(整理)SPSS处理多元方差分析例子.

实验三多元方差分析

一、实验目的

用多元方差分析说明民族和城乡对人均收入和文化程度的影响。

二、实验要求

调查24个社区，得到民族与城乡有关数据如下表所示，其中人均收入为年

均，单位百元。文化程度指15岁以上小学毕业文化程度者所占百分比。试依此

数据通过方差分析说明民族和城乡对人均收入和文化程度的影响。

三、实验内容

1．依次点击“分析”---- “常规线性模型”----“多变量”，将“人均收入”和“文化程度”

加到“因变量”中，将“民族”和“居民”加到“固定因子”中，如下图一所示。

民族农村城市

人均收入文化程度人均收入文化程度

1 46，50，60，68 70，78，90，93 52，58，72，75 82，85，96，98

2 52，53，63，71 71，75，86，88 59，60，73，77 76，82，92，93

3 54，57，68，69 65，70，77，81 63，64，76，78 71，76，86，90

【图一】

2.点击“选项”，将“输出”中的相关选项选中，如下图二所示：

【图二】

3.点击“继续”，“确定”得到如下表一的输出：

【表一】

常规线性模型

主体间因子

值标签N

民族 1.00 1 8

2.00 2 8

3.00 3 8

居民 1.00 农村12

2.00 城市12

描述性统计量

民族居民均值标准差N

人均收

入 1 农村

56.0000

9.93311 4 城市

64.2500

11.02648

4 总计

60.1250 10.66955

8

2 农村59.7500 8.99537 4

城市67.2500 9.10586 4

总计63.5000 9.28901 8 3 农村62.0000 7.61577 4

城市70.2500 7.84750 4

总计66.1250 8.40812 8 总计农村59.2500 8.45442 12 城市67.2500 8.89458 12

总计63.2500 9.41899 24

文化程度1 农村82.7500 10.68878 4

城市90.2500 7.93200 4

总计86.5000 9.59166 8 2 农村80.0000 8.28654 4

城市85.7500 8.18026 4

总计82.8750 8.21910 8 3 农村73.2500 7.13559 4

城市80.7500 8.77021 4

总计77.0000 8.41767 8 总计农村78.6667 9.00841 12 城市85.5833 8.53291 12

总计82.1250 9.27977 24

协方差矩阵等同性的 Box 检验(a)

Box 的 M 12.397

F .587

df1 15

df2 1772.187

Sig. .887

检验零假设，即观测到的因变量的协方差矩阵在所有组中均相等。

a 设计: Intercept+A+B+A * B

多变量检验(d)

效应值 F 假设 df 误差 df Sig. 偏 Eta

方

非中心。参

数

观察到的

幂(a)

截距Pillai 的

跟踪.995

1832.265

(b)

2.000 17.000 .000 .995 3664.530 1.000

Wilks 的.005 1832.265 2.000 17.000 .000 .995 3664.530 1.000

Lambda (b) Hotelling

的跟踪215.561

1832.265

(b)

2.000 17.000 .000 .995 3664.530 1.000

Roy 的最

大根215.561

1832.265

(b)

2.000 17.000 .000 .995 3664.530 1.000

A Pillai 的

跟踪

.901 7.378 4.000 36.000 .000 .450 29.511 .991 Wilks 的

Lambda .101

18.305(b

)

4.000 34.000 .000 .683 73.221 1.000

Hotelling

的跟踪

8.930 35.720 4.000 32.000 .000 .817 142.882 1.000 Roy 的最

大根8.928

80.356(c

)

2.000 18.000 .000 .899 160.712 1.000

B Pillai 的

跟踪

.205 2.198(b) 2.000 17.000 .142 .205 4.397 .386 Wilks 的

Lambda

.795 2.198(b) 2.000 17.000 .142 .205 4.397 .386 Hotelling

的跟踪

.259 2.198(b) 2.000 17.000 .142 .205 4.397 .386 Roy 的最

大根

.259 2.198(b) 2.000 17.000 .142 .205 4.397 .386 A * B Pillai 的

跟踪

.016 .071 4.000 36.000 .991 .008 .282 .063 Wilks 的

Lambda

.984 .067(b) 4.000 34.000 .991 .008 .268 .062 Hotelling

的跟踪

.016 .063 4.000 32.000 .992 .008 .253 .061 Roy 的最

大根

.016 .142(c) 2.000 18.000 .868 .016 .284 .069