spss三因素方差分析举例 spss三因素方差分析步骤

spss三因素方差分析举例，三因素方差分析是一种多因素方差分析，常用于分析多个自变量对因变量产生的影响，当包含三个自变量时，即为三因素方差分析，本文会举例说明，同时会演示spss三因素方差分析步骤。

一、spss三因素方差分析举例

spss三因素方差分析，即包含三个自变量的多因素方差分析，常用于研究多个自变量对单个因变量产生的影响，比如研究影响种子发芽率的因素，影响顾客满意度的因素，影响工资的因素等，都可以使用多因素方差分析，如果影响因素为三个变量的话，就构成了spss的三因素方差分析。

本文会举例研究影响工资的三个因素：工作年限、区域、城市，来进一步演示spss三因素方差分析的方法。

图1：示例数据

二、spss三因素方差分析步骤

接下来，我们应用上述数据演示spss三因素方差分析步骤如下：

第一步、选择分析方法

依次单击spss分析-一般线性模型-单变量选项。这里需要注意的是，虽然spss三因素方差分析引入了三个变量，但都是自变量，因此使用的是单变量分析，多变量分析是用于多个因变量的情况。

图2：单变量分析方法

第二步、选择变量

为三因素方差分析设置变量，主要包括因变量与固定因子的设置。

1. 因变量，多因素方差分析只能选择一个因变量，即研究多因素影响是否显著的变量，本例将“工资”作为因变量，以研究多因素对工资产生的影响是否显著。

2. 固定因子，即影响的因素，三因素方差分析选择三个固定因子，本例将“工作年限”、“区域编码”、“城市编码”设置为固定因子。需要注意将名义变量转换为数值变量，比如区域、城市需提前转换成编码，如果是字符串将无法运算。

图3：选择变量

第三步、设置统计量

“估计边际平均值”可用于检验因子之间的交互显著性，选择“overall”可包含主效应与交互效应的分析，即“因子与因子交互”列表中所有项目的效应分析，可检验不同因素，以及不同因素交互后对因变量是否有显著影响。

图4：估算边际平均值

“齐性检验”，检验事后多重分析（分析自变量的数值间是否有显著性差异）是否满足等方差的假设，对于显著性水平，一般保持0.05即可。

“描述统计”，运算均值、方差等统计数值，以了解数据的分布与离散程度。。

图5：选项设置

在进行三因素方差分析时，除了分析不同因素对因变量产生的影响外，还可通过“事后多重比较”，进行自变量数值对因变量的影响差异性检验。我们可以将“工作年限”、“区域编码”、“城市编码”添加到事后检验，用于检验不同工作年限、不同区域、不同城市对工资产生差异影响的显著性。

如果满足“齐性检验”中的等方差假设，可选用“LSD法”，也就是最小显著性差异法，因其检验敏锐度比较好，SNK检验虽然与LSD检验相似，但检验结果更为保守，比较适用于两两比较。

图6：事后多重比较设置

三、spss三因素方差分析结果解读

完成以上设置，运行spss的三因素方差分析并解读结果。

首先看到，本例使用了三个主体间因子，分别是“工作年限”、“区域”与“城市”，其样本量如图7所示

图7：样本分布

接着，查看主体间的效应检验结果。

先看“工作年限”、“区域”与“城市”三个因素的显著性，其中“工作年限”显著性<0.001，影响显著，而“区域”与“城市”显著性均大于>0.05，影响不显著。

另外，“工作年限*区域”的协同影响显著性为0.039<0.05，协同影响显著，但推断更多来自于“工作年限”的影响。

图8：主体间效应检验

在知道“工作年限”对“工资”有显著影响后，我们可能还会想知道哪些年限之间有显著的影响差异，鉴于此，需要进一步查看“事后多重比较”结果。

由于“事后多重比较检验”在使用LSD（最小显著性差异法）检验时，需确保数据满足方差齐性的假设，因此，需先查看“方差齐性检验”结果。

如图9所示，“基于平均值”的方差齐性显著性数值为0.062>0.05，检验结果不显著，不能拒绝原假设，也就是满足方差齐性假设。

图9：方差齐性检验

在满足方差齐性的前提下，查看“工作年限”的LSD多重比较数据。

从显著性数值（均小于0.05）看到，不同工作年限的工资数值都有显著性差异，工作年限越长与工作年限越短的差异更为明显。

图10：多重比较（工作年限）

四、小结

以上就是关于spss三因素方差分析举例，spss三因素方差分析步骤的相关内容。spss三因素方差分析是包含三个自变量的多因素方差分析，操作的时候，注意要与多变量方差分析区分开来，另外，三因素方差分析可通过事后多项比较检验自变量数值间的影响差异的显著性。