SPSS统计课程单因素完全随机设计
SPSS数据分析的统计方法选择
数据分析的统计方法选择小结目录数据分析的统计方法选择小结 (1)目录 (1)●资料1 (2)完全随机分组设计的资料 (2)配对设计或随机区组设计 (3)变量之间的关联性分析 (4)●资料2 (5)1.连续性资料 (5)1.1两组独立样本比较 (5)1.2两组配对样本的比较 (5)1.3多组完全随机样本比较 (6)1.4多组随机区组样本比较 (6)2．分类资料 (6)2.1四格表资料 (6)2.2 2×C表或R×2表资料的统计分析 (7)2.3 R×C表资料的统计分析 (7)2.4 配对分类资料的统计分析 (7)●资料3 (8)一、两个变量之间的关联性分析 (8)二、回归分析 (9)●资料4 (9)一．统计方法抉择的条件 (9)1．分析目的 (10)2．资料类型 (10)3．设计方法 (11)4．分布特征及数理统计条件 (12)二．数据资料的描述 (12)1．数值变量资料的描述 (13)2．分类变量资料的描述 (13)三．数据资料的比较 (14)1．假设检验的基本步骤 (14)2．假设检验结论的两类错误 (15)3．假设检验的注意事项 (15)4．常用假设检验方法 (16)四．变量间的相关分析 (17)1．数值变量（计量资料）的关系分析 (18)2．无序分类变量（计数资料）的相关分析 (18)3．有序分类变量（等级资料）等级相关 (18)●资料1完全随机分组设计的资料一、两组或多组计量资料的比较1.两组资料：1)大样本资料或服从正态分布的小样本资料(1)若方差齐性，则作成组t检验(2)若方差不齐，则作t’检验或用成组的Wilcoxon秩和检验2)小样本偏态分布资料，则用成组的Wilcoxon秩和检验2.多组资料：1)若大样本资料或服从正态分布，并且方差齐性，则作完全随机的方差分析。
如果方差分析的统计检验为有统计学意义，则进一步作统计分析：选择合适的方法（如：LSD检验，Bonferroni检验等）进行两两比较。
单因素完全随机实验设计
2.组内 3.合计
78.750 P(n-1)=28 2.813 268.875 np-1=31
注: F.01(3,28)=4.57
.
5、平方和与自由度分解
SS总变异 df=np-1
=31
6、解释
SS组间 df=p-1=3
SS组内 df=p（n-1)=28
A、各种平方和的含义
SS总变异：带有实验数据中所有的变异，包括实验处 理效应、无关变异和误差变异
F=SS最大/SS最小=36.000/10.875=3.31
.
(3)误差平方和的计算：相减法或直接计算法
完全随机实验设计的简单评价： 优点：实验设计和实施简单
不需要匹配被试 统计分析及对结果的解释简单 缺点：组内变异中混杂有被试的个体差异带来的无关变 异，导致F比率的分母项加大，从而使实验较为不敏感； 当有多个处理水平时，需要的被试量较大
μ1 μ2 … μJ … μP
.
6、适合检验的假说是： 两个或多个处理水平上的总体平均数相等，即：
H0：μ1 =μ2 = …… =μp 或处理效应为0，即： H0： αj = 0 7、单因素完全随机实验设计模型：
YiJ = μ + αj + εi(J) (i=1,2,……,n; j=1,2, ……,p) 其中：YiJ：被试 i 在处理水平 J 上的分数
i 1j 1 Y ij36420 .020
i n 1j n p 1yip j2y2 84 0 2 212.1 72 55
n py2ijA S326215 .0
i 1j 1
Pi n 1 y ij2 A 32 5 3 2 1 14 .26 5
n J 1
88
.
3、平方和的分解与计算 A、平方和分解模式
单因素分析的spss操作
单因素分析的spss操作
在SPSS中进行单因素分析的操作步骤如下：
1. 打开SPSS软件并加载数据集。
2. 选择菜单栏中的“分析”（Analyze）选项，并从下拉菜单中选择“比较均值”（Compare Means）。
3. 在弹出的子菜单中选择“独立样本T检验”（Independent-Samples T Test）或“单因素方差分析”（One-Way ANOVA），具体选择哪一种方法根据数据类型来决定。
4. 将需要进行分析的变量从“因素”的文本框中移动到“因素”框中，或将其从“因素”框中移除，具体操作根据需要来决定。
5. 点击“选项”（Options）按钮，根据需要选择不同的选项，如描述统计数据、置信区间、效应大小等。
6. 点击“确定”（OK）按钮，开始进行单因素分析。
7. SPSS将生成分析结果的输出窗口，其中包括各种统计指标，如均值、标准差、频数等，并进行相关的统计检验。
8. 可以利用SPSS提供的图表功能，如直方图、箱线图等，对数据进行可视化分析。
以上是在SPSS中进行单因素分析的一般步骤。
具体操作方法可能因SPSS版本的不同而略有差异，也可以根据数据类型和分析需求来调整具体的参数设置。
关于使用spss软件制作完全随机分组数据处理的图文演示
spss软件制作完全随机分组 数据处理过程
单击“确定”。
五、转换→重新编码到其他变量：
1、数字变量→输出变量框：选Rrandom，名 称：g：分成3组，每组5个值，则输入范围1 到5，编值为1，6到10 编值为2......之后， 单击“继续”。
五、单击“更改”，单击“确定”
6.右键点击“group”“升序排列”
三、生成随机数字
1、转换（Transform）→计算变量（Compute Variable）
2、目标变量（Target Variable）：random 函数组（Function Group）：随机数字 （Random Number）.
函数和随机变量（Functions and Special Variables）：Rv.Normal，双击选中.
数字表达式（Numberic Expression）： RV.NORMAL（100,10）.→
单击“确定”
四、生成随机数字的排列顺序
转换（Transform）→个案等级排序（Rank Cases）
变量（Variable(s)）：random(键盘输入)
将秩1指定给（Assign Rank 1 to ）“最小值” （Smallest value） →
朱君超
一、编辑原值数据：
• 注意：纵向输入
二、生成随机种子
1、转换（Transform）→随机数字生成器 （Random Number Generators）
spss方差分析报告操作示范-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 VariancesMATHLevene 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。
单因素随机区组spss操作课件
01
02
03
结果解读
根据SPSS分析结果，可以 得出不同施肥处理对小麦 产量的影响程度和显著性 水平。
结果展示
将结果整理成表格或图表 形式，方便读者理解和比 较。
结果应用
根据分析结果，为农业生 产提供科学依据，优化施 肥方案，提高小麦产量和 品质。
05
常见问题与解决方案
常见问题一：数据输入错误
数据输入错误通常是由于数据格式不正确或数据类型
输0入2
•·
不匹配导致的。
标题
01
03
2. 数据类型不匹配：确保每个变量的数据类型与其定 义的数据类型匹配。例如，年龄应该为数值型，而性
别应该为字符型。
04
1. 数据格式不正确：检查输入的数据格式是否与SPSS 要求一致。例如，日期格式是否正确，数值型数据是 否正确地输入为数值型而非文本型。
常见问题二：数据分析错误
实验设计的分类
单因素实验设计、多因素实验设计、准实验设计等。
单因素随机区组的实验设计原理
单因素
指实验中只有一个自变量。
随机区组
指将受试对象按照一定标准分成 若干区组，每个区组内的受试对 象具有相似性，不同区组间的受 试对象差异较大。
原理
通过将受试对象按照一定标准分 成不同的区组，每个区组内的受 试对象接受不同的处理，以观察 不同处理对实验结果的影响。
单因素随机区组SPSS操作课件
• SPSS软件简介
• 常见问题与解决方案 • 总结与展望
01
SPSS软件简介
SPSS软件的发展历程
1960年代 SPSS（Statistical Package for the Social Sciences）作为一款统计分析
单因素完全随机随机区组方差分析SPSS
2023.01
4
➢ 数据格式 n行2列 （指标变量、分组变量）
2023.01
5
➢ 检验环节
Analyze →Compare Means →One-Way ANOVA
2023.01
6
One-Way ANOVA 对话框
2023.01
多重比较
选项
7
Post Hoc Multiple Comparisons 对话框
单原因方差分析旳SPSS实现
2023.01
1
SPSS单原因方差分析过程名
完全随机设计方差分析： Analyze Compare Means
One－Way ANOVA
随机单位组设计方差分析： Analyze General Linear Models
Univariate
2023.01
2
1. 完全随机设计资料旳方差分析One-Way ANOVA
2023.01
3
表1 三组战士的第一秒用力肺活量(L)
对照组 锻炼组 药物组 合计 3.25 3.66 3.44 3.32 3.64 3.62 3.29 3.48 3.48 3.34 3.64 3.36 3.16 3.48 3.52 3.64 3.20 3.60 3.60 3.62 3.32 3.28 3.56 3.44 3.52 3.44 3.16 3.26 3.82 3.28
例1 某高原研究组将籍贯相同、年龄相同、身高 体重接近旳30名新战士随机分为三组，甲组为对 照组，按常规训练，乙组为锻炼组，每天除常规 训练外，接受中速长跑与健身操锻炼，丙组为药 物组，除常规训练外，服用抗疲劳药物，一月后 测定第一秒用力肺活量(L)，成果见表。试比较 三组第一秒用力肺活量有无差别。
新教材+SPSS19计算例(单因素)'(1)
尚不能认为各区组 1%蔗糖水摄取率总体 均数不同
LSD 与 Dunnett 法两两比较
对照组与各组均数 间差异均有统计学意义
除四逆散与逍遥散
外，各组均数间差异均 有统计学意义
SNK 法两两比较
对照组在1列；四君 子汤在2列； 四逆散、 逍遥散在3列。
1．
2． 3．
4．
2. 相关性检验
1． 2．
3． 4．
秩相关检验
【例9-2】 调查正常成年人脉象，记录各年龄 组弦脉阳性率，资料见表9-2，试讨论年龄 与弦脉阳性率之间是否存在秩相关关系？
编号 年龄 弦脉阳性率 1 18～20 16.7 2 21～30 12.2 3 31～40 35.2 4 41～50 74.4 5 51～60 91.7 6 61～93 100 1．
2.正态性检验与方差齐性检验 1．
1． 2．
3． 8．
4．
5． 6．
7．
2.方差分析计算
1． 2． 3．
4．
3．
双击使之进入右框
1．
2．
双击使之进入右框
8．
双击使之进入右框
4． 5．
6．
双击使之进入右框
7．
3.主要结果 Mauchly 球性检验
P=0.405>0.05, 所以资料满足球对称性条件
相关与回归
多组Ridit分析 152
线性相关性检验 46
抽样设计
秩相关检验 52
完全随机设计 160 区组随机设计 171
直线回归 54 曲线回归 64
随机抽样 181
半数致死量LD50 68
样本均数与总体均数比较的 t 检验
单因素完全随机设计
单因素完全随机设计
在实验目的明确的基础上，确定需要考察的自变量，例如不同肥料对
植物生长的影响。
然后确定处理水平，即不同肥料的配比，建议设置3个
或更多的处理水平。
随机分配处理是为了消除处理之间的差异，保证处理组和对照组之间
的随机性。
可以采用随机数表、计算机随机数或抽签的方式进行随机分配。
在实验观测中，需要收集实验数据，例如植物生长的高度或重量。
观
测结果应具备可测量性和可比性，并要求数据采集的精确性和可靠性。
数据分析是评价实验结果的关键步骤，可以采用平均数、方差、t检
验等统计方法进行分析。
平均数用于描述不同处理组之间的差异，方差用
于反映实验组内部的差异，t检验则用于判断差异是否显著。
总之，单因素完全随机设计是一种常用的实验设计方法，适用于只有
一个自变量的实验研究。
通过明确实验目的、随机分配处理、进行实验观
测和数据分析，可以得出科学结论，并广泛应用于各个学科领域的实验研
究中。
单因素完全随机设计
单因素完全随机实验设计一、单因素完全随机实验设计的基本特点单因素完全随机实验设计适用于这样的研究：研究中有一个自变量，自变量有两个或多于两个水平(p ≥2)。
它的基本方法是：把被试(实验单元)随机分配给处理(自变量)的各个水平，每个被试只接受一个水平的处理。
完全随机实验设计是用随机化的方式控制误差变异的。
它假设，由于被试是随机分配给各处理水平的，被试之间的变异在各个处理水平之间也应是随机分布、在统计上无差异的，不会只影响某一个或几个处理水平。
图中清楚地显示了单因素完全随机实验设计的特点：实验中有一个自变量，自变量有4个水平，每个处理组有4个被试，每个被试接受一个处理水平，16个被试参加了实验。
二、单因素完全随机实验设计与计算举例(一)研究的问题与实验设计一个研究要探讨文章的生字密度对学生阅读理解的影响。
研究者的假设是：阅读理解随着文章中生字密度的增加而下降。
因此，该实验有一个自变量——生字密度，研究者感兴趣的四种生字密度是：5:1(a1)、10:1(a2)、15:1(a3)、20:1(a4)。
因变量是被试的阅读理解测验分数。
实施实验时，研究者将32名被试随机分为四组，每组被试阅读一种生字密度的文章，并回答阅读理解测验中有关文章内容的问题。
这是一个典型的单因素完全随机设计，虽然研究者不再检验实验中其它因素的影响，但实际上存在着多种可能对因变量产生影响的均在变量，例如：文章的长度、文章的主题熟悉性、文章类型等、通讯被试的年龄、受教育程度、阅读能力等。
这时，控制无关变量可做的工作之一是在选取四篇文章时，使它们在除生字密度以外的其它方面尽量匹配。
(二)实验数据及其计算在本书中，数据的方差分析计算是分步进行的：首先列出计算表，然后利用计算表中的数字进行基本量的计算，最后用基本量计算各种平方和。
其中，计算表包括原始数据表和平均数表，其作用主要是帮助读者了解基本量计算公式中各数字的意义和出处，在多因素方差分析中，基本量计算公式迅速增加，计算表的帮助是特别明显的。
心理统计SPSS-第五章 因素型实验设计及方差分析过程
一、单因素完全随机实验设计方差分析（One way 方差分析）
例1 某研究者为考察喝咖啡的浓度是否影响人们反应的快慢，从某大 学一年级随机抽取了15名男生，再随机分成三组。每一学生都要喝一 杯咖啡，20分钟后测试每一被试的简单反应时间。三组所喝咖啡的浓 度分别为：淡、中、浓，实验数据如下表所示，请问：喝咖啡的浓度 对反应速度有明显影响吗？
如果进行简单效应检验，可执行类似于下的句法命令： MANOVA SCORE by A(1,2) B(1,2) /design（此句要求先输出完整的方差分析表） /design=A within B(1) A within B(2) B within A(1) B within A(2).
（ANOVA命令中不能做简单效应检验）
/Wsfactors=Angle(4) /Print=Cellinfo(means) /Design.
程序运行演示
使用 GLM 中的“ Repeated Measures” 对话框来完成例6和例7的方 差分析过程如下：
Analyze→GLM → Repeated Measures 打开对话框 ↓
在“Within-Subject Factors Name”后输入自变量名 ↓
被试号
淡
1
150
2
160
3
165
4
155
5
160
中
浓
145
145
155
130
170
140
145
150
160
130
这一实验中，得到了三组共15个数据，这些数据存在变异性，而变 异的原因可能包括：所喝咖啡的浓度不同、被试间的差异、测量带入的 随机误差。但是被试差异和测量误差带来的数据变异无法分离，所以本 研究的变异可分解为两部分：自变量水平差异引起的变异、被试差异和 测量误差带入的变异，其中后一部分叫残差。方差分析的过程是：
单因素完全随机设计
组设计还能够考察测验、历史和成熟等因素对因变量的影响。
所罗门四组设计是心理和行为科学研究中一种理想的研究设计，此种设计在内部效 度和外在效度方面均无缺点而言。但是，在研究过程中很难时找到四组同质的被试。这也 是所罗门四组设计应用的局限所在此，在研究的初幻及阶段一般不宜采用这种研究设计， 除非就实验假设作决定性检验的时候才虑加以使用。
有效控制无关因素干扰的基础上操纵自变量的变化，能够精确地测量因变量的变
化。因此只要能够严格控制无效变异来源的实验设计，都可以成为真实验设计。 在一个好的实验设计中，自变量是唯一正在被操纵的变量,而各组中的所有其他条 件都应当保持恒定。也就是，除自变量外，如果实验组和控制组的处理非常相似 , 那么因变量之间的差异一定是由自变量引起的。例如,在视错觉的实验研究中,被试
眼睛的颜色、身高、运动技能以及关于足球的识等变量可能不会影响被试的知
觉,研究者通过随机化的方法就可以平衡掉这些个体差异。但是,被试的视力和呈现 刺激的亮度等变量很可能会影响到实验的结果，研究者要对这些变量进行控制。
可以从不同的角度把真实验设计划分为不同的类型。例如从控
制无关变异方法的角度，可分为完全随机、随机区组和拉丁方设计。 从自变量数目的角度，可分为单因素和多因素设计。从被试是否接 受所有实验处理的角度，可分为被试内、被试同和混合设计。
一实验组控制组后测设计二实验组控制组前测后测设计三所罗门四组设计设计的基本模式一所罗门四组设计sodmimfopolin也称重选实物设计是由所罗门于1949年提出的一种具有两个实验组和两个控制组的随机设计其基本的设计模式为
所罗门四组设计
真实验研究设计是相对准实验研究设计和非实验研究设计而言，是
实验类研究中条件控制最为严格的一种，有时也简称实验研究设计。
SPSS计算例(单因素)
方差分析结果 1）LSD 法结果
Multiple Comparisons Dependent Variable: ESFC Mean Difference (I-J) -7.700* -8.100* -20.100* 7.700* -.400 -12.400* 8.100* .400 -12.000* 20.100* 12.400* 12.000* 7.700* 8.100* 20.100*
Robust Tests of Equality of Means ESFC Welch Brown-Forsythe Statistic 64.461 83.546
a
认为方差不齐时，可用 此结论
Sig . .000 .000
df1 3 3
df2 19.696 26.233
a. Asymptotically F distributed.
Std. Error 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284 1.284
Sig . .000 .000 .000 .000 .757 .000 .000 .757 .000 .000 .000 .000 .000 .000 .000
Minimum 9 17 17 27 9
Maximum 16 24 24 40 40
方差齐性检验
Test of Homogeneity of Variances ESFC Levene Statistic 2.896 df1 3 df2 36 Sig . .048
Levene方差齐性检 验结果为方差不齐 一般认为，Levene 方差齐性检验较为苛刻， 不太易得齐性结论
单因素分析spss操作
单因素分析spss操作单因素分析1.采集数据1.1 首先选择variable view（变量窗）在name下输入“group”在value下输入1治疗组2对照组3对照组1.2group下输入“x ”lable 下输入“住院时间”1.3打开data view （数据窗）输入你的组别共两组为1和2组和3组1组13个样本2组13个样本3组13个样本X 代表住院时间2.分析正态性2.1 选择analysis（分析）选择descriptive statistics （描述统计量）选择explore在dependent list（自变量在此处也就是x）选择“住院时间”在factor list（分组变量）Display 要展示什么一般选择both 既要统计量又要统计图Statistics （统计量如标准差中位数四分位数等）Plots（统计图）在此图选择statistics 显示下图选择描述均数的95%的可信区间在此图选择Plots 显示下图选择normality plots with tests （检验正态性）选择OK 显示下图（分析正态性）其中sig 为显著性的意思即为P值图中Sig =0.689 sig=0.846 sig=0.730 三组sig均大于0.1 （只有sig>0.1才是正态性的资料。
）3.进行单因素分析analysis（分析）选择compare means 选择one-way ANOV A（但因素分析）显示下图选择post hoc…. （进行两两比较）选中LSD 、S-N-K 、dunnett contro lcategory 三个按钮选择options 中选中homogeneit of variance test （方差齐性检验）Test variable 即为自变量（观察对象）选中住院时间Group variable 即为组别变量选中group在此图中选择Define group 显示下图进行组别输入（输入组别数字1或2）Group1 输入1Group2 输入2 （注意1带表治疗组2代表对照组3代表对照组）Group3 输入3点continue显示下图首先方差必须齐不齐的话则无法进行比较Sig.>0.1 说明方差齐亦显示下图Sig<0.05 说明三组有统计学意义三组有差别亦显示下图其中1是有区别的组；中2是无区别的组此图中1下面的框中有口服静脉组49.6154（说明口服静脉组和其它组有区别）此图中2下面的框中有口服组90.2308 和静脉组94.7692（说明口服组和静脉组无区别）。
实验：单因素完全随机SPSS操作
华东师范大学
言语听觉（语言）研究生课程班实验报告
姓名:学号：实验时间：
班级:成绩：指导老师：_________ [实验名称] 单因素完全随机实验设计的SPSS操作
[实验目的]
1.复习巩固单因素完全随机实验设计的应用。
2.掌握单因素完全随机实验设计的SPSS操作。
3.正确分析单因素完全随机实验设计的结果。
[实验内容]
下表为清华、北大、交大、复旦四所高校大一学生的高考数学成绩，分析各校间的平均数学成绩是否存在显著性差异？并从高到低排序。
具体要求：
（1）将数据处理为相应的数据结构，输入到SPSS中，并定义好变量。
数据文件以.sav格式保存，命名为“单因素完全随机实验数据”
（2）对数据进行方差分析：
a)得出其描述性统计（均值、标准差、被试数），
b)说明方差是否齐性；
c)得出方差分析的结果；
d)如果差异显著，得出多重比较结果；
e)生成均值图。
f)结合方差分析结果比较平均值，将三所学校的数学平均成绩从高到低进
行排序。
所有操作步骤填在[实验步骤]里；并将结果图表复制到[实验结果]里，进行说明。
单因素完全随机
单因素完全随机实验设计的基本特点
适用条件：研究中有一个自变量，自变量有两个或多于两个水平。 基本方法：把被试随机分配给自变量的各个水平，每个被试只接受一 个水平的处理。 误差控制：随机化法。假设被试之间的变异在各水平之间是随机分布 的，在统计上无差异。 实验设计模型：Yij = µ+αj+εi(j) (i=1,2,......,n; j=1,2,......,p) Yij 表示实验中第i个被试在第j个处理水平上的观测值。µ表示总体平 均数，αj表示水平j的处理效应，εi(j)表示误差变异。 即：总变异由两部分组成：实验处理引起的变异（αj）；误差引起的 变异（εi(j)）。
数据处理方法（SPSS统计软件）
包含的统计变量：实验的自变量A，实验的 因变量Y。 预期的统计结果：自变量A的主效应是否显 著，即 F（(P-1), P(n-1)）的P值是否小于 0.05。 实施的统计过程：analyze—compare means—One-Way ANOVA
应用举例及延伸
与该设计相关的名称：随机组实验设计， 独立组实验设计；下属的设计类型：实验 组控制组前后测设计，实验组控制组后测 设计，随机多组后测设计。 该法除了可用于实验研究，其设计思想及 数据处理方法可广泛用于问卷、测验等调 查研究。
实验设计举例
研究题目：文章的生字密度对学生阅读理解的影 响。 研究假设：阅读理解随着生字密度的增加而下降。 实验变量：自变量——生字密度，含有4个水平 （5：1、10：1、15：1、20：1）。 因变量——阅读测验的分数 实验设计：单因素完全随机实验设计 被试：32人，随机分为四组，每组接受一个自变 量处理——阅读一种生字密度的文章。
- 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)。
Std. Dev iation 8.82813 8.80778
Std. Error Mean 2.44848
2.44284
Independent Samples Test
Levene's Test for Equality of Variances
t-test for Equality of Means
Data format
sn indep dep
1 1 10
2 1 15
3 2 20
4 2 31
5 3 35
6 3 36
7.
.
C HA NG
Between Groups Within Groups Total
Sum of S qu ar es
389.897 3137.846 3527.744
A NOVA
有无实验前测
后测 前测后测
是否进行配对分组
随机等组 随机配对等组
3实验组控制组后测设计
3.1 实验组、控制组后测设计 自变量有两个水平，基本模式：
R1
X
O1
R2
O2
3.1实验组控制组后测设计-例
观看暴力电视是否导致攻击行为的增多（Eron, Huesmann, Lefkowitz & Walder,1972）
R1
X1
O1
R2
X2
O2
R3
X3
O3
Rn
Xn
On
Rn+1
On+1
3.2 例题
喝酒会不会使一个人更容易受到影响？Gustafson(1987) 研究这个假设。
作业是长度判断作业，三十九人随机分成三组:
第一组人喝果汁， 第二组人也喝果汁，但告诉他喝酒， 第三组人依其体重喝一定量酒， 之后15分钟，进行直线判断作业，75次中有60次在第一次估
进一步分析哪些处理间具有可靠的差异，进行方差分 析的事后多重比较（Multiple comparison tests）
多重比较又称事后比较post hoc comparisons，因为 比较在两组之间，所以又称配对比较（pair wise comparison）
注意:不能直接进行处理间的两两t检验比较。会使统 计检验的Ⅰ型错误的概率增大
计时，告诉他不正确，测量第二估计的改变量，为受影响状 态。
结果如下所示，问假设是否被证实。
Number of changed estimates as a function of treatment group
Control (a1) 18 2 11 3 26 18 9 24 17 21 14 19 33
(I-J) -5.3077 -7.5385 5.3077 -2.2308 7.5385 2.2308
Std. Error 3.66191 3.66191 3.66191 3.66191 3.66191 3.66191
Sig. .360 .135 .360 .831 .135 .831
95% Confidence Interval
实验组儿童观看暴力动画片 在同样长的时间里，控制组组儿童则观看非暴力的动
画片。 结果，观看暴力动画片的儿童与同伴们交往时变得更
多的攻击性，而观看非暴力动画片的儿童的攻击表现 则没有变化。 结论：经常观看暴力电视的儿童具有更多的攻击行为 的倾向
3.2 多组后测设计
实验因素具有三个或三个以上的处理水平：
Treatment group (a) Placebo (a2) 17 19 26 4 18 23 31 35 11 8 29 25 38
Alcohol(a3) 31 27 16 24 41 17 12 32 16 19 35 26 17
3.2实验组控制多组后测设计数据分析
单因素方差分析
如检验达到了显著性水平，表明在所有处理条件中至 少有两个处理条件的差异达到了显著
随机选取和分配被试，可以控制选择，被试消亡以及选择 和成熟交互作用等因素对实验结果的影响。
es not
-2.180 24.000
.039 -7.5385 3.45869 -14.67685 -.40008
关于事后比较Post Hoc Test
两个维度
保守性（conservative）：显著的标准较严格，因此较不易 达到显著，Tukey法最保守，其次为LSD法及NewmanKeuls法，最后为Duncan法；
df 2
36 38
Mean Square 194.949 87.162
F 2.237
Sig. .121
Dependent Variable: CHANG Scheffe
Multiple Compar isons
(I) TRE 控制
安慰
酒精
(J) TRE 安慰 酒精 控制 酒精 控制 安慰
Mean Difference
F
Sig.
t
95% Confidence
Interval of the
Mean Std. Error
Difference
df Sig. (2-tailed) Difference Difference Lower Upper
es assumed .094 .762 -2.180
24
.039 -7.5385 3.45869 -14.67684 -.40008
效力（powerful）：即容易达到显著，则以Duncan法最高， 其次为LSD法和Newman-Weuls法，最低为Tukey法。
当选择事后比较法时，应考虑研究的性质。
初步的探索性研究，则应该考虑强调统计效力，尽量找出可 能的差异来；
若是验证性研究，则应该考虑强调保守性。
评价
优点：
Lower Bound Upper Bound
-14.6573
4.0419
-16.8881
1.8112
-4.0419
14.6573
-11.5804
7.1189
-1.8112
16.8881
-7.1189
11.5804
C HA NG
TRE 控制 酒精
Group Statistics
N 13 13
Mean 16.5385 24.0769
单因素完全随机设计
1.什么是单因素完全随机设计
因素指自变量 随机化设计则是指采用随机化的方法分配被试
到各个实验处理中 是指研究者在实验之中操纵一个自变量，并采
用随机化的原则把被试分配到自变量的不同水 平上的一种实验设计。
2单因素完全随机设计的类别
自变量水平的多少
两等组 多等组