24小时热门版块排行榜&&&&
(初入文坛)
在线: 8.7小时
虫号: 1316245
注册: 性别: MM专业: 基础兽医学
谁能帮我做一下下面数据的单因素方差分析。要结果分析。。
1.00& & & & 3.42
1.00& & & & 3.70
1.00& & & & 1.68
1.00& & & & 7.72
1.00& & & & 3.71
2.00& & & & 3.86
2.00& & & & 1.67
2.00& & & & -1.31
2.00& & & & 3.80
2.00& & & & 4.15
2.00& & & & 1.25
3.00& & & & -.90
3.00& & & & 6.11
3.00& & & & 4.41
3.00& & & & -.30
3.00& & & & 8.11
3.00& & & & 5.21
4.00& & & & -.01
4.00& & & & 1.45
4.00& & & & 3.48
4.00& & & & .96
4.00& & & & 6.81
5.00& & & & 4.56
5.00& & & & 3.36
5.00& & & & 1.57
5.00& & & & 3.36
5.00& & & & 5.74
5.00& & & & 3.22
6.00& & & & 7.08
6.00& & & & 8.52
6.00& & & & .50
6.00& & & & 7.05
6.00& & & & 4.19
7.00& & & & 7.32
7.00& & & & 1.17
7.00& & & & -3.32
7.00& & & & -1.20
7.00& & & & 3.59
7.00& & & & 4.40
8.00& & & & 8.77
8.00& & & & 8.00
8.00& & & & 6.98
8.00& & & & 5.16
8.00& & & & 6.38
8.00& & & & 6.57
& 猜你喜欢
已经有0人回复
已经有9人回复
已经有220人回复
已经有0人回复
已经有7人回复
已经有4人回复
已经有1人回复
已经有0人回复
已经有1人回复
已经有3人回复
智能机器人
(super robot)
我们都爱小木虫
找到一些相关的精华帖子，希望有用哦~
已经有659人回复
已经有10人回复
已经有12人回复
已经有6人回复
已经有10人回复
已经有4人回复
已经有10人回复
已经有3人回复
已经有4人回复
已经有3人回复
已经有12人回复
已经有4人回复
已经有10人回复
已经有2人回复
已经有6人回复
科研从小木虫开始，人人为我，我为人人
相关版块跳转
我要订阅楼主
的主题更新
小木虫,学术科研互动社区,为中国学术科研免费提供动力
违规贴举报删除请联系客服电话： 邮箱：（全天候） 或者 QQ:
广告投放与宣传请联系 李想 QQ：
QQ：&&邮箱：
Copyright &
MuChong.com, All Rights Reserved. 小木虫 版权所有当前位置： >>
单因素方差分析
统 计 学数学实验报告 告单因素方差分析单因素方差分析颜俊芳 08 房产（1）班 学号
摘要 统计学是关于数据的科学，它所提供的是一套有关数据收集、处理、分析、解释数据 并从数据中得出结论的方法， 统计研究的是来自各个领域的数据。 单因素方差分析也是统计 学分析的一种。单因素方差分析研究的是一个分类型自变量对一个数值型因变量的影响。 关键字 单因素、方差、数据统计 方差分析（analysis of variance，ANOVA）就是通过检验各总体的均值是否相等来判 断分类型自变量对数值型因变量是否有显著影响。 当方差分析中之涉及一个分类型自变量时 称为单因素方差分析(one-way analysis of variance). 单因素方差分析研究的是一个分类型自变量对一个数值型因变量的影响。 例如要检验汽 车市场销售汽车时汽车颜色对销售数据的影响， 这里只涉及汽车颜色一个因素， 因而属于单 因素方差分析。 为了更好的理解单因素方差分析，下面举个例子来具体说明单因素方差所要解决的问 题。从 3 个总体中各抽取容量不同的样本数据，结果如下表 1 所示。检验 3 个总体的均值之 间是否有显著差异（α=0.01）P29210.1 样本 1 158 148 161 154 169 如果要进行单因素方差分析时， 就需要得到一些相关的数据结构， 从而对那些数据结构 进行分析，如下表 2 所示： 样本 2 153 142 156 149 样本 3 169 158 180分析步骤 1.提出假设 与通常的统计推断问题一样，方差分析 方差分析的任务也是先根据实际情况提出原假设 H0 与备 方差分析 择假设 H1，然后寻找适当的检验统计量进行假设检验 假设检验。本节将借用上面的实例来讨论单因素 假设检验 试验的方差分析问题。表中的数据可以看成来自 s 个不同总体（每个水平对应一个总体）的样本值，将各个总体 ,则按题意需检验假设 的均值依次记为不全相等 2. 构造检验的统计量 （1）计算个样本的均值 假如从第 i 个总体中抽取一个容量为 i1 的简单随机样本，令 xi 为第 i 个总体样本的样本 均值，则有∑xxi =j =1niijnii其中：i = 1,2,..., k式中，n 为第 i 个总体的样本量的第个观测值。例如根据上表 1 中的数据，分别计算5三个样本的均值为:∑x样本 1 的均值 xi 1=j =11jn1=158 + 148 + 161 + 154 + 169 = 158 5由此可得样本 2、样本 3 的均值分别为 150，169 计算全部观测值的总均值。 （2）计算全部观测值的总均值。 它是全部观测值的总和除以观测值的总个数，令总均值为 x ，则公式为k∑x=i =1∑ xijj =1nikn=∑n xi =1 iin根据上表 1 中的数据我们可得出三个样本的总均值为k∑x=i =1∑ xijj =1nik12 12 158 + 148 + 161 + 154 + 169 + 153 + 142 + 156 + 149 + 169 + 158 + 180 = 12 = 158.083=∑n xi =11 i（3）计算各误差平方和 为构造检验计算量，在单因素方差分析中，需要计算三个误差平方和，即总平方和、 组建平方和（因素平方和）、组内平方和（误差平方和或残差平方和）。 ①总平方和（sum of squares for total）,记为 SST，它是全部观测值 xij 与总观测值x 的误差平方和，其计算是为SST = ∑i =1k∑ (xj =1niij? x)例如在前面式中我们已经计算出 x = 158.083 ，计算出的总平方和为SST = (158?158.083) + ...(180 ?158.083) = 2 2②组间平方和 （sum of squares for factor A） ,记为 SSA。 它是各组均值 x（ i = 1,2,..., k ） i 与总均值 x 的误差平方和，反映各个样本之间的差异程度，因此又称为因素平方和。其计算 公式为SSA = ∑ ni ( x i ? x) 2i =1k例如根据上面计算的有关结果，计算组建平方和为SSA = ∑ ni ( x i ? x) 2 =i =135 × (158 ? 158.083) 2 + 4 × (150 ? 158.083) 2 + 3 × (169 ? 158.083) 2 = 618.918③组内平方和（sum of squares for error）,记为 SSE。它是每个水平或组的各样本 数据与其组均值的误差平方和， 反映每个样本观测值的离散状况。 该平方和反映了随机误差 的大小，其计算公式为：SSE = ∑i =1k∑ (xj =1niij? xi )2在上例中先求出各样本数据与其均值的误差平方和，然后将三个误差平方和加总，即 SSE。 计算误差平方和分别为：5样本 1：∑ (xj =11j? x1 ) 2 = (158 ? 158) 2 + (148 ? 158) 2 + ... + (169 ? 158) 2 = 246由此可得，样本 2 、样本 3 的误差平方和为 110,242 然后将其加总可以得到：246+110+242=598 上述三个平方和的关系为k i =1 nj j =1 ij∑ ∑ (x? x) =2k i =1∑ ∑ (xj =1niij? x ) + ∑ ni ( x i ? x ) + ∑2 i =1 i =1kk∑ (xj =1niij? xi )2即总平方和（SST）=组间平方和（SSA）+组内平方和（SSE） 从上面计算结果也可以证明这一点：.918+598 （4）、计算统计量 ）、计算统计量三个平方和所对应的自由度分别为： SST 的自由度为 n-1，其中 n 为全部观测值的个数。 SSA 的自由度为 k-1，其中 k 为因素水平（总体）的个数。 SSE 的自由度为 n-k。 由于要比较组内均方与组间均方之间的差异，所以通常只能计算 SSE 的均方与 SSA 的均方。 SSA 的均方也称为组间均方或者组间方差，记为 MSA，其计算公式为：MSA =组间平方和 SSA = 自由度 k -1例如，根据例题计算的 MSA 为：MSA =SSA 618.918 = = 309. 459 k -1 3 ?1SSE 的均方差也称为组内均方或者组内方差，其计算公式为：MSE =组内平方和 SSE 598 = = = 66.444 自由度 n - k 12 ? 3将上述与 MSA 与 MSE 进行对比，即得到所需要的检验统计量 F。当 H 0 为真时，二者的比 较服从分子自由度为 k ? 1 、分母自由度为 n ? k的F分布，即F=MSA ~ F（k - 1，n - k） MSE MSA 309.459 = = 4.657 MSE 66.444统计决策根据本例计算，得：F=二、根据给定的显著性水平α，在 F 分布表中查找分子自由度 df 1 = k ? 1 、分母自由度df 2 = n - k相应的临界值F k - 1、n ? k ) 。 （ α若 F＞F 则拒绝原假设H 0 :μ = μ = μ ，表明μ (i = 1、.、 ) 之间有显著差异，检验的 2 ..k α 1 2 k i 因素对观测值有显著影响。 若 F＜F 则不拒绝原假设H 0 :μ = μ = μ ，没有证据表明μ (i = 1、.、 ) 之间有显著 2 ..k α 1 2 k i 差异，即这时还不能认为所检验的因素对观测值有显著的影响。 根据上面的计算结果，计算出的 F = 4.657 。若取显著性水平α=0.01，分子自由度df 1 = k ? 1 =3-1=2 和分母自由度 df 2 = n - k = 12 - 3 = 9 ，查 F 分布表得到临界值F0.01 (2,9) = 4.2365.则 F＞Fα，即所检验的因素对观测值有显著的影响。三、 用 Excel 进行方差分析 操作步骤： 第 1 步：选择【工具】下拉菜单，并选择【数据分析】选项。 第 2 步：在分析工具中选择【单因素方差分析】，然后单击【确定】。 第 3 步：在对话框出现时： 在【输出区域】方框内输入数据单元格区域 A2：C4。 在【α】方框内输入 0.01 在【输出选项】中选择输出区域。结果如图 3 所示。单击【确定】后得到的输出 结果如图 4 所示。超链接\Book1.xls 表 3、用 Excel 进行方差分析步骤表 4，Excel 输出的方差分析结果从方差分析表可以看见， 由于 F=4.6574＞ F0.01 ( 2,9) = 4.2365， 所以拒绝原假设 表明μ ,μ ,μ 之间的差异显著的。 1 2 3μ = μ2 = μ3 1四、学习统计学的收获 虽然我们的统计学课程才十周， 但我从中受益匪浅， 本次的统计学课程也是我大学生活 中不可或缺的重要经历，其收获和意义可见一般。首先，我可以将自己所学的知识应用于以 后的实际工作中，理论和实际是不可分的，在学习中使我的知识得到了巩固,第二，统计学 的课程也是一门比较新颖的课， 注重我们实际上机操作能力的培养， 是真正意义上的多媒体 教学，让老师教得轻松，我们也学得愉快。 在统计学课程的学习中， 我认识到了统计学在生活中的应用非常广泛， 也具有重大的意 义，同时也给我认识到了学好统计学是非常有必要的。希望在以后的时间里，还有机会去获 得更多的统计学知识。 参考文献： 参考文献： 1、《统计学》第四版 中国人民大学出版社 2、《大学计算机基础教程》 人民邮电出版社 、 3、《统计学》 第二版 清华大学出版社
单因素方差分析解释_数学_自然科学_专业资料。所谓单因素方差分析就是在某因素作用下, 以该因素为区分依据分别得到几组数据, 并从几 组数据方差的差异来推断该因素...单因素方差分析方法_数学_自然科学_专业资料。spss 教程:单因素方差分析 ? ? | ? 1 ? 2 ? 3 ? 4 ? 5 ? 6 ? 7 分步阅读 用来测试某一个控制变量的...单因素方差分析的计算步骤_数学_自然科学_专业资料。一、 单因素方差分析的计算步骤假定实验或观察中只有一个因素(因子) A ,且 A 有 m 个水平,分别记为 A1 ...用SPSS进行单因素方差分析和多重比较_计算机软件及应用_IT/计算机_专业资料。用SPSS进行单因素方差分析和多重比较 SPSS――单因素方差分析 单因素方差分析 单因素...数理统计与随机过程数据处理作业――单因素方差法分析显著性差异 化学实验室需要检验 A、B、C 三种催化剂的催化活性是否有显著性差异, 在相同的温度,压力等条件下...单因素方差分析_数学_自然科学_专业资料。单因素方差分析 SPSS17.0操作 单因素方差分析 定义: 单因素方差分析测试某一个控制变量的不同水平是否给观察变量造成了...单因素方差分析_基础医学_医药卫生_专业资料。用spps做单因素方差分析 方差分析的基本原理:用一定方法来比较组内变异(随机变异)和 组间变异(处理因素导致的变异)...单因素方差分析方法_理学_高等教育_教育专区。举例说明如何在Excel中实现单因素方差分析及方差分析 单因素方差分析方法首先在单因素试验结果的基础上,求出总方差 V、...spss 单因素方差分析例子_数学_自然科学_专业资料。第一题:data0706-nutrition 为地衣(lichen)、树叶成叶和嫩叶的 蛋白质和可溶性碳水化合物(water soluble ...方差分析: (1)总平方和的分解; (2)自由度分解; (3)F 检验 6. 举例 7. 多重比较 1.1.1 一般表达形式 首先通过一个例子引出单因素方差分析方法。 某...
All rights reserved Powered by
www.tceic.com
copyright &copyright 。文档资料库内容来自网络，如有侵犯请联系客服。单因素方差分析是指只涉及_中华文本库
非常遗憾！在本库中没有找到与&"单因素方差分析是指只涉及"&相关的文本单因素方差分析
多因素方差分析
多因素方差分析是对一个独立变量是否受一个或多个因素或变量影响而进行的方差分析。SPSS调用“Univariate”过程，检验不同水平组合之间因变量均数，由于受不同因素影响是否有差异的问题。在这个过程中可以分析每一个因素的作用，也可以分析因素之间的交互作用，以及分析协方差，以及各因素变量与协变量之间的交互作用。该过程要求因变量是从多元正态总体随机采样得来，且总体中各单元的方差相同。但也可以通过方差齐次性检验选择均值比较结果。因变量和协变量必须是数值型变量，协变量与因变量不彼此独立。因素变量是分类变量，可以是数值型也可以是长度不超过8的字符型变量。固定因素变量(Fixed Factor)是反应处理的因素;随机因素是随机地从总体中抽取的因素。
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。
不同温度与不同湿度粘虫发育历期表
相对湿度（%）
数据保存在“”文件中，变量格式如图5-1。
1）准备分析数据
在数据编辑窗口中输入数据。建立因变量历期“历期”变量，因素变量温度“A”，湿度为“B”变量，重复变量“重复”。然后输入对应的数值，如图5-6所示。或者打开已存在的数据文件“”。
数据输入格式
2）启动分析过程
点击主菜单“Analyze”项，在下拉菜单中点击“General Linear Model”项，在右拉式菜单中点击“Univariate”项，系统打开单因变量多因素方差分析设置窗口如图5-7。
图5-7 多因素方差分析窗口
3）设置分析变量
设置因变量: 在左边变量列表中选“历期”，用向右拉按钮选入到“Dependent Variable：”框中。
设置因素变量: 在左边变量列表中选“a”和“b”变量，用向右拉按钮移到“Fixed
Factor(s):”框中。可以选择多个因素变量。由于内存容量的限制，选择的因素水平组合数(单元数)应该尽量少。
设置随机因素变量: 在左边变量列表中选“重复”变量，用向右拉按钮移到“到Random Factor(s)”框中。可以选择多个随机变量。
设置协变量：如果需要去除某个变量对因素变量的影响，可将这个变量移到“Covariate(s)”框中。
设置权重变量：如果需要分析权重变量的影响，将权重变量移到“WLS Weight”框中。
4）选择分析模型
在主对话框中单击“Model”按钮，打开“Univariate
Model”对话框。见图5-8。
图5-8 “Univariate
Model” 定义分析模型对话框
Model栏中，指定分析模型类型。
Factorial选项
此项为系统默认的模型类型。该项选择建立全模型。全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。此项是系统缺省项。
② Custom选项
建立自定义的分析模型。选择了“Custom”后，原被屏蔽的“Factors & Covariates”、“Model”和“Build Term(s)”栏被激活。在“Factors & Covariates”框中自动列出可以作为因素变量的变量名，其变量名后面的括号中标有字母“F”；和可以作为协变量的变量名，其变量名后面的括号中标有字母“C”。这些变量都是由用户在主对话框中定义过的。根据表中列出的变量名建立模型，其方法如下：
在“Build Term(s)”栏右面的有一向下箭头按钮（下拉按钮），单击该按钮可以展开一小菜单，在下拉菜单中用鼠标单击某一项，下拉菜单收回，选中的交互类型占据矩形框。有如下几项选择：
Interaction 选中此项可以指定任意的交互效应；
Main effects 选中此项可以指定主效应；
指定所有2维交互效应；
指定所有3维交互效应；
指定所有4维交互效应
指定所有5维交互效应。
③ 建立分析模型中的主效应：
在“Build Term(s)”栏用下拉按钮选中主效应“Main
effects”。
在变量列表栏用鼠标键单击某一个单个的因素变量名，该变量名背景将改变颜色(一般变为蓝色)，单击“Build Term(s)”栏中的右拉箭头按钮，该变量出现在“Model”框中。一个变量名占一行称为主效应项。欲在模型中包括几个主效应项，就进行几次如上的操作。也可以在标有“F”变量名中标记多个变量同时送到“Model”框中。
本例将“a”和“b”变量作为主效应，按上面的方法选送到“Model”框中。
④ 建立模型中的交互项
要求在分析模型中包括哪些变量的交互效应，可以通过如下的操作建立交互项。
例如，因素变量有“a(F)”和“b(F)”，建立它们之间的相互效应。
连续在“Factors &”框的变量表中单击“a(F)”和“b(F)”变量使其选中。
单击“Build Term(s)”栏内下拉按钮，选中交互效应“Interaction”项。
单击“Build Term(s)”栏内的右拉按钮，“a*b”交互效应就出现在“Model”框中，模型增加了一个交互效应项：a*b
Sum of squares 栏分解平方和的选择项
Type I项，分层处理平方和。仅对模型主效应之前的每项进行调整。一般适用于：平衡的AN0VA模型，在这个模型中一阶交互
效应前指定主效应，二阶交互效应前指定一阶交互效应，依次类推；多项式回归模型。嵌套模型是指第一效应嵌套在第二
&&&&&&&& 效应里，第二效应嵌套在第三效应里，嵌套的形式可使用语句指定。
Type II项，对其他所有效应进行调整。一般适用于：平衡的AN0VA模型、主因子效应模型、回归模型、嵌套设计。
Type III项，是系统默认的处理方法。对其他任何效应均进行调整。它的优势是把所估计剩余常量也考虑到单元频数中。对没
有缺失单元格的不平衡模型也适用，一般适用于：Type I、Type II所列的模型：没有空单元格的平衡和不平衡模型。
Type IV顶，没有缺失单元的设计使用此方法对任何效应F计算平方和。如果F不包含在其他效应里，Type IV = Type IIIl =
TypeII。如果F包含在其他效应里，Type IV只对F的较高水平效应参数作对比。一般适用于：Type I、Type lI所列模型；
&&&&&&&& 没有空单元的平衡和不平衡模型。
Include intercept in model栏选项
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。
5）选择比较方法
在主对话框中单击“Contrasts”按钮，打开“Contrasts”比较设置对话框，如图5-9所示。
如图5-9 Contrasts对比设置框
在“Factors”框中显示出所有在主对话框中选中的因素变量。因素变量名后的括号中是当前的比较方法。
① 选择因子
在“Factors”框中选择想要改变比较方法的因子，即鼠标单击选中的因子。这一操作使“Change Contrast”栏中的各项被激活。
② 选择比较方法
单击“Contrast”参数框中的向下箭头，展开比较方法表。用鼠标单击选中的对照方法。可供选择的对照方法有：
None，不进行均数比较。
Deviation，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。可以选择“Last”(最后一个水平)或
&&&&&&&&&&
“First”(第一个水平)作为忽略的水平。
Simple，除了作为参考的水平外，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”或“First”作为
&&&&&&&&&&&
参考水平。
Difference，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对照
&&&&&&&&&&&
方法相反。
Helmert，对预测变量或因素的效应，除最后一个以外，都与后续的各水平的平均效应相比较。
Repeated，对相邻的水平进行比较。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。第一级自由度包括线性效应与预测变量或因素水平的交叉。第二级包括二次效应等。各水平彼此
&&&&&&&&&&&&
的间隔被假设是均匀的。
③ 修改比较方法
先按步骤①选中因子变量，再选比较方法，然后单击“Change”按钮，选中的(或改变的)比较方法显示在步骤①选中的因子变量后面的括号中。
④设置比较的参考类
在“Reference
Category”栏比较的参考类有两个，只有选择了“Deviation”或“Simple”方法时才需要选择参考水平。共有两种可能的选择，最后一个水平“Last”选项和第一水平“First”项。系统默认的参考水平是“Last”。
6) 选择均值图
在主对话框中单击“Plot”按钮，打开“Profile Plots”对话框，如图5-10所示。在该对话框中设置均值轮廓图。
如图5-10 “Profile
Plots”对话框
均值轮廓图(Profile
Plots)用于比较边际均值。轮廓图是线图，图中每个点表明因变量在因素变量每个水平上的边际均值的估计值。如果指定了协变量，该均值则是经过协变量调整的均值。因变量做轮廓图的纵轴；一个因素变量做横轴。
做单因素方差分析时，轮廓图表明该因素各水平的因变量均值。
双因素方差分析时，指定一个因素做横轴变量，另一个因素变量的每个水平产生不同的线。如果是三因素方差分析，可以指定第三个因素变量，该因素每个水平产生一个轮廓图。双因素或多因素轮廓图中的相互平行的线表明在因素间无交互效应；不平行的线表明有交互效应。
Factors 框中为因素变量列表。
Horlzontal Axis 横坐标框，选择选择“Factors”框中一个因素变量做横坐标变量。被选的变量名反向显示，单击向右拉箭
&&&&&&&头按钮，将变量名送入相应的横坐标轴框中。
&&&&&& &&&&如果只想看该因素变量各水平的，因变量均值分布，单击“Add”按钮，将所选因素变量移入下面的“Plots”框中。否
&&&&&& 则，不点击“Add”按钮，接着做下步。
Separate Lines 分线框。如果想看两个因素变量组合的各单元格中因变量均值分布，或想看两个因变量间是否存在交互效应，
选择“Factors”框中另一个因素变量，单击右拉按钮将变量名送入“Separate
Lines”框中。单击“Add”按钮，将自动生成
&&&&& 的图形表达式送入到“Plots”栏中。分线框中的变量的每个水平将在图中是一条线。图形表达式是用“*”连接的两个因素变
&&&&& 量名。
Separate Plots 分图框。如果在“Factors”栏中还有因素变量，可以按上述方法，将其送入“Separate Plot”框中，单击
“Add”按钮，将自动生成的图形表达式送入到“Plots”栏中。图形表达式是用“*’连接的三个因素变量名。分图变量的每个
&&&&& 水平生成一张线图。
将图形表达式送到“Plots”框后发现有错误，单击选错的变量，单击“Remove”按钮，将其取消，再重新输入正确内容。
在检查无误后，按“Continue”按钮确认，返回到主对话框。如果取消做的设置单击“Cancel”按钮
7) 选择多重比较
在主对话框中单击“Post
Hoc”选项，打开“Post Hoc Multiple Comparisons for Observed
Means”对话框，从“Factor(s)”框选择变量，单击向右拉按钮，使被选变量进入“Post Hoc test for”框。本例子选择了“a”和“b”。
然后选择多重比较方法。在对话框中选择。本例子选择了“Duncan”和“Tamhane's T2”。
8）选择保存运算值
图5-11 Save对话框
在主对话框中，单击“Save”按钮，打开“Save”设置对话框，如图5-11所示。通过在对话框中的选择，可以将所计算的预测值、残差和检测值作为新的变量保存在编辑数据文件中。以便于在其他统计分析中使用这些值。
① Predicted Values 预测值
Unstsndardized，非标准化预测值。
Weighted，如果在主对话框中选择了WLS变量，选中该复选项，将保存加权非标准化预测值。
Standard error，预测值标准误。
② Diagnostics 诊断值
Cook’s distance，Cook 距离。
Leverage values，非中心化 Leverage 值。
③ Residuals 残差
Unstsndardized，非标准化残差值，观测值与预测值之差。
Weighted，如果在主对话框中选择了WLS变量，选中该复选项，将保存加权非标准化残差。
Standardized，标准化残差，又称Pearson残差。
Studentized，学生化残差。
Deleted，剔除残差，自变量值与校正预测值之差。
④ Save to New File 保存协方差矩阵
选中”Coefficient statistics”项，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。
9）选择输出项
在主对话框中单击“Options”按钮，打开“Options”输出设置对话框，见图5-12。
图5-12 “Options”输出设置对话框
Estimated Marginal Means 估测边际均值设置
在“Factor(s) and Factor
Interactions”框中列出“Model”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，
单击右拉按钮就将其复制到“Display Means for”框中。选择主效应，则产生估计的边际均值表；选择二维交互效应产生的估计
&&& 边际均值表实际上是典型的单元格均值表。选择三维交互效应也是单元格均值表。
在“Display Means for”框中有主效应时激活此框下面的“Compare
main effects”复选项，对主效应的边际均值进行组间的配
Confidence interval adjustment参数框，进行多重组间比较。打开下拉菜单，共有三个选项：
LSD(none)、Bonferroni、Sidak.。
② 在“Display”栏中指定要求输出的统计量
Descriptive statistics项，输出描述统计量：观测量的均值、标准差和每个单元格中的观测量数。
Estimates of effect size项，效应量估计。选择此项，给出η2(eta-Square)值。它反应了每个效应与每个参数估计值可以归于
因素的总变异的大小。
Observed power复选项，选中此项给出在假设是基于观测值时各种检验假设的功效。计算功效的显著性水平，系统默认的临界值
Parameter estimates项。选择此项给出了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项，显示协方差矩阵。
Homogeneity test项，方差齐次性检验。本例子选中该项。
Spread vs.level plot项，绘制观测量均值对标准差和观测量均值对方差的图形。
Residual plot项，绘制残差图。给出观测值、预测值散点图和观测量数目，观测量数目对标准化残差的散点图，加上正态和标准化
残差的正态概率图。
Lack of fit项，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项，可以根据一般估计函数自定义假设检验。对比系数矩阵的行与一般估计函数是线性组合的。
③ Significance level 框设置
改变“Confidence
intervals”框内多重比较的显著性水平。
10) 提交执行
设置完成后，在多因素方差分析窗口框中点击“OK”按钮，SPSS就会根据设置进行运算，并将结算结果输出到SPSS结果输出窗口中。
11) 结果与分析
主要输出结果：
方差不齐次性检验显著
&&&& 表5-8 方差齐次性检验表明：方差不齐次性显著，p&0.05。
&&&&&表5-9 主效应方差分析表：在表的左上方标明研究的对象是粘虫历期。
偏差来源和偏差平方和:
Source 列是偏差的来源。其次列是“Type III Sum of Squares”偏差平方和。
Corrected Model 校正模型，其偏差平方和等于两个主效应a、b平方和加上交互a*b的平方和之和。
Intercept 截距。
a 温度主效应，其偏差平方和反应的是不同温度造成对粘虫历期的差异。与b偏差平方相同均属于组间偏差平方和。
b 湿度主效应，其偏差平方和反应的是不同湿度计量造成的粘虫历期之差异。
a*b 温度和湿度交互效应，其偏差平方和反应的是不同温度和湿度共同造成的粘虫历期的差异。
Error 误差。其偏差平方和反应的是组内差异。也称组内偏差平方和。
Total 是偏差平方和在数值上等于截距、主效应、次效应和误差偏差平方和之总和。
Corrected Total 校正总和。其偏差平方和等于校正模型与误差之偏差平方和之总和。
Mean Square 均方，数值上等于偏差平方和除以相应的自由度。
F 值，是各效应项与误差项的均方之比值
Sig 进行F检验的p值。p≤0.05，由此得出“温度”和“湿度”对因变量“粘虫历期”在0.05水平上是有显著性差异的。
根据方差分析表明：
不同温度（a）对粘虫历期的偏差均方是，F值为90.882，显著性水平是0.000，即p&0.05存在显著性差异；
不同湿度（b）对粘虫历期的偏差均方是322.000，F值为18.575，显著性水平是0.000，即p&0.05存在显著性差异；
不同温度和不同湿度（a*b）共同对粘虫历期的偏差均方是19.809，F值为1.143，显著性水平是0.358，即p&0.05存在不显著性
由于方差不齐次性，应选择方差不具有齐次性时的“Tamhane's T2”t检验进行配对比较。表5-10 多重比较表就是“温度”各水平“Tamhane's T2”方法比较的结果。表中的各项说明参见表5-6（5.2.2节）。
温度25℃与27℃、29℃和31℃之间都有显著性差异；
温度27℃与25℃、29℃和31℃之间都有显著性差异；
温度29℃与26℃和27℃之间都有显著性差异；与31℃无显著性差异；
温度31℃与25℃和27℃之间都有显著性差异；与29℃无显著性差异。
不同湿度水平之间无显著性差异存在，这里没有列出多重比较表。}