文档介绍：多因素方差分析
:用来研究两个及两个以上控制变量是否对观测变量产生显著影响。可以分析多个控制变量单独作用对观测变量的影响(这叫做主效应),也可以分析多个控制因素的交互作用对观测变量的影响(也称交互效应),还可以考虑其他随机变量是否对结果产生影响,进而最终找到利于观测变量的最优组合。
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)。
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。
多元多因素方差分析:是对一元多因素方差分析的扩展,不仅需要检验自变量的不同水平上,因变量的均值是否存在差异,而且要检验各因变量之间的均值是否存在差异。例如,用四个班级学生分别对两种教材、两种教学方法进行试验,除了要考虑着两种教材、两种教学方法的四种搭配以外,还要考虑四个班级学生的学****能力这些因素。
: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。
FF(nn)=S控制变量nS随机变量
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(、、),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。
:
我们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。
⑴将数据导入SPSS后,选择:分析->一般线性模型->单变量
⑵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)。
⑶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”。
⑷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“gend