您当前的位置:首页 > 计算机 > 软件应用 > 采集运算

多元方差分析SPSS操作步骤 多元方差分析结果解读

时间:08-17来源:作者:点击数:

在深入使用IBM SPSS Statistics时一定会使用到多元方差这一功能,那多元方差分析到底在SPSS上怎么操作使用呢?本文就给大家介绍一下多元方差分析SPSS操作步骤,多元方差分析结果解读。

一、IBM SPSS Statistics多元方差分析步骤

多元方差分析又称多变量分析,是研究多个自变量对多个数值型因变量的影响,多元方差分析是单因素方差分析的拓展,适用于自变量对同时对两个或两个以上的因变量产生影响的情况,用来分析自变量取不同水平时这些因变量的均值是否存在显著性差异。

1.导入数据

进入SPSS以后可以新建自己的数据库,或者导入自己的数据文件。

图1:导入数据
图1:导入数据

2.按顺序点击:分析——一般线性模型——多变量

图2:变量线性模型选择
图2:变量线性模型选择

3.输入固定因子(控制变量)和因变量(观测变量)

图3:填入变量页面
图3:填入变量页面

4.点击“事后比较”选项,勾选“LSD”

图4:lsd选择
图4:lsd选择

LSD即中文里的最小显著性法。

5.点击“选项”,勾选“齐性检验”即方差齐性检验。

图5:选项选择页面
图5:选项选择页面

6.返回,点击确定即可输出分析结果。

图6:输出结果
图6:输出结果

二、多元方差分析结果解读

在上述步骤结束后就会生成一系列可以编辑的图片,你可以点击这些图片进行细节上的编辑,接下来就按生成图片顺序来对多元方差分析的结果进行一下解读。

1.主体间因子

图7:主体因子
图7:主体因子

从中我们可以看出实验中有两个控制变量,每个控制变量各有三种变化量,每个变化量有9个个案数。

2.协方差矩阵的博克斯等同性检验

图7:协方差矩阵的博克斯等同性检验
图7:协方差矩阵的博克斯等同性检验

显著性的值大于0.05即适合做多元方差分析。

3.多变量检验

图8:多变量检验
图8:多变量检验

海拔与施肥量四种检验结果显著性的值均小于0.05,所以拒绝原假设,即认为海拔与施肥量分别对苗高与地径都有显著影响(原假设为没有显著影响),而海拔和施肥量共同作用的显著性大于0.05,所以接受原假设,认为两者的交互作用没有显著影响苗高与地径。

4.误差方差的莱文等同性检验

图9:误差方差的莱文等同性检验
图9:误差方差的莱文等同性检验

检查方差是否相等,显著性均大于0.05,即接受原假设,无显著差异,认为方差相等。

5.主体间效应检验

图10:主体间效应检验
图10:主体间效应检验

这张图显示是海拔与施肥量两个因素分别对苗高与地径两个因变量的影响。

施肥量,海拔对苗高,地径的显著性都小于0.05,说明施肥量对苗高显著影响,对地径显著影响。海拔对苗高显著影响,对地径显著影响。而施肥量*海拔两者的交互作用对苗高与地径均没有显著影响。、

6.事后检验

图11:施肥量事后检验
图11:施肥量事后检验
图12:海拔事后检验
图12:海拔事后检验

事后检验是在上述分析结果证明方差分析显著时,继续对这些组进行两两比较找出两两之间差异的显著性,看看到底存在显著差异的是哪些组。

举一个例子来说,在第一图中判断苗高的增加量在施肥量10和施肥量20,施肥量10和施肥量30之间有没有显著差异,结果是两者的显著性均小于0.05,即施肥量10和施肥量20,施肥量10和施肥量30都有显著差异。

图13:事后检验部分节选
图13:事后检验部分节选

三、多元方差分析与回归分析的区别和联系。

方差分析是检验若干个均值相等的比较好的方法,方差分析常常对应因子(因素)是离散的(比如被分为几个组),响应变量为连续性数据(比如花萼的长度)分析,而回归则是因子(因素)和响应变量都是连续性数据,这尤其在线性回归中得到了充分的体现。广为流传的一种说法是,方差分析可以看作是线性回归的特例。

四、总结

这就是本次带来的多元方差分析SPSS操作步骤,多元方差分析结果解读。希望能给大家在学习spss上带来一些帮助。

方便获取更多学习、工作、生活信息请关注本站微信公众号城东书院 微信服务号城东书院 微信订阅号
推荐内容
相关内容
栏目更新
栏目热门