
SPSS分析技术:单因素方差分析
接下来将会介绍如何用SPSS做各种类型的方差分析,包括单因素方差分析,多因素方差分析,协方差分析,多元方差分析,重复测量方差分析和方差成分分析等应用原理和案例。
单因素方差分析
单因素方差分析用于分析单个自变量的不同水平是否对因变量产生显著影响。单因素方差分析将总方差分为两部分:可以由自变量解释的系统误差和无法由自变量解释的随机误差,若系统误差显著超过随机误差,则认为该自变量在取不同水平时因变量均值存在显著差异。
方差分析的原理
前面的文章虽然介绍过单因素方差分析的数据分析过程,这里再简单强调一遍。当样本数据可以做这样的归类处理,如下图所示:
首先,单因素方差分析的成对假设是:
原假设:因素的k个水平的均值相等;
备择假设:因素的k个水平的均值不完全相等;注意是不完全相等,而不是k个均值互不相等。
其次,求取组内方差和组间方差;
组间方差的计算公式为:
组内方差的计算公式为:
第三步是计算F统计量的值,以及做出假设检验判断;
上式中MSB和MSE分布称为组间方差和组内方差。在原假设为真的条件下,统计量服从自由度为k-1和k(n-1)的F分布。如果F统计量观测值较小,说明组内方差大,组间方差小,此时不能拒绝原假设;相反,就要拒绝原假设,认为自变量(因素)的k个水平对自变量有显著影响。SPSS会自动计算F统计量的观测值以及相应的概率P值,根据P值就可以完成统计检验。
案例分析
某体育高校对来自全国各地的2016级新生做了一次抽样检查,对抽到学生的身高、体重和胸围作了测量和记录,并将所有参与抽样体检的学生按省份划分为东部、中部和西部,试图分析来自不同地区学生的身高是否有差异。
问题分析
研究的问题是来自全国不同地区学生的身高是否有差异,可以理解为地区因素是否对学生身高有影响,影响因素(自变量)是地区,地区因素有三个水平(东部,中部和西部),所以适用单因素方差分析(单因素,三水平)。
分析步骤
1、选择菜单【分析】-【比较平均值】-【单因素ANOVA】,在【单因素方差分析】中选择变量【身高】,选入因变量列表;选择【地区】,将其选入因子。程序可以同时对多个因变量进行单因素方差分析,但是【因子】只能选取一个自变量。
2、单击【对比】,打开【单因素ANOVA:对比】。该选项是用来做因素不同水平的均值对比的。将多项式选中,在度中可以选择线性、二次项到五次项,表示可以利用不同的多项式对均值进行对比。我们选中线性,然后再系数中输入-1,0.5,0.5,点击下一页,再输入0.5,-1,0.5,再点击下一页,输入0.5,0.5,-1。表示将东部,中部和西部的均值配上系数进行加减对比。例如第一组系数-1,0.5,0.5,表示-1*东部均值+0.5*中部值+0.5*西部均值。
3、事后多重比较设置
单击【事后多重设置】,打开【单因素ANOVA:事后多重比较】。该对话框包括假定方差齐性和未假定方差齐性的总共18种两两对比方式,具体不同可以点击SPSS的帮助文档。这里我们选择LSD、Tukey和Tamhane’s T2检验。
4、单击【选项】,打开【单因素ANVOA】,选中描述性、方差齐性检验和平均值图。
结果解释
1、描述性统计表。
从描述性统计量表可以看出东部地区学生的平均身高和中西部的差异较大,而中西部学生的身高平均值接近。
2、方差分析表
由方差齐性检验表可得显著性概率P为0.640,大于0.05,说明东部、中部和西部三组间的方差在0.05水平上没有显著差异,即方差齐性检验通过,这是能够进行方差分析的必要条件。
3、方差分析表和线性对比
从方差分析表可以知道,F值为12.164,对应的显著性为0.000,小于0.05,所以方差分析结果是显著的,表明东部,中部和西部三组学生身高之间是有显著性差异的,具体那一组或那几组之间有差异,需要看事后两两比较。
对三组学生身高的均值赋予不同的系数,然后进行检验。由于是方差齐性的,所以看三个结果,显著性分别为0.000,0.008和0.030,说明三组系数的均值对比均有显著性差异。
4、事后检验表
可以得到两种检验方法的结果基本一致:东部与中部和东部与西部两组均值对比检验的P值均为0.000,说明两组同学间的平均身高差异显著。
5、子集检验表
将没有显著性的水平进行子集检验,可以得到中部和西部学生身高之间没有显著性差异,但是与东部学生身高有显著性差异。
6、身高均值折线图
身高均值折线图一样也可看出东部地区和中西部差异显著。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-24解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-24CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-24从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-21在AI渗透率超85%的2025年,企业生存之战就是数据之战,CDA认证已成为决定企业存续的生死线!据麦肯锡全球研究院数据显示,AI驱 ...
2025-07-2035岁焦虑像一把高悬的利刃,裁员潮、晋升无望、技能过时……当职场中年危机与数字化浪潮正面交锋,你是否发现: 简历投了10 ...
2025-07-20CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18