spss多因素方差分析实施报告例子

1、作业 8 ：多因素方差分析1， data0806-height是从三个样方中测量的八种草的高度，问高度在三个取样地点，以及八种草之间有无差异？具体怎么差异的？打开spss 软件，打开data0806-height数据，点击Analyze-GeneralLinearModel-Univariate打开：把 plot 和 species 送入 Fixed Factor(s) ，把 height 送入 Dependent Variable ，点击 Model 打开：专业资料选择 Full factorial，Type III Sum of squares， Include intercept in

2、model（即全部默认选项），点击 Continue回到 Univariate主对话框，对其他选项卡不做任何选择，结果输出：专业资料因无法计算?rror ，即无法分开?intercept和 ? error ，无法检测interaction的影响，无法进行方差分析，重新 Analyze-General Linear Model-Univariate打开：选择好 Dependent Variable和 Fixed Factor(s)，点击 Model打开：点击Custom ，把主效应变量species和 plot送入Model框，点击Continue回到Univariate主对话框，点击Plots

3、 ：专业资料把 date 送入 Horizontal Axis ，把 depth 送入 Separate Lines ，点击 Add ，点击 Continue 回到 Univariate 对话框，点击 Options ：专业资料把 OVERALL,species, plot送入 Display Means for框，选择Compare main effects，Bonferroni，点击 Continue回到 Univariate对话框，输 出 结果：可以看到： SS=33.165 ，dfspecies=7 ，MSspecies=4.738SS=33.165 ，dfplot=7 ，specie

4、s； plotMSplot=4.738； error=21.472 ， dferror=14 ，MSerror=1.534；SSFspecies=3.089， p=0.0340.05;Fplot=12.130,p=0.0050.01;所以故认为在5% 的置信水平上，不同样地，不同物种之间的草高度是存在差异的。专业资料该表说明： SSspecies=33.165，dfspecies=7，MSspecies=4.738；SSerror=21.472，dferror=14，MSerror=1.534； Fspecies=3.089， p=0.0340.05;物种间存在差异：专业资料SSplot=33

5、.165， dfplot=7， MSplot=4.738； SSerror=21.472，dferror=14， MSerror=1.534；Fplot=12.130,p=0.0050.01;不同的物种间在差异：专业资料由边际分布图可知：类似结论：草的高度在不同样地的条件之间有差异（ Fplot=12.130,p=0.0050.01），具体是，样地一和样地三之间存在的差异最大；八种不同草的高度也存在差异（ Fspecies=3.089，p=0.034GeneralLinearModel-Univariate ：把 species 送入 Fixed Factor(s) ，把 high 送入 De

6、pendent Variable ，点击 Plots ：把 species 送入 Horizontal Axis ，点击 Add ，点击 Continue 回到 Univariate ，点击 Post Hoc （因为我们已经知道 species 效应显著）：专业资料把 species送入 Post Hoc Tests for框，选择Tukey ，输出结果：专业资料各组均值从小到大向下排列。 最大的是第五组， 最小的是第四组， 其中有些种类草的高度存在差异，有些不存在。再次检验不同样地草的高度差异：过程和上相似：结果如下专业资料不同样地的草高度存在差异，其中一样地的草高度最短，3 样地的草高度最

7、高，且三组之间都存在差异。专业资料2， data0807-flower，某种草的开花初期高度在两种温度和两个海拔之间有无差异？具体怎么差异的？多因素单因变量方差分析通过Analyze-General Linear Model-Univariate实现，把因变量height送入 Dependent Variable栏，把因素变量temperature和 attitude送入 Fixed Factor(s)栏点击 Model选项卡，打开：选着 full factorial，type 3，点击）Include intercept in model。专业资料点击 Plots对话框，打开： ：可选择 a

8、ttitude到 Horizontal Axis，然后选择temperature到Horizontal Axis，再选择 attitude到 Separate Lines，Plots框显示 attitude, temperature,attitude * temperature，Estimated Marginal Means选择 OVERALL ，产生边际均值的均值Display框选择要输出的统计量， Descriptive statistics描述统计量，Homogeneity tests方差齐性检验。专业资料结果输出：主效应各因素各水平以及样本量，各水平的均值和标准差。专业资料把样本分为

9、四组，进行方差齐性检验，方差不一致。可以看到：SSaltitude=503.167，dfaltitude=1，MSaltitude=503.167；SStemperature=1149.798，dftemperature=1，MStemperature=1149.798；SSinteraction=338.486 ，dfinteraction=1 ，MSinteraction=338.486 ；SSerror=935.748 ， dferror=83 ， MSerror=935.748 ； Faltitude=44.63 ， p=0.0340.001;Ftemperature=101.986,

10、p=0.0050.001;Ftemperature=101.986,0.001; Finteraction=34.458， p0.001;所以故认为在0.1% 的置信水平上，不同温度，不同海拔之间的草高度是存在差异的。在四个样本总体中，在95% 的置信区间，花的平均高度范围为137.719 到 139.172 之间。专业资料在海拔为 3200米处，在 95%的置信区间，花的平均高度范围为139.852到 141.920之间。在海拔为 3400米处，在 95%的置信区间，花的平均高度范围为134.985到 137.036之间。aititude各水平的边际均值的多重比较，在本试验中 ，事实上?0:

11、 平均 aititude （ 3200 ）= aititude（ 3400 ）；但是平均aititude（3200 ）花高度平均aititude（ 3400 ）花高度，在 95% 置信区间为3.427 到 6.333. 故均值存在差异。，SSaltitude=503.167 ， dfaltitude=1 ， MSaltitude=503.167 ； SSerror=935.748 ， dferror=83 ，MSerror=935.748 ；Faltitude=44.63 ， P0.001. 不同海拔的花高度不存在差异的的概率 0.001.专业资料在温度为T1 处，在 95% 的置信区间，花的

12、平均高度范围为141.149到 143.119之间。在温度为T2 处，在 95% 的置信区间，花的平均高度范围为133.689到 135.825之间。温度各水平的边际均值的多重比较，在本试验中，事实上0: （ T1 时，平?均花高度）=（ T2 时，平均花高度） ；但是（ T1 时，平均花高度） （ T2 时，平均花高度），在 95% 置信区间为 5.924 到 8.830 ，故均值存在差异，不接受 H0 假设。SStemperature=1149.798， dftemperature=1， MStemperature=1149.798；SSerror=935.748 ，dferror=83

13、，MSerror=935.748 ；Ftemperature=101.986,p0.001;不同温度下，花的高度存在差异。专业资料在温度为T1，海拔 3200米处，在 95% 的置信区间 ，花的平均高度范围为145.433到 148.004之间。在温度为T2处，海拔 3200 米处在 95% 的置信区间 ，花的平均高度范围为133.433到 136.673之间。在温度为T1 处，海拔3400米处，在95% 的置信区间，花的平均高度范围为136.057到139.043之间。在温度为T2 处，海拔3400米处，在95% 的置信区间，花的平均高度范围为133.068到135.853之间。不同海拔下的的边际均值图两个因素的边际均值交互效应图，该图直线相互交叉 （即斜率不一样） 表明有交互效应。结论如下：某种草的开花初期高度在两种温度之间有差异（Ftemperature=1