文档介绍：方差分析
 
方差分析可以用来检验来多个均值之间差异的显著性,可以看成是两样本t检验的扩展。统计学原理中涉及的方差分析主要包括单因素方差分析、两因素无交互作用的方差分析和两因素有交互作用的方差分析三种情况。虽然Excel可以进行这三种类型的方差分析,但对数据有一些限制条件,例如不能有缺失值,在两因素方差分析中各个处理要有相等的重复次数等;功能上也有一些不足,例如不能进行多重比较。而在方差分析方面SPSS的功能特别强大,很多输出结果已经超出了统计学原理的范围。
 
 
用SPSS检验数据分布的正态性
方差分析需要以下三个假设条件:(1)、在各个总体中因变量都服从正态分布;(2)、在各个总体中因变量的方差都相等;(3)、各个观测值之间是相互独立的。
在SPSS中我们很方便地对前两个条件进行假设检验。同方差性检验一般与方差分析一起进行,这一小节我们只讨论正态性的检验问题。
[]  检验生兴趣对考试成绩的影响的例子中各组数据的正态性。
在SPSS中输入数据(或打开数据文件),选择AnalyzeàDescriptive StatisticsàExplore,在Explore对话框中将统计成绩作为因变量,兴趣作为分类变量(Fator),单击Plots按钮,选中“Histogram”复选框和“Normality plots with Test”,单击“Continue”按钮,在单击主对话框中的“OK”,可以得到分类别的描述统计信息。从数据的茎叶图、直方图和箱线图都可以对数据分布的正态性做出判断,由于这些内容前面已经做过讲解,这里就不再进一步说明了。
图7-2 用Expore过程进行正态性检验
top↑
 
输出结果中的Q-Q图是观察数据分布正态性的一种常用图形。这类图形大致是这样绘制的:计算数据在样本中对应的经验分布函数值(类似于累积分布的函数值,取值在0-1之间);然后计算标准正态分布(或者均值、方差相同的正态分布)对应于经验分布函数值的分位数。以实际值为横坐标,正态分布的分位数为纵坐标作散点图,如果图形中的点大致在一条直线上则说明数据服从正态分布。图7-3是不太喜欢统计学的学生统计成绩的Q-Q图,从图中可以判断数据并没有严重背离正态分布。
图7-3 Q-Q图
 
表7-8是对数据进行正态性检验的结果。SPSS中采用的是Kolmogorov-Smirnov检验和Shapiro-Wilk检验。这两种检验方法都属于非参数统计的内容,统计量的计算方法可以参考有关书籍。我们可以根据软件给出的p-值对数据是否服从正态分布进行检验:由于表7-8中的p-,因而我们不能拒绝零假设,也就是说没有证据表明各组的数据不服从正态分布(检验中的零假设是数据服从正态分布)。
 
 
 
 
 
表7-8  正态性检验的结果
兴趣
Kolmogorov-Smirnova
Shapiro-Wilk
Statistic
df
Sig.
Statistic
df
Sig.
统计
成绩
1  很不喜欢
.223
4
.
.948
4
.704
2  不太喜欢
.194
9
.200*
.924
9
.425
3  无所谓
.244
7
.200*
.845
7
.110