精华内容
下载资源
问答
  • 图1....对于这类资料的统计分析,常采用的统计分析方法为方差分析(Analysis of variance, ANOVA),也称“F检验”。本期我们先介绍完全随机设计的情况,即采用完全随机化的分组方法,将全部实验对...
    8bcb51c813340a92eaae2a3327aa2610.png243c9ff89cfd48cf11e11f74c996beac.png图1. 定量资料组间比较方法的选择在前面我们介绍了单样本均数以及两样本均数的比较,但在实际工作中,我们常常遇到的是处理因素为三个水平甚至更多,也就是我们本期要开始涉及的多样本均数的比较。对于这类资料的统计分析,常采用的统计分析方法为方差分析(Analysis of variance, ANOVA),也称“F检验”本期我们先介绍完全随机设计的情况,即采用完全随机化的分组方法,将全部实验对象分配到g(g≥3)个处理组(水平组),各组接受不同的处理,然后比较各组均数之间的差别有无统计学意义,推断处理因素的效应。该类设计在进行统计分析时,当数据满足正态分布(当样本量较大时可忽略正态性要求)且方差齐性,可采用单因素方差分析(也称“多组独立样本资料的方差分析),否则采用Kruskal-Wallis检验1:为研究茶多酚保健饮料对急性缺氧的影响,某研究者将60只小白鼠随机分成低、中、高三个剂量组和一个对照组,每组15只小白鼠。对照组给予蒸馏水0.25ml灌胃,低、中、高剂量组分别给予2.0g/kg4.0g/kg8.0g/kg的饮料溶于0.2~0.3ml蒸馏水后灌胃。每天一次,40天后对小白鼠进行耐缺氧存活时间试验,结果如下表。表1. 各组小白鼠耐缺氧时间(min)

    b30c6008d0224136946f6c375297df3d.png

    试比较不同剂量的茶多酚保健饮料对延长小白鼠的平均耐缺氧存活时间有无差别。(案例来源:《赵耐青-卫生统计学》,例8-1,P110)SPSS操作流程1、导入需要检验的数据,如下所示(组别变量中1、2、3、4分别表示对照组和低、中、高剂量组,界面原因只展示了部分数据):7ac4f0cd26b6934b7ea7d62b6e6078be.png2、正态性检验(1)选择:分析→描述统计→探索4b295a5cd0f620530f07914792995ff9.png(2)弹出“探索”主对话框。因变量列表(D):选入反应变量,本例为“耐缺氧时间”;此处要对4组分别进行正态性检验,将分组变量“组别”选入因子列表(F)。8ae16fea670181bede66f8cab5fa54bb.png(3)单击“绘图(T)”按钮,弹出“探索:图”对话框。选中带检验的正态图(O),表示进行正态性检验。点击“继续”回到主对话框,点击“确定”。d063c9dd4b94c7ff88399f60da44a153.png(4)正态性检验结果展示本例样本量较小,可直接看SW法的结果。4组正态性检验 P值均大于0.05,即4组耐缺氧时间值均满足正态性。c50abc01cdf686dbdf045c4f1568f8b3.png3、进行方差同质性检验与单因素方差分析(1)选择:分析→比较平均值→单因素ANOVA,弹出单因素方差分析对话框。994f86e369d518f18624ba88e8c08dc4.png(2)将因变量“耐缺氧时间”放入“因变量列表(E)”选项框中,将处理因素“组别”放入“因子(F)”选项框中。bad5f6d2e32c81c153386502b71181fa.png(3)点击“选项”,勾选“描述性”、“方差同质性检验”,然后点击“继续”,再点击“确定”。752dbe6991c9822750ad3a3ce37dbcf9.png(4)方差同质性检验及单因素方差分析结果解释1e20ea43de4e56f50d87a867b5b9eeea.png① 4组资料的描述性统计。② 方差同质性检验结果。方差同质性检验的原假设为各水平方差相等,即方差齐性,表中显著性值P=0.483>0.05,说明各处理组之间方差是齐的,可以采用单因素方差进行分析。③ 方差分析结果。单因素方差分析原假设为不同剂量的茶多酚保健饮料对延长小白鼠的平均耐缺氧存活时间相等,即各处理水平效果相同。ANOVA结果中,F = 26.09,P < 0.001,说明不同剂量的茶多酚保健饮料对延长小白鼠的平均耐缺氧存活时间不同,即茶多酚保健饮料剂量水平对延长小白鼠的平均耐缺氧存活时间存在显著性影响 但具体影响如何,还需要查看两两比较的结果。4、进行多重比较分析(1)同上选择:分析→比较平均值→单因素ANOVA,弹出单因素方差分析对话框。994f86e369d518f18624ba88e8c08dc4.png(2)点击“事后多重比较(H)”,上面我们已经证实各处理组之间方差是齐的,因此只需在“假定方差齐性”栏下勾选“LSD”,点击“继续”,再点击“确定”。
    两两比较的方法除了LSD法外,还有Tukey法(样本量相似时选择)、Scheffe法(样本量相差较大时选择)、Bonferroni法(结果较为保守)等;而当方差不齐时,还有Tamhane’s T2等。对于方法的选择,大家可以可找找资料或参考经典文献自学一下。
    44436988afa8294b5a2bb6fe871eec3f.png(3)多重比较分析结果解释884c451b9da2050cebbc249a4d547c5d.png结果显示,除了1-2外,1-3、1-4、2-3、2-4和3-4比较的P值均小于0.05,表明除了组1(对照组)与组2(低剂量组)的小白鼠耐缺氧存活时间无统计学差异外,其它比较组的小白鼠耐缺氧存活时间差异均存在统计学意义。8d9a92587b04a877ea20abdea928b931.png查看“描述性统计”表可知,试验组以及低、中、高剂量组小白鼠耐缺氧存活时间平均值分别为21.31±3.40 min、23.23±3.52 min、28.14±4.00 min和32.84±4.66 min,除低剂量组与试验组小白鼠耐缺氧存活时间无显著性差异外,中、高剂量组均可显著延长小白鼠耐缺氧存活时间,且随着剂量增加,效果也更显著。9369b439d942b25ab0de697848b307db.png
    展开全文
  • 多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应),也...

    - 点击上方“中国统计网”订阅我吧!-

    911bef30cf0afcab6c94c73cb6e91857.gif

    1045c1d49e86c381357d18e5943919f2.gif

    多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应),也可以分析因素之间的交互作用(交互效应),还可以进行协方差分析,以及各个因素变量与协变量的交互作用。

    根据观测变量(即因变量)的数目,可以把多因素方差分析分为:单变量多因素方差分析(也叫一元多因素方差分析)与多变量多因素方差分析(即多元多因素方差分析)。本文将重点讲述一元多因素方差分析,下篇文章将详细讲述多元多因素方差分析。

    一元多因素方差分析:只有一个因变量,考察多个自变量对该因变量的影响。例如:分析不同品种、不同施肥量对农作物产量的影响时,可将农作物产量作为观测变量,品种和施肥量作为控制变量。利用多因素方差分析方法,研究不同品种、不同施肥量是如何影响农作物产量的,并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。

    01

    分析原理

    通过计算F统计量,进行F检验。F统计量是平均组间平方和与平均组内平方和的比。

    ca410a812eb7ff366875ac14e4f34b2a.png

    这里,把总的影响平方和记为SST,它分为两个部分,一部分是由控制变量引起的离差,记为SSA(组间离差平方和),另一部分是由随机变量引起的SSE(组内离差平方和)。即SST=SSA+SSE。

    组间离差平方和SSA是各水平均值和总体均值离差的平方和,反映了控制变量的影响。组内离差平方和是每个数据与本水平组平均值离差的平方和,反映了数据抽样误差的大小程度。

    通过F值看出,如果控制变量的不同水平对观测变量有显著影响,那观测变量的组间离差平方和就大,F值也大;相反,如果控制变量的不同水平没有对观测变量造成显著影响,那组内离差平方和就比较大,F值就比较小。

    同时,SPSS还会依据F分布表给出相应的相伴概率值sig。如果sig小于显著性水平(一般显著性水平设为0.05、0.01、或者0.001),则认为控制变量不同水平下各总体均值有显著差异,反之,则不然。一般地,F值越大,则sig值越小。

    02

    SPSS分析案例

    现在有一个公司员工的工资表,想看一下员工性别“gender”与接受教育年限“edu”这两个控制变量对员工“当前工资”的影响。采用多因素方差分析法,则要分别考虑“gender”、“edu”对“当前工资”的影响,称为主效应,还要考虑“gender*edu”对“当前工资”的影响,称为交互效应。

    (1)分析步骤:将数据导入SPSS后,选择:分析—— 一般线性模型——单变量

    17e4dd3849269f585e052709f432977c.png


    (2)将“当前工资”选入因变量(也就是观测变量),将性别“gender”与受教育年限“edu”选入固定因子(也就是控制变量)。

    7b6ef1e46c9a8cf8030dfb6db36a8c00.png

    (3)选择“单变量”的“模型”,打开对话框后选择“全因子”,表示方差分析的模型包括所有因素的主效应,也包括因素之间的交互效应。然后“继续”。

    9f207921d56022bcdd23495946026671.png

    (4)打开“单变量”的“绘制”对话框,选择“gender”为横轴变量,选择“edu”为分线变量,单击“添加”,即显示这两个因素变量的交互作用,即 “gender*edu”这个交互作用变量。

    由于此例中“gender”只有两个水平,即男、女;而“edu”有多种水平。因此,如果主效应显著,则表明因素两种或多种水平之间存在显著性差异。事后可以继续对同一因素多个水平之间的均值差异进行比较,该过程称为多重比较。

    但实际上如果主效应和交互效应都达到显著,我们更关心在多因素交互作用下,因变量有什么影响。

    因此,如果交互效应显著的话,通常需要进行简单效应检验。所谓简单效应检验,是指一个因素的水平在另一个因素的某个因素的某个水平上的变异。例如我们本例中的,如果gender与edu之间存在显著的交互作用,我们可以检验当gender为“女”时,edu的各个水平之间的差异,称为edu在“女”性水平上的简单效应;以及在“男”性水平上edu各水平之间的差异,称为edu在“男”性水平上的简单效应。

    简单效应检验,实际上是把其中一个自变量固定在某一个特定的水平上,考察另一个自变量对因变量的影响。简单效应检验在SPSS里是用一个“MANOVA”命令来实现的。

    同理,当我们检验三个自变量时,若这些自变量之间的交互作用显著,需要进行简单简单效应检验,即一个因素的水平在另外两个因素的水平结合上的效应。

    也就是把两个因素固定在各自的某一个水平上,考察第三个因素对因变量的影响。也是用“MANOVA”命令来实现的。我们观察简单效应显著与否,是通过F值与sig值来看的,一般用sig值与我们设定的一个数值(0.05、0.01、或者0.001)来比较,若sig值大于该数值,说明简单效应不显著;反之,若sig值小于该数值,说明简单效应显著。

    7dd783b9c5eb445cc28c676f225ce8a0.png

    (5)打开“选项”对话框,将左边三个控制变量均移入右边,“显示均值”,同时选中“描述统计”,选中“比较主效应”。

    0bd3d5cac01595a50d4291ab0c66153c.png

    (6)点击“确定”以后,就会在SPSS查看器里显示出结果。其中,最上面的那部分代码是我们所做的操作在SPSS里具体实现的步骤的代码。下面的表格是我们想要的结果,从表格里得出结论。

    e501406111e90eebcacf847792abf58c.png

    (7)从下面的“主体间效应的检验”表格里,我们比较性别gender、受教育程度edu、及gender*edu交互作用的F值及sig值,看到edu的F值最大,sig值最小,且sig<0.05。而gender与gender*edu的sig值都大于0.05,得出结论:“gender”的主效应未达到显著,而“edu”的主效应达到显著,gender与edu的交互效应未达到显著(当交互效应达到显著时,进而可以进行简单效应检验结果),就不需要进行简单效应检验。则该公司员工“受教育程度”对员工“当前工资”的影响显著,而“性别”对“当前工资”的影响不明显。

    3322b5c10aac438c1e363bf643e238c3.png

    (8)下图为均值分布图,即为两因素edu与gender作用下,因变量员工工资的均值分布情况。通常,若交互效应不显著时,图中的因素分布线均为平行线;若交互效应显著,图中的因素分线不平行。

    此图中,将性别“gender”作为横轴变量,观察接受教育年限“edu”对因变量“当前工资”的影响。

    9f6651328588a0bd68f2be81b1cdcbc4.png

    图中得出结论:当受教育年限为20年,一般为研究生水平的时候,男女工资差别不大;受教育年限为14年,一般为专科生水平,男女工资差别不明显。但当受教育年限为8年、10年、12年、17年的时候,男女工资差别较大,尤其为8年、17年的时候,男女工资差别尤其明显。

    End.来源:SPSS科研统计

    零基础入职数据分析就业班

    课程的形式主要是“直播+录播”

    报名专享:课程项目作业+1v1班主任监督学习+爱数据学院学员专属网站+班级答疑群

    课程结束后能熟练掌握SQL、Python、Excel、PPT等工具

    适合人群:

    1.转行(岗位相关,专业相关、对数据分析感兴趣)2.从事数据分析工作,但是需要提升技能以及增加实战经验3.应届毕业生入职数据分析

    eadf7d3f65a988187df8557656cca265.png

    dad1dcd15fbe44485159a6e56aef01e4.gif
    展开全文
  • 因素方差分析是统计分析过程中使用频率非常高的一种分析方法,需要分析的数据中通常包含一个作为自变量的分类变量(类别不小于3)和一个连续变量(也可个连续变量),用于比较三个或三个以上的总体均值是否有显著...
    单因素方差分析是统计分析过程中使用频率非常高的一种分析方法,需要分析的数据中通常包含一个作为自变量的分类变量(类别不小于3)和一个连续变量(也可多个连续变量),用于比较三个或三个以上的总体均值是否有显著差异。

    本文我将用SPSS中的自带数据集salesperformance.sav为案例向大家详细介绍单因素方差分析方法的使用。

    案例数据集介绍

    将60名员工分成3组接受不同的销售培训。在培训课程结束时,对每名员工进行测验并记录他们的分数。数据文件中的每一行代表一名单独的受训者,记录了该个案被分配到的组以及测验的分数。数据集部分截图如下表所示:

    7b8eb14be107feb2edf4dbb7214f34bc.png

    第一步:了解数据

    通常我们在拿到一份数据之后,都需要通过探索性分析了解数据的分布情况,以便确定它适用于哪种统计分析方法。常用的探索性分析方法包括:输出描述性分析结果、绘制散点图/箱线图、正态分布检验,等等。

    对于我们这份数据,它很明显是希望对数据进行差异性分析,而且分类变量的中有3组类别,所以不适合用t检验,而应该用单因素方差分析。

    但使用单因素方差分析方法需要满足3个前提条件

    1. 各样本需是相互独立的随机样本;

    2. 整体的残差满足均值为0的正态分布;

    3. 不同组的方差满足方差齐性;

    因此,在方差分析之前需要对数据进行下列检验:

    1. 对因变量进行探索性分析,观察因变量的分布情况; 
    2. 方差同质性检验,以保证用于比较的不同总体具有大致相同的方差;

    第二步:判断数据是否满足方差分析的使用前提

       绘制分组箱线图观察数据  

    首先用箱线图来观察不同组别的分布差异。选择菜单中的图形 -> 图形构建器,在图库中选择箱图,双击简单箱图将它选入图表预览窗口,将变量拖至X,将得分变量拖入Y,点击确定图表对话框如下图所示:

    1bcb4cb208c14afeaae74d809e20a814.png

     得到的箱线图如下所示:

    b918e65b746d64026a854c53fb8e1b4c.png

    从箱线图可以看出,不同组别的培训得分并不相同,第一组的数据比较满足正态分布(箱线图比较对称),但第2组和第3组的数据似乎并不满足正态分布,具体情况我们需要进行进一步的分析。

    ②   判断整体残差是否满足均值为0的正态分布  

    首先需要得到得分变量的残差值。点击菜单中的分析 -> 一般线性模型 -> 单变量,将得分变量选入因变量,将变量选入固定因子,点击保存按钮,勾选未标准化的残差,点击继续,点击确定。数据视图中会得到一组新变量RES_1,即未标准化的残差值。

    d4589450daf797dc93898fccb808339a.png

    得到残差值后,对它进行探索性分析。点击菜单中的分析 -> 描述统计-> 探索,将得到的残差变量选入因变量列表,点击按钮,勾选直方图和含检验的正态图。点击继续,点击确定。得到的结果如下:47e6c65a82d2fb95ff437cc633e0f198.png8aa652370fc0bc119101a0e55a1c48bf.png

    从得到的数据分析结果来看,残差值正态性检验的显著性P值<0.05,所以数据不满足正态分布。

    因此,这份数据不适合用单因素方差分析方法,而应该使用非参数检验的方法对数据进行分析,我在《使用非参数检验方法判断多独立样本间的差异性这篇文章中对这种情况进行了详细的案例介绍,大家可以点击查看。

    这种情况在大家实际分析的过程中也经常遇到,此时你可以尝试使用参数检验和非参数检验两种方法对数据进行分析,看看两种方法得到的分析结果的异同。这里我依然尝试使用单因素方差分析方法对数据进行分析,向大家演示单因素方差分析的整个分析流程。

    第三步:对数据进行单因素方差分析

    点击菜单中的分析 -> 比较平均值 -> 单因素ANOVA检验,将得分变量选入因变量列表,将组变量选入因子列表,点击选项按钮,在选项复选框中勾选方差齐性检验,点击继续,点击确定。对话框如下图所示:

    f78bf6b83fcd9730ed1f59e0ffaa57b6.png

    得到的分析结果如下所示:

    2bfbad0eeb87994254fbde175927c1a6.pngf26de47c54a76edf33c4c9761698d5ab.png

    SPSS中对数据方差齐性检验可以和方差分析同时进行,得到上图中的数据结果。方差齐性检验表来看,显著性检验P值小于0.05,所以认为不同组间的方差不齐。这个进一步说明该案例数据不满足使用单因素方差分析的前提条件。

    单因素ANOVA检验表中,显著性p值=0.000<0.05,说明不同组别的培训得分存在显著差异。差异显著,我们就需要对不同组别进行进一步的两两比较。

    回到单因素ANOVA检验的对话框中,点击事后比较的按钮,在假定等方差列表中有多种进行组间差异检验的方案,我在此勾选最常用的邓肯(Duncun)法,点击继续,点击确定。对话框如下图所示:

    7beba75a4b94e9ac1fde31bba4c9ca18.png

    得到的分析结果如下所示:

    f55ea4296edb43219c25fc3c74db729d.png

    从上图可知,第1组的培训得分最低,且与其它组的得分存在显著差异;第3组的培训得分最高,第2组和第3组的培训得分不存在显著差异。

    方差分析两两比较的知识点在《方差分析两两比较之标记字母法详解》推文中有更详细的介绍,大家可以点击阅读。

    以上我用单因素方差分析方法对数据进行了分析,后续大家可以尝试使用非参数检验的方法对其进行分析,看看两种分析方法得到的结果是否相同。在此我就不做赘述了,有兴趣的读者可以查看历史文章,本文的拓展阅读文章如下:

    使用非参数检验方法判断多独立样本间的差异性

    方差分析两两比较之标记字母法详解

    单因素方差分析等统计分析方法在松鼠的SPSS课程中有十分详细的介绍,需要学习这些常见统计分析方法的读者可以点击,进入松鼠学堂的课程主页,购买合适的课程进行学习。

    展开全文
  • 多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应),也可以...

    662cf8e691a6c90bedfa5d509bc955fe.png

    a02ee12feb345231b5afc6f705a50369.gif

    多因素方差分析,用于研究一个因变量是否受到多个自变量(也称为因素)的影响,它检验多个因素取值水平的不同组合之间,因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应),也可以分析因素之间的交互作用(交互效应),还可以进行协方差分析,以及各个因素变量与协变量的交互作用。

    根据观测变量(即因变量)的数目,可以把多因素方差分析分为:单变量多因素方差分析(也叫一元多因素方差分析)与多变量多因素方差分析(即多元多因素方差分析)。本文将重点讲述一元多因素方差分析,下篇文章将详细讲述多元多因素方差分析。

    一元多因素方差分析:只有一个因变量,考察多个自变量对该因变量的影响。例如:分析不同品种、不同施肥量对农作物产量的影响时,可将农作物产量作为观测变量,品种和施肥量作为控制变量。利用多因素方差分析方法,研究不同品种、不同施肥量是如何影响农作物产量的,并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。

    01

    分析原理

    通过计算F统计量,进行F检验。F统计量是平均组间平方和与平均组内平方和的比。

    2c88eaed7b35f0005836f60226dca1e2.png

    这里,把总的影响平方和记为SST,它分为两个部分,一部分是由控制变量引起的离差,记为SSA(组间离差平方和),另一部分是由随机变量引起的SSE(组内离差平方和)。即SST=SSA+SSE。

    组间离差平方和SSA是各水平均值和总体均值离差的平方和,反映了控制变量的影响。组内离差平方和是每个数据与本水平组平均值离差的平方和,反映了数据抽样误差的大小程度。

    通过F值看出,如果控制变量的不同水平对观测变量有显著影响,那观测变量的组间离差平方和就大,F值也大;相反,如果控制变量的不同水平没有对观测变量造成显著影响,那组内离差平方和就比较大,F值就比较小。

    同时,SPSS还会依据F分布表给出相应的相伴概率值sig。如果sig小于显著性水平(一般显著性水平设为0.05、0.01、或者0.001),则认为控制变量不同水平下各总体均值有显著差异,反之,则不然。一般地,F值越大,则sig值越小。

    02

    SPSS分析案例

    现在有一个公司员工的工资表,想看一下员工性别“gender”与接受教育年限“edu”这两个控制变量对员工“当前工资”的影响。采用多因素方差分析法,则要分别考虑“gender”、“edu”对“当前工资”的影响,称为主效应,还要考虑“gender*edu”对“当前工资”的影响,称为交互效应。

    (1)分析步骤:将数据导入SPSS后,选择:分析—— 一般线性模型——单变量

    23d695e3f7e99d951a7aa222d46acfd6.png


    (2)将“当前工资”选入因变量(也就是观测变量),将性别“gender”与受教育年限“edu”选入固定因子(也就是控制变量)。

    19be2e9c7e30f41a524b3bed93d1e7b0.png

    (3)选择“单变量”的“模型”,打开对话框后选择“全因子”,表示方差分析的模型包括所有因素的主效应,也包括因素之间的交互效应。然后“继续”。

    889b257007412b6a3ed961356c886c16.png

    (4)打开“单变量”的“绘制”对话框,选择“gender”为横轴变量,选择“edu”为分线变量,单击“添加”,即显示这两个因素变量的交互作用,即 “gender*edu”这个交互作用变量。

    由于此例中“gender”只有两个水平,即男、女;而“edu”有多种水平。因此,如果主效应显著,则表明因素两种或多种水平之间存在显著性差异。事后可以继续对同一因素多个水平之间的均值差异进行比较,该过程称为多重比较。

    但实际上如果主效应和交互效应都达到显著,我们更关心在多因素交互作用下,因变量有什么影响。

    因此,如果交互效应显著的话,通常需要进行简单效应检验。所谓简单效应检验,是指一个因素的水平在另一个因素的某个因素的某个水平上的变异。例如我们本例中的,如果gender与edu之间存在显著的交互作用,我们可以检验当gender为“女”时,edu的各个水平之间的差异,称为edu在“女”性水平上的简单效应;以及在“男”性水平上edu各水平之间的差异,称为edu在“男”性水平上的简单效应。

    简单效应检验,实际上是把其中一个自变量固定在某一个特定的水平上,考察另一个自变量对因变量的影响。简单效应检验在SPSS里是用一个“MANOVA”命令来实现的。

    同理,当我们检验三个自变量时,若这些自变量之间的交互作用显著,需要进行简单简单效应检验,即一个因素的水平在另外两个因素的水平结合上的效应。

    也就是把两个因素固定在各自的某一个水平上,考察第三个因素对因变量的影响。也是用“MANOVA”命令来实现的。我们观察简单效应显著与否,是通过F值与sig值来看的,一般用sig值与我们设定的一个数值(0.05、0.01、或者0.001)来比较,若sig值大于该数值,说明简单效应不显著;反之,若sig值小于该数值,说明简单效应显著。

    57fcc628a0cd33baa8875323d9a4e830.png

    (5)打开“选项”对话框,将左边三个控制变量均移入右边,“显示均值”,同时选中“描述统计”,选中“比较主效应”。

    91ce87708ebb53b08806bd75c0921ccf.png

    (6)点击“确定”以后,就会在SPSS查看器里显示出结果。其中,最上面的那部分代码是我们所做的操作在SPSS里具体实现的步骤的代码。下面的表格是我们想要的结果,从表格里得出结论。

    8ab82845da818d01157b6f9d08267790.png

    (7)从下面的“主体间效应的检验”表格里,我们比较性别gender、受教育程度edu、及gender*edu交互作用的F值及sig值,看到edu的F值最大,sig值最小,且sig<0.05。而gender与gender*edu的sig值都大于0.05,得出结论:“gender”的主效应未达到显著,而“edu”的主效应达到显著,gender与edu的交互效应未达到显著(当交互效应达到显著时,进而可以进行简单效应检验结果),就不需要进行简单效应检验。则该公司员工“受教育程度”对员工“当前工资”的影响显著,而“性别”对“当前工资”的影响不明显。

    ef39d24e63c4ee9997ff63f9c4147862.png

    (8)下图为均值分布图,即为两因素edu与gender作用下,因变量员工工资的均值分布情况。通常,若交互效应不显著时,图中的因素分布线均为平行线;若交互效应显著,图中的因素分线不平行。

    此图中,将性别“gender”作为横轴变量,观察接受教育年限“edu”对因变量“当前工资”的影响。

    cbe0c4346a94b1530fc28bf372b0c30c.png

    图中得出结论:当受教育年限为20年,一般为研究生水平的时候,男女工资差别不大;受教育年限为14年,一般为专科生水平,男女工资差别不明显。但当受教育年限为8年、10年、12年、17年的时候,男女工资差别较大,尤其为8年、17年的时候,男女工资差别尤其明显。

    荐:

    【中国风动漫】除了《哪吒》,这些良心国产动画也应该被更多人知道!

    声明

    来源:SPSS科研统计,RAD极客会(ID:RAD_Geek_Club)推荐阅读,不代表RAD极客会立场,转载请注明,如涉及作品版权问题,请联系我们删除或做相关处理!

    517d86a1c958c1ef8d53d70d1aa492f7.gif

    a4d79019d921435258e1d0fae1c4007a.png

    公众号推荐

    国智清创雄安机器人研究院

    78231982721f69ca39706d5889bdc02d.png

    墨玫人工智能

    c30a47d64a5d984147a293e52b4eb46a.png

    人工智能产业链联盟

    d0cc47d83e75f44d98a658ab9f661583.png

    展开全文
  • 比如某个指标的值受不同的实验组,测量时间等因素影响,是否会产生显著的差异,这些因子的主效应、交互效应等是否显著,就需要我们用到今天所讲解的SPSS方差分析之多因素方差分析,下面通过实际案例来详细讲解。...
  • 比如某个指标的值受不同的实验组,测量时间等因素影响,是否会产生显著的差异,这些因子的主效应、交互效应等是否显著,就需要我们用到今天所讲解的SPSS方差分析之多因素方差分析,下面通过实际案例来详细讲解。...
  • 为了便于理解,我们先看一个实验案例:为研究12名高血压病人用A、B两方案疗效的差别,随机地让其中6名病人先以A法治疗,后以B法治疗;另外6名病人先B法,后A法。记录治疗后血压的下降值(kPa) ,请分析A、B两方案疗效...
  • 比如某个指标的值受不同的实验组,测量时间等因素影响,是否会产生显著的差异,这些因子的主效应、交互效应等是否显著,就需要我们用到今天所讲解的SPSS方差分析之多因素方差分析,下面通过实际案例来详细讲解。...
  • 方差分析重复测量(三)-两因素两水平重复测量上一篇我们学习了单因素重复测量方差分析,但在实际情况中,两因素的情况更见。因为在重复测量在临床上较见,如检验一款新药或者新疗法是否优秀,如果不设立相应的...
  • 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...点击“分析”——比较均值———单因素AVOVA, 如下所示: ...
  • 因素多元方差分析是指研究一个自变量和两个或两个以上因变量的相互关系的一组统计理论和方法。需满足的假设条件1. 因变量有2个或以上,为连续变量;2. 有一个自变量,为二分类或分类变量;3. 各观察对象之间相互...
  • 单向(one-way)方差分析,就是大家很熟悉的单因素方差分析(教科书上叫单向), 一般也称完全随机设计(completely randomized design)的方差分析,是指将研究对象通过完全随机化方法,分配至个不同的处理组,比较...
  • 单向(one-way)方差分析,就是大家很熟悉的单因素方差分析(教科书上叫单向), 一般也称完全随机设计(completely randomized design)的方差分析,是指将研究对象通过完全随机化方法,分配至个不同的处理组,比较...
  • 在某些实验研究中,常常需要考虑时间因素对实验的影响,当需要对同一观察单位在不同时间重复进行次测量,每个样本的测量数据之间存在相关性,因而不能简单的使用方差分析进行研究,而需要使用重复测量方差分析。...
  • 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...
  • 分析方法:使用方差分析对自变量进行筛选,然后建议多元回归方差,进一步考察变量的影响,在此基础上,有利用最优尺度回归深入探讨自变量可能的各种复杂作用趋势,并利用水平模型深入分析了信心指数变异在时间水平...
  • 22.1多元方差分析 22.1.1理论介绍 22.1.2函数介绍 22.1.3应用示例的分析 22.2判别分析 22.2.1概述 22.2.2马氏距离 22.2.3图像平均法 22.3实验设计分析 22.3.1基本理论 22.3.2函数介绍 22.3.3应用示例的...
  • Excel数据分析与图表应用案例精粹_光盘 杨广于 清华大学出版社,2012 目录 第1章 公式与函数基本操作 1  1.1 Excel公式的基本操作 1  1.1.1 公式的输入与编辑 1  1.1.2 公式中的运算符 2  1.1.3 单元格的引用...
  • 3.一元多因素方差分析模型的原理、案例操作和结果解读; 4.多元方差分析模型和重复测量方差分析模型的原理、案例操作和结果解读; 5.相应的图形工具在分析中的应用和操作; 6.练习及答疑 第七讲 相关分析模型 ...
  • 协方差分析适用于多个自变量...协方差分析的条件:除了满足一般的方差分析条件外,还需要满足“平行性检验”。协方差分析是回归分析和方差分析的结合。案例:运动干预对高血压人群的治疗效果研究实验设计(简化版):...
  • 我曾向大家介绍了正态分布,在不少案例中也对数据使用过正态性检验方法,对正态分布这个知识点不是很了解的读者可以阅读下面的这两篇延伸文章:统计基础:【28】正态的世界案例实战|单因素方差分析详解在开展很种...
  • 案例来源:中华护理杂志2018年7期一.案例北京市社区失能老年人的照护需求及其影响因素。方法:采用阶段随机抽样法...解析在进行影响失能老年人照护需求的单因素分析时,根据资料情况选择t检验、方差分析或秩和检...
  • 案例来源:中华护理杂志2018年7期一.案例北京市社区失能老年人的照护需求及其影响因素。方法:采用阶段随机抽样法...解析在进行影响失能老年人照护需求的单因素分析时,根据资料情况选择t检验、方差分析或秩和检...
  • 在房地产投资环境的评价过程中,评价指标往往考虑的因素比较,评价过程比较繁琐。本文用主成分分析的方法在评价的过程中选取指标的主成分,对评价指标进行约简,提高评价的效率。在对评价指标进行赋权时,主成分分析...
  • 2.1 案例分析:预测燃油效能 2.2 主题 2.3 总结 第3章 数据预处理 3.1 案例分析:高内涵筛选中的细胞分组 3.2 单个预测变量数据变换 3.3 个预测变量数据变换 3.4 处理缺失值 3.5 移除预测变量 3.6 增加预测变量 ...
  • 临度简单讲解了基础统计的知识,如:两组定量资料的分析思路之t检验多组样本比较之方差分析 列联表之卡方检验之后介绍了logistic回归,如:统计分析之logistic回归单因素logistic回归分析案例多因素logistic回归案例...

空空如也

空空如也

1 2
收藏数 29
精华内容 11
关键字:

多因素方差分析案例