【统计分析软件SPSS】82、执行单因素方差分析

本系列（基于SPSS 31版本）文章配套数据可通过百度网盘获取：

链接：https://pan.baidu.com/s/15r0rLWkJlcecUvBPKZo_MQ?pwd=mnsj 提取码：mnsj

由于微信公众号已发布文章的内容及排版顺序无法二次编辑，为了方便大家后续查阅、检索，同时便于我对内容进行补充更新与完善，我会将所有已发布的推文，在个人网站上以结构化文档的形式重新整理、归档。欢迎前往查看：

https://www.mizhushare.com/docs/

应用场景

在确认数据满足方差齐性这一关键前提假设后，即可正式进行单因素方差分析。

该统计过程旨在深入探究并量化三个或更多独立组别之间的总体均值是否存在具有统计学意义的显著性差异。

操作步骤

加载示例数据【dvdplayer.sav】（软件自带样本数据）。

该数据为某新DVD播放器原型的焦点小组调研数据，包含用户人口特征（年龄分组）及产品反馈（消费者对该产品的设计评分）。

本次将通过方差分析探究不同年龄段的消费者对该产品的设计评分是否存在显著差异。

点击顶部菜单栏的【分析→比较平均值和比例→单因素ANOVA检验】，在打开的对话框中进行相应设置。

点击选项，打开「选项」选项卡。勾选「均值图」选项。均值图是可视化组间差异的一种有用方式。

结果解读

设置完成，点击确定。

ANOVA表格中F检验的显著性值（P值）小于0.001。因此，拒绝 “各年龄组的平均评分相等”这一假设（即原假设）。

均值图有助于直观地呈现各组之间的差异模式。

本次示例中，均值显示35至54岁的参与者（35-44和45-54两组）对这款DVD播放机的评分明显高于其他年龄段的群体。

在统计检验中，p值只能告诉我们“差异是否显著”，但不能说明差异有多大、有多重要。而效应大小正是用来量化这种差异的实际强度或实际意义的指标，它回答的是：“这个差异在现实中有多重要？”。

输出表格包含以下核心指标：

指标	含义
Eta方（η²）	最常用的指标。表示因变量中百分之多少的变异可以由分组变量解释。但它通常会高估总体效应，在小样本中偏差较大。
Epsilon方（ε²）	对η²的修正，比η²更保守，试图减少对总体效应的高估。
Omega方固定效应（ω²ₚ）	目前学界最推荐的ANOVA效应量指标。在所有指标中最为准确且保守，表示自变量解释了百分之多少的变异。
Omega方随机效应（ω²ᵣ）	仅当实验设计中，分组水平是从一个更大的总体中随机抽取时（如，随机选若干年龄段代表所有可能年龄）才参考该项。通常单因素 ANOVA 默认关注固定效应。

根据Cohen的经典建议，对于ANOVA效应大小（主要参考η²或ω²ₚ）的判断标准如下：

本次示例中，效应大小分析表明，年龄组解释了总体变异的30.6%（ω²ₚ = 0.306, 95% CI [0.060, 0.428]），属于大效应，提示年龄是影响产品评价的重要因素。

至此，通过方差分析我们已经知道各组之间确实存在差异，若需进一步深入分析，后续可借助单因素方差分析中的多重比较方法，如范围检验、成对比较，以更细致地探究组间差异的具体结构（即具体是谁和谁不同），详见后续文章。