方差分析介绍教学课件.ppt

解释显著的交互作用: 列出均值 Options... Esimated Marginal Means prepost 和 txcond 主效应 txcond*prepost 交互作用 剖面图 Plots... horizontal axis separate lines 结果的报告 重复测量的方差分析结果表明： 前后测之间有显著的主效应, F(1, 74) = 73.11, p .0005； 并且前后测与处理条件间有着显著的交互作用, F(1, 74) = 41.45, p .001. 对于接受治疗的被试，治疗结束时的症状分数 (M = 6.64, SE = 1.426) 显著低于治疗前的症状分数 (M = 21.03 , SE = 1.458 ), F(1, 74) = 115.37, p .0005。对于未接受治疗的被试，等待后(M = 15.70, SE = 1.464 ) 和等待前的症状分数 (M = 17.73, SE = 1.497) 没有差异, F(1,74) = 2.17, p = .145. 方差分析（1）Oneway 单因素 (Single-factor): 只有一个自变量 Oneway只用于组间设计 (between-subjects designs) 计划比较 Planned Comparisons 适用条件：预先有特定的假设 设定 contrast 的规则 为某一因素设定计划比较 时，必须为这一因素的所有水平设定 系数 至少两个系数不能是 0 所有系数的代数和必须为0。 所有系数可同时乘以一个常数，所得contrast 是同样的 事后检验 Post Hoc Tests Equal Variances Assumed 敏感：HSD 保守：Scheffe Equal Variances Not Assumed Dunnett’s T3 选择适宜的事后检验 成对比较 (pairwise) ：所有可能的两两组合 全距检验 (range tests)：将所有组分成若干个 subsets； subsets 间的均值有显著差异，subsets 内的均值无显著差异。 均值图 （mean plot） HSD pairwise test HSD range test Oneway 不能提供的信息 Oneway不能用于处理重复指标的设计 （repeated measures designs） . Oneway不包含每个单元格是否符合正态前提的检验因此 必须用 explore 来验证正态前提. 如果不符合正态前提，Oneway不能提供其他的解决方法处理数据 方差分析（2）General Linear Model (GLM): 多元 （N-way）: 有两个或以上自变量，也叫因素设计 组间设计 (between-subjects designs) 组内设计 （within-subjects designs) 混合设计 （mixed designs) GLM的优势 简单因素方差分析的局限 不能有效地处理非均衡样本 不能处理重复测量设计 (repeated measure design) 一般线性模型(GLM)的优势 可处理单变量和多变量设计 ANOVA: 一个因变量 MANOVA: 多个因变量 有效地处理非均衡样本和空单位格 最基本的 GLM 结果输出 表1：组间变量及其各水平表列 表2：方差分析表 sums of squares（和方） F values （F值） significance levels（显著性水平） Effect size observed power（实际效力） Intercept （截距）：总均值是否与0 有显著差异 Effect Size； 效应大小 partial Eta squared (h2) 可归因于某个因素的总方差的部分 对于单变量 F 检验 和 t 检验 h2 = (ssh)/(ssh + sse) ssh 是 假设的和方；sse 是 误差的和方 如交互作用的效应： h2 = (144.00)/(144.00 + 330.00) = 144.00/474.00?????= .304 30%的总方差可归结为交互作用的方差 功效（Observed Power） 实际功效（Observed Power）： 是正确否定虚无假设的概率。 如：交互作用的power 是 .630. 如何增加功效？ 增加样本量 减少研究中的误差来源 在例中可增加奖赏葡萄的最多数目 解释显著的效应 解释顺序：先交互作用，后主效应 解释交互作用的方法 简单主效应 交互作用剖面图 交互作用表和图 /PLOT = PROFILE( reward*drive