spss方差分析报告操作示范-步骤-例子
管理统计SPSS方差齐性分析实例
请分析一个班三组不同性别的同学（分别接受了三种不同的教学方法）在数学成绩上是否有显著差异？根据题意，数学成绩分数的高低可能受到不同的教学方法跟性别的的影响，因此考虑两个因素水平下成绩的差异问。
在对其进行方差齐性分析前，首先对数据进行独立性，正态性，方差齐性检验。
1独立性检验用游程检验，检验其独立性，检验结果如下：图1-1游程检验数学成绩检验值a76.83案例 < 检验值8案例 >= 检验值10案例总数18Runs 数7Z -1.176渐近显著性(双侧) .240a. 均值根据图1-1数学成绩关于游程检验的结果可以看到，游程检验的P值为0.089 大于显著性水平 =0.05，故接受原假设，即认为各位同学的数学成绩不具有相关性，所以各变量之间是独立的。
2 正态性检验图1-2单样本 Kolmogorov-Smirnov 检验数学成绩N 18正态参数a,b均值76.83标准差17.041最极端差别绝对值.244正.167负-.244Kolmogorov-Smirnov Z 1.035渐近显著性(双侧) .235a. 检验分布为正态分布。
b. 根据数据计算得到。
根据图1-2可以看到数学成绩的K-S正太分布检验显著性水平位0.235，大于0.05，故接受原假设，既数学成绩服从正太分布。
3方差齐性检验图1-3根据图1-3可以看到，sig值为0.477，明显大于显著性水平0.05，故接受原假设，即认为各样本的数学成绩具方差齐性。
主体间因子N组别0 61 62 6性别 f 7m 11从上表可以看出，组别的SIG值为0，既拒绝原假设，可以认为，在95%的置信水平下，组别既不同的教学方法对成绩的影响存在显著的差异。
性别跟组别跟性别之间的叫互影响均对数学成绩没有显著地影响。
并且也可以看到2R=0.849，调整后的2R=0.849可见方程的拟合度非常好。
问题：已知一个班三组同学的入学成绩和分别接受了三种不同的教学方法后的数学成绩如下表所示，试研究这三组同学在接受了不同的教学方法后在数学成绩上是否有显著性差异？本案例中，主要研究不同的教学方法对数学成绩的影响，但是入学成绩可能可能对数学成绩有一定的影响，但又不是我们主要关心的因素，应尽量排除入学成绩对成绩的影响，因此将入学成绩做为协变量。
spss多因素方差分析报告例子
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 M 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：把date送入Horizontal Axis，把depth送入Separate Lines，点击Add，点击Continue 回到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。
单因素方差分析，我见过的最详细SPSS教程
单因素方差分析，我见过的最详细SPSS教程一、问题与数据有研究者认为，体力活动较多的人能更好地应对职场的压力。
为了验证这一理论，某研究招募了31名受试者，测量了他们每周进行体力活动的时间(分钟)，以及应对职场压力的能力。
根据体力活动的时间数，受试者被分为4组：久坐组、低、中、高体力活动组，变量名为group。
利用Likert量表调查的总得分来评估应对职场压力的能力，分数越高，表明应对职场压力的能力越强，变量名为coping_stress。
应对职场压力的能力，可以简写为CWWS 得分。
研究者想知道，CWWS得分的高低是否取决于体力活动的时间，即coping_stress变量的平均得分是否随着group变量的不同而不同（部分数据如下图）？二、对问题的分析研究者想分析不同group间的coping_stress得分差异，可以采用单因素方差分析。
单因素方差分析适用于2种类型的研究设计：1）判断3个及以上独立的组间均数是否存在差异；2）判断前后变化的差值是否存在差异。
使用单因素方差分析时，需要考虑6个假设。
假设1：因变量为连续变量；假设2：有一个包含2个及以上分类、且组别间相互独立的自变量；假设3：每组间和组内的观测值相互独立；假设4：每组内没有明显异常值；假设5：每组内因变量符合正态分布；假设6：进行方差齐性检验，观察每组的方差是否相等。
那么进行单因素方差分析时，如何考虑和处理这6个假设呢？三、思维导图(点击图片可查看大图) 四、对假设的判断1. 假设1：因变量为连续变量；假设2：有一个包含2个及以上分类、且组别间相独立的自变量；假设3：每组间及组内的观测值相互独立。
和研究设计有关，需根据实际情况判断。
2. 假设4：每组内没有明显异常值。
如果某个组别中的某些因变量取值和其他值相比特别大或者特别小，则称之为异常值。
异常值会影响该组的均数和标准差，因此会对最终的统计检验结果产生很大的负面影响。
对于小样本研究，异常值的影响尤其显著，必须检查每组内是否存在明显异常值。
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。
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1.1倍与第二组的均值相等。
方差分析SPSS操作流程
Analyze→Compare means→ One-way ANOVA
第6页/共77页
• Welch：检验各组均数相等，当不能确定方差齐性检验时， 该统计量优于F统计量。
• Mean plot复选项，即均数分布图，横轴为分类变量，纵 轴为反应变量的均数线图;
• Missing Values栏中，选择缺失值处理方法。
①Exclude cases analysis by analysis选项，对含有缺 失值的观测量根据缺失值是因变量还是自变量从有关的分 析中剔除。
方差分析步骤
方差分析的思路： 将全部观测值的总变异按影响结果的诸因素分
解为相应的若干部分变异，构造出反映各部分变 异作用的统计量，在此基础上，构建假设检验统 计量，以实现对总体参数的推断。
检验假设： H0:三个组的总体均数相同； H1:三个组的总体均数不全相同；
第5页/共77页
单因素方差分析
• 也称有一维方差分析，对二组以上的均值加以比较。 • 检验由单一因素影响的一个（或几个相互独立的）
第2页/共77页
方差分析中的多重比较
• 目的：
• 如果方差分析判断总体均值间存在显著差异，接下来可通过 多重比较对每个水平的均值逐对进行比较，以判断具体是哪 些水平间存在显著差异。
• 常用方法备选：
• LSD法：t检验的变形，在变异和自由度的计算上利用了整个样本
信息。
• Duncan 新复极差测验法
方差相等时可选 择的比较方法
spss实验报告---方差分析
实验报告——（方差分析）一、实验目的熟练使用SPSS软件进行方差分析。
学会通过方差分析分析不同水平的控制变量是否对结果产生显著影响。
二、实验内容1、某职业病防治院对31名石棉矿工中的石棉肺患者、可疑患者及非患者进行了用力肺活量（L）测定，问三组石棉矿工的用力肺活量有无差别?（自建数据集）石棉肺患者可疑患者非患者1.82.3 2.91.42.13.21.52.1 2.72.1 2.1 2.81.92.6 2.71.72.53.01.82.33.41.92.43.01.82.43.41.8 3.32.03.5SPSS计算结果：在建立数据集时定义group1为石棉肺患者，group2为可疑患者，group3为非患者。
零假设：各水平下总体方差没有显著差异。
相伴概率为0.075，大于0.05，可以认为各个组的方差是相等的，可以进行方差检验。
从上表可以看出3个组之间的相伴概率都小于显著性水平0.05，拒绝零假设，说明3个组之间都存在显著差别。
2、某汽车经销商在不同城市进行调查汽车的销售量数据分析工作，每个城市分别处于不同的区域：东部、西部和中部，而且汽车经销商在不同城市投放不同类型的广告，调查数据放置于附件中数据文件“汽车销量调查.sav”。
（1）试分析不同区域与不同广告类型是否对汽车的销量产生显著性的影响？（2）如果考虑到不同城市人均收入具有差异度时，再思考不同区域和不同广告类型对汽车销量产生的影响差异是否改变，这说明什么问题？SPSS计算结果：（1）此为多因素方差分析相伴概率为0.054大于0.05，可以认为各个组总体方差相等可以进行方差检验。
不同地区贡献的离差平方和为7149.781，均方为3574.891；不同广告贡献的离差平方和为7625.708，均方为3812.854。
说明不同广告和不同地区对汽车销量都有显著性影响。
广告对于销量的影响略大于地区对销量的影响。
从地区这个变量比较：第一组和第三组的相伴概率为0.000，低于显著性水平，一、三组均值差异显著；第二组和第三组的相伴概率为0.028，低于显著性水平，二、三组均值差异显著。
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。
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1.1倍与第二组的均值相等。
SPSS常用分析方法操作步骤
SPSS常用分析方法操作步骤一、单变量单因素方差分析例题：某个年级有三个班，现在对他们的一次数学考试成绩进行随机抽（见下表），试在显著性水平0.005下检验各班级的平均分数有无显著差异（数据文件：数学考试成绩.sav）。
（1）建立数学成绩数据文件。
（2）选择“分析”→“比较均值”→“单因素方差”，打开单因素方差分析窗口，将“数学成绩”移入因变量列表框，将“班级”移入因子列表框。
（3）单击“两两比较”按钮，打开“单因素ANOV A两两比较”窗口。
（4）在假定方差齐性选项栏中选择常用的LSD检验法，在未假定方差齐性选项栏中选择Tamhane’s检验法。
在显著性水平框中输入0.05，点击继续，回到方差分析窗口。
（5）单击“选项”按钮，打开“单因素ANOV A选项”窗口，在统计量选项框中勾选“描述性”和“方差同质性检验”。
并勾选均值图复选框，点击“继续”，回到“单因素ANOV A选项”窗口，点击确定，就会在输出窗口中输出分析结果。
二、单变量多因素方差分析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（数据文件：粘虫.sav）。
（1）建立数据文件“粘虫.sav”。
（2）选择“分析”→“一般线性模型”→“单变量”，打开单变量设置窗口。
（3）分析模型选择：此处我们选用默认；（4）比较方法选择：在窗口中单击“对比”按钮，打开“单变量：对比”窗口进行设置，单击“继续”返回；（5）均值轮廓图选择：单击“绘制”按钮，设置比较模型中的边际均值轮廓图，单击“继续”返回；（6）“两两比较”选择，用于设置两两比较检验，本例中设置为“温度”和“湿度”。
三、相关分析调查了29人身高、体重和肺活量的数据见下表，试分析这三者之间的相互关系。
（1）建立数据文件“学生生理数据.sav”。
（2）选择“分析”→“相关”→“双变量”，打开双变量相关分析对话框。
（3）选择分析变量：将“身高”、“体重”和“肺活量”分别移入分析变量框中。
SPSS的方差分析实验报告
第三题：
1根据题目建立某商品在不同地区和不同日期的销售数据的文件,如图
2 选择菜单：【Analyze】→【General Linear Model】→【Univariate】,将“销售量”选入【Dependent Variable】,将“地区和日期”选入【Fixed Factor（s）】,选择“Options”，在【Display】中选择“Homogeneity tests”。如图所示
地区和日期0.000<0.05,拒绝原假设。地区和日期的交互作用对销售量有显著性影响
（3）是否任意两种促销方式的效果之间都存在显著差异？
3. 为研究某商品在不同地区和不同日期的销售差异性，调查收集了以下平均销售量数据
销售量
日期
周一到周三
周四到周五
周末
地区一
5000
6000
4000
6000
8000
3000
4000
7000
5000
地区二
7000
5000
5000
8000
5000
6000
8000
2 选择菜单：【Analyze】→【Compare Means】→【One-Way ANOVA】,将“月销售额”作为观测变量选入【Dependent List】,将“促销方式”作为控制变量选入【Factor】,选择按钮“Option”,打开对话框，选择方差齐性检验，观测变量的基本统计量，选择输出个水平下观测变量均值的折：
(1) 0.000<0.005拒绝原假设.说明不同的促销方式是对该类商品销售量的增长有显著影响
(2) 特价销售的促销方式好
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？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。
方差分析的SPSS过程PPT课件
均数估计
41
点击“OK”，运行结果
2024/10/16
42
➢结果输出
2024/10/16
43
有效数据例数统计
2024/10/16
44
分组统计描 述（均数、 标准差）
2024/10/16
45
方差分析表
平方 和
自由 度
均方
F值 P值
2024/10/16
46
均数估计
均数
标准误
3.16
3.26
3.82
3.28
2024/10/16
19
t检验法的不足
t 检验法适用于单样本及两样本平均数间的差异显著性检验 ⑴ 检验过程烦琐
本例中用t 检验法要进行 3次两两平均数的差异显著性检验 若有k个处理，则要作 k(k-1)/2次类似的检验
⑵无统一的试验误差，误差估计的精确性和检验的灵敏性低 ⑶推断的可靠性低，检验的 I 型错误率大
• 另一种情况是处理因素确实有作用。组间均方是 由于误差与不同处理共同导致的结果，即各样本 来自不同总体。那么，组间均方会远远大于组内 均方。MS组间＞＞MS组内。
• MS组间/MS组内比值构成F分布。用F值与其临界 值比较，推断各样本是否来自相同的总体。
2024/10/16
5ቤተ መጻሕፍቲ ባይዱ
多重比较检验问题
多重比较是通过对总体均值之间的配对比较来进一步 检验到底哪些均值之间存在差异。
方此差43案224分02平 ..4例均 28/析1方 0将/1数 6和数((xQ据i i按))区组和处153理531657组4...3843两.802个方向进行17分3594组.55.5，6540属46..于20 无重2复247数44.97据.94的9 双向34
spss操作--双因素方差分析(无重复)
2
3
4
Total
2）多重比较
Mul tiple Compa rison s Dependent Variable: 含量比 Tukey HSD Mean Difference (I) PH值 (J) PH值 (I-J) Std. 1 2 .433 3 1.033* 4 1.767* 2 1 -.433 3 .600* 4 1.333* 3 1 -1.033* 2 -.600* 4 .733* 4 1 -1.767* 2 -1.333* 3 -.733* Based on observed means. *. The mean difference is significant 95% Confidence Interval Lower Bound Upper Bound -.153 1.020 .447 1.620 1.180 2.353 -1.020 .153 1.350E-02 1.187 .747 1.920 -1.620 -.447 -1.187 -1.350E-02 .147 1.320 -2.353 -1.180 -1.920 -.747 -1.320 -.147
Mul tiple Compa rison s Dependent Variable: 含量比 Tukey HSD Mean Difference (I) 浓度 (J) 浓度 (I-J) Std. 1 2 .725* 3 1.025* 2 1 -.725* 3 .300 3 1 -1.025* 2 -.300 Based on observed means. *. The mean difference is significant 95% Confidence Interval Lower Bound Upper Bound .275 1.175 .575 1.475 -1.175 -.275 -.150 .750 -1.475 -.575 -.750 .150
spss多因素方差分析报告报告材料例子
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 M 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：把date送入Horizontal Axis，把depth送入Separate Lines，点击Add，点击Continue 回到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.，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。
【精品】spss操作--双因素方差分析(无重复)
Error .169 .169 .169 .169 .169 .169 .169 .169 .169 .169 .169 .169
Sig. .147 .004 .000 .147 .046 .001 .004 .046 .019 .000 .001 .019
at the .05 level.
结论：…..
双因素无重复析因试验方差分析
例 为了考察蒸馏水的PH值和硫酸铜溶
液浓度对血清中白蛋白和球蛋白化验结果的
影响，蒸馏水的PH取4个水平，硫酸铜溶液 浓度取三个水平。在不同的水平组合下各做 一次试验，共进行12次试验，其结果见下表。 试选择蒸馏水的PH值和硫酸铜溶液浓度的最 佳组合。
血清中白蛋白和球蛋白含量比
2
3
4
Total
Байду номын сангаас
2）多重比较
Mul tiple Compa rison s Dependent Variable: 含量比 Tukey HSD Mean Difference (I) PH值 (J) PH值 (I-J) Std. 1 2 .433 3 1.033* 4 1.767* 2 1 -.433 3 .600* 4 1.333* 3 1 -1.033* 2 -.600* 4 .733* 4 1 -1.767* 2 -1.333* 3 -.733* Based on observed means. *. The mean difference is significant 95% Confidence Interval Lower Bound Upper Bound -.153 1.020 .447 1.620 1.180 2.353 -1.020 .153 1.350E-02 1.187 .747 1.920 -1.620 -.447 -1.187 -1.350E-02 .147 1.320 -2.353 -1.180 -1.920 -.747 -1.320 -.147
spss 方差分析(多因素方差分析)实验报告
大学经济管理学院学生实验报告实验课程名称：统计软件及应用专业工商管理班级学号姓名成绩实验地点实验性质：演示性 验证性综合性设计性实验项目名称方差分析（多因素方差分析）指导教师一、实验目的掌握利用SPSS 进行单因素方差分析、多因素方差分析的基本方法，并能够解释软件运行结果。
二、实验内容及步骤(包括实验案例及基本操作步骤)实验案例：为研究某商品在不同地区和不同日期的销售差异性，调查收集了以下日平均销售量数据。
销售量日期周一至周三周四至周五周末地区一5000 6000 4000 6000 8000 3000 4000 7000 5000地区二700080008000500050006000500060004000地区三300020004000600060005000800090006000（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。
在SPSS输入数据。
（2）利用多因素方差分析法，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。
1. 选择菜单Analyze，General Linear Model，Univariate;2. 指定观测变量销售额到Dependant Variable框中；3. 指定固定效应的控制变量到Fixed Factors框中，4. OK，得到分析结果。
（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。
三、实验结论(包括SPSS输出结果及分析解释)SPSS输出的多因素方差分析的饱和模型分析：表的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；第三列是自由度；第四列是方差；第五列是F检验统计量的观测值；第六列是检验统计量的概率P-值。
F日期，，F地区，F日期*地区概率P-值分别为0.254,0.313，0.000。
如果显著性水平α为0.05，由于F日期、，F地区大于显著性水平α，所以不应拒绝原假设，不同地区和不同日期对该商品没有显著性影响。
重复测量设计资料的方差分析SPSS操作
Measure: MEASURE_1
Source FA C TO R1
FACTOR1 * GROUP
Erro r(F AC TO R 1)
Sphericity Assumed Greenhouse-Geisser Huyn h-Fe ld t Lo we r-bou nd Sphericity Assumed Greenhouse-Geisser Huyn h-Fe ld t Lo we r-bou nd Sphericity Assumed Greenhouse-Geisser Huyn h-Fe ld t Lo we r-bou nd
111
123
131
B
10
118
114
116
123
133
C
11
131
119
118
135
129
C
12
129
128
121
148
132
C
13
123
123
120
143
136
C
14
123
121
116
145
126
C
15
125
124
118
142
130
（二）分析步骤 1．建立数据文件 本例需建立6个变量： 诱导方法group：数值型，变量值定义：A=1； B=2； C=3 5个时相测量结果：诱导前收缩压T0 ；时相1收缩压T1 ；时相2收缩压T2 ； 时相3收缩压T3 ；时相4收缩压 T4 ；上述5个变量均为数值型，直接输入测量 数值。建立数据文件“例7-6.sav”如图7-23所示。
图7-23 数据文件“例7-6.sav”
spss多因素方差分析报告例子
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 M 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：把date送入Horizontal Axis，把depth送入Separate Lines，点击Add，点击Continue 回到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。
- 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)。
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。
（2）输出方差分析主效应检验结果（方差分析表）ANOVAMATHSum of Squares df Mean Square F Sig.Between Groups 314.400 4 78.600 3.252 .023Within Groups 846.000 35 24.171Total 1160.400 39上面方差分析结果显示：组间平方和为314.40，组内平方和为846.00；组间自由度为4，组内自由度为35；组间均方为78.60，组内均方为24.171；F检验统计量的值为3.252，对应的概率P值为0.023<0.05，说明在0.05的显著性水平下，在不同班主任的班级中数学成绩有显著差异。
5．单因素方差分析的Post Hoc多重比较上面分析结果显示，五个组的平均值存在显著差异，但是并不能告诉我们究竟是哪些组之间的差异显著。
如果想同时回答存在差异的原因，就需要进行平均数的多重比较。
SPSS可以直接进行平均数差异的多重比较，具体操作如下：（1）在One-Way Anova的主对话窗口，单击按钮Post Hoc…进入多重比较方法选择对话框（如图6-6所示）。
图6-6：单样本方差分析多重比较定义窗口（2）在上面对话框中有两组不同假设下的方法可供选择，上面为方差齐性前提下（Equal Variances Assumed）的方法，下面为没有假定方差齐性时（Equal Variances Not Assumed）的多重比较方法选择。
单因素方差分析的Post Hoc提供的多重比较的方法在方差齐性的假设条件下常用的主要有：LSD （最小显著差法），Duncan(Duncan多范围检验)，S-N-K(Student-Newman-Keuls检验，有称q检验)，Tukey(Honestly显著差异检验),Tukey’s-b(Tukey的另一种检验方法)，Bonferroni (Bonferroni检验),Scheffe(Scheffe检验)等，不同检验方法所依据的检验准则稍有差异，检验结果也不完全相同，这里不具体介绍各种方法的具体检验原理，感兴趣的读者可以参考有关文献（Miller,1966; Games,1971a,1971b;）。
由于在本书中只涉及方差齐性条件满足的情况，所以关于没有方差齐性假设条件或方差齐性条件不满足时的多重比较方法这里不作介绍。
在上面所举的例子中，不同任课教师担任办主任的班级，其数学成绩存在显著差异，下面我们进一步检验究竟是那两个组的差异显著。
在多重比较窗口，选择S-N-K检验，单击Continue返回主对话框。
（3）在主对话框点击OK按钮运行程序，即可输出结果。
6．多重比较结果及解释这时的输出结果，除了上面显示的方差齐性的检验结果和方差分析表外，还有多重检验的结果，多重检验结果为：MATHStudent-Newman-KeulsN S ubset for alpha = .05GROUP 1 24 8 67.003 8 69.50 69.502 8 71.50 71.505 8 74.001 8 74.50Sig. .175 .195Means for groups in homogeneous subsets are displayed.a Uses Harmonic Mean Sample Size = 8.000.上述分析结果表明，在0.05的显著性水平下，5个组可以分成同质的2个大组，第一大组包括原来的第4组、第3组和第2组；第2大组包括原来的第3组、第2组、第5组和第1组。
说明第4组、第5组与第1组的数学平均成绩存在差异，而第4组与第2组和第3组的差异不显著，第1组、第5组和第2组和第3组的差异也不显著。
二、随机区组设计的方差分析在随机区组设计中，每一区组应接受全部实验处理，每种实验处理在每一区组中重复的次数也应该相同。
利用SPSS程序可以进行被试之间的差异检验、处理之间的差异检验及各种交互效应的检验。
SPSS 中没有提供可直接用于区组设计的分析程序，但用户可以根据实验设计中具体情况选择普通因素模型（即所有的因素变量都是被试间因素）或重复测量模型（至少有一个因素变量是被试内因素）。
同一区组内的每一个被试如果接受了全部实验处理，应该选择重复测量模型；如果同一区组内的被试随机接受不同的实验处理，即一个被试只接受一种处理，则应选择普通因素模型。
不同的模型对数据的表现形式会有所不同。
普通因素模型要求实验处理结果即因变量只表现为一个，不同水平下的观测结果用因素变量的变量值加以对应区分。
在重复测量模型中，不同的实验处理结果应表现为不同的变量，不要求因素变量必须存在。
下面我们先介绍普通因素模型。
（一）、随机区组设计的普通因素模型（被试间设计）1．数据输入例7．为了研究四种夹角（15度、30度、45度和60度）条件下，缪勒－莱尔错觉试验错觉量之间的差异，随机选取4组同质被试，每组8名，总共32名被试。
每组同质的8名被试再随机分成4组，每组2人随机接受一种夹角下的缪勒－莱尔错觉试验，试验结果如下表：15度30度45度60度区组1 10.59.510.39.49.78.88.88.4区组2 10.29.89.89.79.79.58.89.0区组3 10.611.210.511.29.710.19.09.4区组4 9.59.59.59.28.99.08.38.0分析四种不同夹角条件下，缪勒－莱尔错觉试验的平均错觉量有无显著差异，并进一步说明哪些组存在差异。
我们在句法窗口（syntax）用语句输入数据，具体语句如下（文件6-6-2.sps）：DATA LIST FREE/ BLOCK COND DELUSION.BEGIN DATA.1 1 10.51 2 10.31 3 9.71 4 8.81 1 9.51 2 9.41 3 8.81 4 8.42 1 10.22 2 9.82 3 9.72 4 8.82 1 9.82 2 9.72 3 9.52 4 9.03 1 10.63 2 10.53 3 9.73 4 9.03 1 11.23 2 11.23 3 10.13 4 9.44 1 9.54 2 9.54 3 8.94 4 8.94 1 9.54 2 9.24 3 9.04 4 8.0END DATA.在句法窗口选择菜单Run/All，得到数据文件，保存为“6-6-2.sav”。
2．理论分析在上述数据文件中，共有三个变量依次是区组变量BLOCK ，实验处理的条件COND，实验结果即错觉量DELUSION。
其中BLOCK 与COND都是因素变量，并且各有四个水平。
上述实验数据的表现是基于如下假设：样本容量为32，分4个区组，每个区组有8名被试，共有4种不同的实验处理条件；在实验中，随机安排同一区组内的两名被试接受同一种实验处理，这样每一区组的被试又被随机分成了4组，每一组接受一种不同的实验处理。
现在我们的目的在于检验四种实验处理条件下错觉量是否有显著性差异，也想检验四个区组之间是否存在显著性差异。
所以从理论上属于区组设计的实验设计。
3．随机区组被试间设计的SPSS操作过程（1）单击主菜单Analyze/general linear model / Univariate…，打开主对话框。
把变量DELUSION 选入到因变量（dependent）框中，同时我们假定目前的区组数目及实验处理条件已经全部包括在实验中，所以把BLOCK 与COND都选入到固定因素（fixed factors）框中，如下图6-7所示：图6-7：一般因素方差分析主对话框（2）指定分析模型即指定在方差分析中需要哪些因素主效应或交互效应。
单击按钮Model…，进入模型（Model）设置对话框。
①Full factorial 全模型，包括所有因素主效应、交互效应、协变量主效应等。
是系统默认的模型。
②Custom 自定义模型。
用户可以选择自己实验中感兴趣的效应。
Build terms单击向下的小三角可以选择多种不同的效应，如本例中我们选择两个因素的主效应Main effects。
③Sum of 提供了四种分解平方和的方法，系统推荐第三种即回归法。
④Include intercept in model 如果选中该复选框，表明在模型中包括截距。