《方差分析操作.doc》由会员分享，可在线阅读，更多相关《方差分析操作.doc（6页珍藏版）》请在金锄头文库上搜索。
1、第二步 选择观测变量（因变量）：添加至【Dependent Variable（因变量）】列表框中。 选择因素变量：添加至【Fixed Variable(s)(固定因子)】列表框中。 选择随机变量：添加至【Random Variable(s)(随机因子)】列表框中。 选择协变量：添加至【Covariate(s)(协变量)】列表框中。 选择权重变量：添加至【WLS Weight(WLS权重)】列表框中。第三部（1）Full Factorial选项系统默认选项。该项选择建立全因素模型，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
2、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。（2）Custom选项建立用户自定义的方差分析模型。点择【Custom(设定)】单选钮后，【Factors & Covariates(因子与协变量)】、【Model(模型)】和【Build Term(s)(构建项)】选项被激活。在【Factors & Covariates(因子与协变量)】列表框中自动列出可以作为因素变量的变量名。在【Build Term(s)(构建项)】选项组的下拉列表框中，可以选择模型的形式。 Interaction： 选中此项可以指定任意的交互效应。 Main effects： 选
3、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。 Type I项：一般适用于平衡的ANOVA模型。 Type II项：一般适用于平衡的ANOVA模型、主因子效应模型、回归模型和嵌套设计。 Type III项：系统默认的平方和分解法。适用于平衡的ANOVA模型和非平衡的ANOVA模型。凡适用Type I和Type II的模型均可以用该法。 Type IV顶：一般适用于Type I和Type lI方法的模型、有缺失值的平衡或不平衡模型。（3）
4、 【Include intercept in model(在模型中包含截距)】复选框：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。第四部 展开【Contrast(对比)】参数框的下拉菜单，可得到各类比较方法。 None：不进行均数比较。 Deviation：偏差比较法。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。可以点选【Last(最后一个)】(最后一个水平)或【First(第一个)】(第一个水平)作为忽略的水平。 Simple：简单比较法。除去作为参考的水平外，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(最后
5、一个】或【First(第一个)】作为参考水平。 Difference：差值比较法。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比较法相反。 Helmert：Helmert法。对预测变量或因素的效应，除最后一个水平以外，都与后面的各水平的平均效应相比较。 Repeated：重复比较法。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。比较线性、二次、三次等效应，常用于估计多项式趋势。第七步 Predicted Values ：预测值。 Unstsndardized：非标准化预测值
6、。 Weighted：加权预测值。如果在主对话框中选择了WLS变量，选中该复选框，将保存加权非标准化预测值。 Standard error：预测值标准误。 Diagnostics：诊断值。 Cooks distance：Cook 距离。 Leverage values：非中心化 Leverage 值。 Residuals：残差。 Unstsndardized：非标准化残差值，即观测值与预测值之差。 Weighted：加权非标准化残差。如果在主对话框中选择了WLS变量，选中该复选框，将保存加权非标准化残差。 Standardized：标准化残差，又称Pearson残差。 Studentized：
7、学生氏残差。 Deleted：剔除自变量值与校正预测值之差。 最后可以勾选【Coefficient statistics(系数统计)】复选框，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。第八部 【Estimated Marginal Means (估计边际均值)】：估测边际均值设置。在【Factor(s) and Factor Interactions(因子和因子交互)】列表框中列出【Model(模型)】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。可以将其移入到【Display Means for(显示均值)】列表框中。 在【Display
8、 Means for(显示均值)】列表框中有主效应时，点选激活此框下面的【Compare main effects(比较主效应)】复选框，对主效应的边际均值进行组间的配对比较。 在【Confidence interval adjustment(置信区间调节)】参数框中，可以进行多重组间比较。打开下拉菜单，共有三个选项：LSD(none)、Bonferroni和Sidak方法。 在【Display(输出)】列表框中指定要求输出的统计量。 Descriptive statistics：输出描述统计量。 Estimates of effect size：效应量的估计。 Observed power：
9、功效检验或势检验。 Parameter estimates：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：显示对照系数矩阵。 Homogeneity test：方差齐次性检验。 Spread vs.level plot：绘制观测量均值对标准差和方差的图形。 Residual plot：绘制因变量的观察值对于预测值和标准化残差的散点图。 Lack of fit：拟合度不足检验。检查独立变量和非独立变量间的关系是否被充分描述。 General estimable function：可以根据一般估计函数自定义假设
10、检验。 【Significance level(显著性水平)】文本框：改变Confidence intervals(置信区间)内多重比较的显著性水平。第十部 描述统计表支持均值和标准差的Bootstrap 估计。 参数估计值表支持系数、B 的Bootstrap 估计和显著性检验。 对比结果表支持差值的Bootstrap 估计和显著性检验。 估计值表支持均值的Bootstrap 估计。 成对比较表支持平均值差值的Bootstrap 估计。 多重比较表支持平均值差值的Bootstrap 估计。 实验三实例操作：由于薪金水平的高低和所从事的职业、性别等因素都有关系。因此这里要考虑两个因素水平下的薪金
11、差异问题，即建立双因素的方差分析模型。本案例中，职业和性别是两个影响因素，而每周薪金是因变量。同时，我们也要考虑职业和性别这两个因素之间有无交互作用。具体操作步骤如下。Step01：打开对话框打开数据文件5-3.sav，选择菜单栏中的【Analyze（分析）】 【General Linear Model(一般线性模型)】【Univariate(单变量)】命令，弹出【Univariate(单变量)】对话框。这里“wage”变量表示每月薪金；“job”变量表示职业的类型；“sex”变量表示性别。提示：在使用前，请注意数据是否符合方差分析的前提条件。 Step02：选择观测变量在候选变量列表框中选择
12、“wage”变量作为因变量，将其添加至 【Dependent Variable(因变量)】列表框中。Step03：选择因素变量选择“job”和“sex”变量作为因素变量，将它们添加至【Fixed Factor(s)(固定因子)】列表框中。Step04：选择多重比较单击【Post Hoc】按钮，弹出【Post Hoc(两两比较)】对话框。在【Factors(因子)】列表框中选择“job”变量至【Post Hoc Test for(两两比较检验)】列表框，并且勾选【LSD】选项。这里表示要进行职业变量的两两多重比较。再单击【Continue】按钮，返回主对话框。Step05：其他选项选择单击【Op
13、tions】按钮，弹出【Options(选项)】对话框。勾选【Descriptive(描述性统计量)】复选框表示输出描述性统计量；勾选【Homogeneity-of-variance(方差同质性检验)】复选框表示输出方差齐性检验表。再单击【Continue】按钮，返回主对话框。Step06：完成操作最后，单击【OK(确定)】按钮，操作完成。 实例结果及分析（1）描述性统计分析表 表5-12和表5-13是对样本数据的基本描述结果。表5-12列出了各种水平下的样本个数。表5-13列出了不同职业、性别每周薪金的样本均值和标准差。从数值大小比较看，不少职业和性别之间每周薪金差异较大，说明有进一步采用方
14、差分析的必要。（2）方差齐性检验 SPSS的结果报告接着列出了方差齐性检验结果表5-14。由于这里采用的是Levene检验法，故表格首先显示Levene统计量等于0.383。由于概率P值0.856明显大于显著性水平，故认为样本数据的方差是相同的，满足方差分析的前提条件。（3）双因素方差分析检验表在表5-15中，第一行的Corrected Model是对所用方差分析模型的检验，其原假设为模型中所有的影响因素均无作用，即职业、性别及两者的交互作用等对每周薪金都无显著影响。该检验的P值远小于0.05，因此所用模型有统计学意义，以上所提到的因素中至少有一个是有显著差异的，但具体是哪些则需要阅读后面的分
15、析结果。第二行是对模型中常数项是否等于0进行的检验，虽然根据概率P值判断它显著不等于零，但它在分析中没有实际意义，忽略即可。 第三、四行分别是对职业、性别的影响效应进行的检验，其零假设分别是：职业或性别对薪金没有显著性差异。但这两行对应的相伴概率P都接近0，显然小于显著性水平0.05。可见，两者分别对薪金有显著性影响。 第五行是对职业和性别的交叉作用进行检验，可见P为0.011，小于显著性水平，表示交互作用对观测变量每周薪金有显著性影响作用。从上面方差分析结果看到，职业、性别及其两者的交互项都直接影响了每周薪金的高低，存在统计学意义下的显著差异。（4）多重比较检验结果表5-16显示了不同职业之间每周薪金均值比较结果。表中的星号表示在显著性水平0.05的条件下，相应的两组均值存在显著性差异。可以通过比较表中概率P值大小来判断职业之间的薪金水平是否有显著差异。从结果来看，药剂师和其他两个职业的每周薪金存在显著性差
