实践SPSS单因素方差分析之检验结果解读

在《实践SPSS单因素方差分析之变量与检验方法设置》一文中，我们已经详细地演示了IBM SPSS Statistics单因素方差分析方法的变量选择以及相关的选项、对比设置。

本文，将会重点讲解单因素方差分析方法的事后多重比较及其检验结果的解读。我们使用的数据是4组初中生身高样本数据，检验的是4组初中生身高样本数据均值是否有差异。

图1：示例数据

一、事后多重比较

如图2所示，在事后多重比较中，包含了假定等方差与不假定等方差的情况。由于未进行方差齐性检验，需将两种情况的检验方法都勾选上。那么该勾选哪些检验方法呢？

假定等方差的情况下，常用的是LSD法，也就是最小显著性差异法，其检验敏锐度高，一些细微的差异都能检验出来。SNK检验与LSD检验相似，但检验结果更为保守，比较适用于两两比较。

而在不假定等方差情况下，常用的是塔姆黑尼法。

图2：事后多重比较

二、检验结果解读

完成以上设置后，运行检验。

如图3所示，从描述数据看到，初中生组4的身高均值稍大于其他三组。

图3：描述数据

接着，再看到ANOVA的检验结果，其组间的显著性数值为0.003<0.05，说明检验结果显著，拒绝原假设，也就是说不同初中生组的身高样本均值有差异。

那么，身高均值的差异出现在哪些组别？我们需要进一步查看事后多重比较的结果。

图4：组间差异显著

由于多重分析结果包含了方差齐性与方差非齐性的结果，我们需要先查看方差齐性的检验结果。如图5所示，可以看到方差齐性的结果显著，拒绝原假设，也就是说身高数据不服从方差齐性的假设。

图5：检验方差齐性

因此，在事后多重比较结果中，我们需查看方差非齐性的塔姆黑尼检验结果。如图6所示，可以看到，初中生组4与其他三组的身高均值数据都有显著性差异。

图6：多重比较

从平均值图也可以看到，初中组4的平均值明显高于其他三组。

图7：平均值图

三、小结

综上所述，IBM SPSS Statistics的单因素方差分析，不仅可用于检验总体数据组是否存在差异，还可以运用事后多重比较来检验不同数据组之间的差异，是一种先验对比和事后检验相结合的检验方法。