SPSSPPT07分析.pptVIP

各效应方差分析3 观测到的幂（模型整体的观测效能）为0.999，比较理想。 具体分析：训练方法method的观测效能为1.000，交互作用method*arrange的观测效能为0.606，表明这两项对观测变量的影响都较大。而训练安排arrange的观测效能为0.050，表明训练安排对观测变量的影响较小。 各效应方差分析4 模型的复相关系数R2为0.646，调整的R2为0.572。 调整的R2反映模型对观测变量数据的总体拟合程度，其值越接近 1，对观测变量数据的拟合程度就越高。可以看出，该模型对观测变量数据的拟合程度并不很理想，从另一个角度说明原地纵跳可能还受到除训练方法和训练安排以外其他因素的影响。 B 为各控制变量各水平及其交互作用对观测变量的回归拟合系数。 训练方法各水平对比分析的结果 训练方法的水平 1与水平3比较, P=0.0000.01，表明两水平的观测变量均值差异具高度显著性。 训练方法的水平 2与水平3比较, P=0.0060.01，表明两水平的观测变量均值差异具高度显著性。 训练方法各水平效应方差分析的结果 此表与前述“各效应方差分析” 中的相应行完全相同。 训练安排各水平对比分析的结果 训练安排的水平1与水平2比较，P=0.9490.05，表明两水平的观测变量均值差异不具显著性。此结果从另一角度表明，训练安排的不同水平对原地纵跳没有显著影响。 训练安排各水平效应方差分析的结果 此表与前述“各效应方差分析” 中的相应行完全相同。 边际均值指的是基于现有模型，当控制了其他因素的作用时，根据样本情况计算出的用于比较的各水平的均数估计值。如果模型中有协变量，则会按照协变量取值为均数的情况加以修正。 对于包含全部交互项的全模型而言，边际均值就等于样本各单元格的均值。 对于去掉了某些交互项的模型而言，边际均值就是完全基于模型计算而来的。是根据当前模型设定对相应效应的估计，并不等同于样本的原始均值。 训练方法各水平上观测变量的边际均值 训练方法三个水平配对比较的结果 三个水平两两之间的原地纵跳均值差异都具高度显著性（P0.01）。 训练方法边际均值估计配对比较的结果 此表与前述“训练方法各水平效应方差分析的结果”完全相同。 训练安排各水平上观测变量的边际均值 训练安排二个水平配对比较的结果 二个水平之间的原地纵跳均值的差异不具显著性（P0.05）。 训练安排边际均值估计配对比较的结果 此表与前述“训练安排各水平效应方差分析的结果”完全相同。 两因素各水平交叉分组情况下观测变量的边际均值 采用LSD法进行多重比较的结果 训练方法三个水平两两之间的原地纵跳均值差异都具高度显著性（P0.01）。 采用S-N-K法进行多重比较的子集分析结果 训练方法三个水平观测变量的均值分别处于不同的列，表明各水平两两之间原地纵跳均值的差异都具显著性（P0.05）。 “均值-标准差”分布图 “均值-方差”分布图 图中各点代表训练方法和训练安排两因素各个水平交叉形成的 6个组，横坐标为各组原地纵跳的均值，纵坐标分别为各组原地纵跳的标准差。 图中各点代表训练方法和训练安排两因素各个水平交叉形成的 6个组，横坐标为各组原地纵跳的均值，纵坐标分别为各组原地纵跳的方差。 残差散点图 该图分别以原地纵跳的观测值、预测值和标准化残差值作为横坐标和纵坐标。如果模型的拟合效果很好，则预测值与观测值应当有明显的相关，散点应呈现较好的直线趋势。如果残差服从正态分布，则标准化残差应当完全随机地在水平线y=0上下分布，不随预测值的变化而呈某种趋势。 从“观测—预测”单元看，预测值与观测值虽呈现一定的线性趋势，但不十分明显，表明线性模型的拟合并不十分理想。 从“预测—标准残差”单元看，残差的分布较好，未出现明显违反正态分布假设的情况。 边际均值轮廓图 两条拆线出现交叉，表明训练方法和训练安排两因素之间存在着明显的交互效应。 增加了新变量的数据文件： 预测值 非标准化残差值 在表格列的方向上，各组均数按从小到大的顺序排列。 被分到同一列中的均数，其两两比较的 P 值大于0.05。被分到不同列中的均数，其两两比较的 P 值小于0.05。 一组与三组、二组与三组均数差异具显著性。 二组与三组均数差异具显著性。 均数分布图 根据上述分析并结合图形，可以得出以下结论：三种锻炼方案的效果具有显著性差异。具体地说，一组和三组、二组和三组的均数差异具显著性；并可认为第三方案效果最佳。 7.2.1 多因素方差分析概述 7.2.1.1 多因素方差分析的基本概念 为考察各种因素对研究对象某个特性的影响而进行的试验中，如果有两个或两个以上的因素，这种试验就叫多因素试验。对多因素试验的结果进行方差分析，就叫多因素方差分析。 多因素方差分析不仅能够分析多