spss多的因子变异数分析.pptVIP

第十二章 多因子變異分析 量化研究與統計分析 第一章 科學研究與量化方法 第十二章多因子变异数分析 Factorial Design of Analysis of Variance 课程目标 了解多因子设计变异数分析的原理 了解并能区分各种变异效果 了解交互作用的特性与图示法 了解单纯主要效果检验的原理与技术 了解型I到型IVSS的差异 熟习多因子ANOVA的SPSS统计应用 多因子设计（factorial design) 研究者同时采用两个或以上的自变项XA、XB…对于某一个依变项的影响 当研究者所使用的自变项是类别变项，依变项是连续变项时，所使用的统计分析技术称为多因子变异数分析(Factorial ANOVA) 研究中包含两个自变项，称为二因子变异数分析（two-way analysis of variance），依此类推。 SSB的复杂化 组间离均差平方和（SSB）：「组间变异」视不同的因子有不同的效果考验程序 变异拆解 拆解原理 依变项的总变异可切割成「导因于自变项影响的变异」与「导因于误差的变异」两个部份。 导因于自变项影响的变异: 主要效果(Main effects)的平均数变异: 指各自变量不同水平在依变项上得分的平均数的变动情形。这些平均数又称为边缘平均数（marginal means）。 交互效果(Interaction effects)的平均数变异:指自变数交叉影响下在依变项上得分的平均数的变动情形。这些平均数又称为细格平均数（cell means）。 导因于误差的变异: 指各细格内的原始分数的变动情形，属于随机性误差。 二因子变异数分析的平均数双向表与组间效果 拆解公式 整体考验与摘要表（完全独立设计） 整体效果考验 主要效果与交互效果都是整体考验 各效果的均方和作为分子，误差变异误（MSw）作为分母，相除得到F值。 二因子变异数分析假设考验决策树 单纯主要效果 交互效果显著，需进行单纯主要效果的事后检验。 当交互效果显著时，反应出两个因子对于依变项的影响互相有所关连，因此个别主要效果的意义不再值得信赖， 以AB两个独变项为例: A因子单纯主要效果（simple main effect of the A factor）:「在考虑B的不同水平条件下，检视A因子对于依变项的影响」，分别检验在b1、b2、b3三种限定条件下的A效果。 B因子单纯主要效果（simple main effect of the B factor）: 「在考虑A的不同水平条件下，检视B因子对于依变项的影响」，分别检验在a1与a2两种限定条件下的B因子效果。 单纯主要效果考验摘要表（完全独立设计） 混合设计变异数分析 混合设计变异数分析 部份因子采用相依设计，部份因子采用独立设计 混合了独立样本与相依样本ANOVA的双重特征，因此称为混合设计（mixed design） 组间效果 A主要效果：A因子（独立）效果 B主要效果：B因子（相依）效果 AB交互效果：AB因子交互（相依）效果 虚无假设如下： A主要效果 H0：μa1=μa2=…=μap B主要效果b H0：μb1=μb2=…=μbq AB交互效果b H0：μa1b1=μa2b1=…=μapbq 混合设计的资料形式 变异数拆解公式 相依设计的两种摘要表的形式 多因子变异数分析的图示 交互作用 交互效果不显著的主要效果图示 型I、II、III、IV平方和 型I平方和 阶层化拆解原理（hierarchical decomposition of the sum-of-squares method） 每一个变异源的SS在计算时，会针对模型中已存在的其他变异源的相互关系而加以调整。 先进入模型者不受控制，晚进入模型者则会被先进入模式的变项控制住，得到边际影响力（marginal influences） 时机 共变量分析（ANCOVA）：共变量必须最先进入模型，而且共变量的SS不应受到其他各变异源的影响。 多项式回归模式：在较高阶项进入之前，较低阶项的SS应先予以计算 纯巢状模式（purely nested model）（第一个被分析的效应会套在第二层效应里，第二层效应又巢套在第三更高阶的效应里时。） 型II平方和 型II平方和 变异源SS的计算，调整了模型当中其他与该变异源无关联的变异源的关系。 可以让研究者得知某一个变异源在排除所有效应后的净效果，在特殊情况下可以使用之，例如特殊的巢状模型。 仅有主要效果的模型中，型II平方和是一种完全排除的净效果检验 例如多元回归模型，就是以此一方法来排除独变项之间共变的影响 仅适用于只有主要效果（没有交互效果）的变异数分析模型中 型III平方和 型III平方和 变异源SS的计算，调整了它与模型当中其他所有变