因p=0.140>0.05，故不能证明先参加实践对提高平均测试分数的效果显著。 2．早在1990年，美国巴维利亚的6个省报道了他们的婴儿死亡率(每1000名活着出生的婴儿的死亡数)以及母乳喂养率(母乳喂养婴儿的比例)的数据如下： 省号码 死亡率(每1000名婴儿中的死亡人数) 母乳喂养率(%) 1 250 60 2 320 30 3 170 90 4 300 60 5 270 40

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。

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.

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