方差分析—spss.pptVIP

* * * * * * * * * * * * * * * * * * * * 14 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 因素设计(例题分析) 方差分析—SPSS * 本章小结 方差分析的思想和原理 方差分析中的基本假设 单因素方差分析 双因素方差分析 实验设计与数据分析 本章图解 结 束 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 双因素方差分析—只考虑主效应  (例8-4的分析—SPSS) 方差分析模型的参数估计 下面分别是对超市位置的影响效应和竞争者数量的影响效应的估计(有条件的估计)。由于3个位置的超市一共有3个参数，在估计模型的参数时，将最后一个水平(本例为写字楼)作为参照水平，这相当于强迫?3=0，而另外两个参数(居民区和商业区)的估计值是检验结果实际上就是与参照水平相比较的结果。比如，居民区的参数?1=119 ，表示超市位置在居民区时对销售额的附加效应；竞争者数量的参数?2=-82.667，表示竞争者数量为“0个”时，竞争者数量对销售额的附加效应，等等 从表中可以看出，竞争者数量等于2个时的显著性水平(0.196)较大，表明竞争者数量等于2个时对销售额的影响不显著，而其他各显著性水平都很小，表明因素的其他水平对销售额均值有显著影响 * 双因素方差分析—只考虑主效应  (例8-4的分析—SPSS) 多重比较—超市位置 * 双因素方差分析—只考虑主效应  (例8-4的分析—SPSS) 多重比较—竞争者数量 * 双因素方差分析—只考虑主效应  (例8-4的分析—SPSS) 均值图 纵坐标是估计的销售额的边际均值。条线分别表示不同竞争者数量(和不考虑超市位置)的销 售额情况。由于本例使用的只考虑主效应的方差分析模型，所以线条折线是平行的 * 双因素方差分析—只考虑主效应  (例8-4的分析—SPSS) 散点图矩阵 图的坐标分别是观测值(Observed)、预测值(Predicted)和标准化残差(Std. Residual)。如果模型拟合的效果很好，则预测值和观测值应当有明显的相关，呈现出较强的线性趋势。而标准化残差则应该随机地分布在一个水平带之内。从图中可以看出，预测值和观测值的散点图具有明显的关系。预测值和残差的散点图随机分布在一个水平带之内，模型没有违背正态性假定的情况，这表明本例中采用的方差分析模型的拟合效果很好 8.3.3 考虑交互效应 8.3 双因素方差分析 * 双因素方差分析(考虑交互效应) 提出假设 * 双因素方差分析(考虑交互效应) 考虑交互效应的误差分解 * 考虑交互效应(检验的统计量F) 双因素方差分析的方差分析表(考虑交互效应) * 双因素分析—考虑交互效应(平方和的计算) 总平方和： 因素A平方和： 因素B平方和： 交互效应平方和： 误差平方和： SST=SSA+SSB+SSAB+SSE * 双因素方差分析—考虑交互效应  (例题分析) 【例8-5】沿用例8-1。检验超市位置、竞争者数量及其交互效应对对销售额的影响是否显著(?=0.05) 模型： 假设： * 双因素方差分析(SPSS—考虑交互效应) ? 在用SPSS中进行方差分析时，需要把多个样本的观测值作为一个变量输入(本例为“销售额”)，然后把两个因素(“超市位置”和“竞争者数量”)分表单列，并于相应的销售额对应 第1步：选择【分析】，并选择【一般线性模型—单变量】进入主对话框 第2步：将因变量(销售额)选入【因变量】，将自变量(超市位置和竞争者数量)选入【固定因子】 第3步：点击【模型】，并点击【设定】；先将超市位置[F]和竞争者数量[F]分别选入【模型】，再将二者同时选入，此时在【模型】下出现“超市位置*竞争者数量”；在【建模项】下选择【交互】 * 双因素方差分析(SPSS—只考虑主效应) 第4步：(需要均值图时)点击【绘制】，将“超市位置”选入【水平轴】，将“竞争者数量”选入【单图】，在【图】下点击【添加】，点击【继续】回到主对话框 (需要多重比较时)点击【两两比较】，将“超市位置”和“竞争者数量”分别选入【两两比较检验】，在【假定方差齐性】下选择一种方法，如LSD，点击【继续】回到主对话框 (需要相关统计量、方差齐性检验、对模型的参数进行估计时)点击【选项】，将“超市位置”和“竞争者数量”分别选入【显示均值】，在【输出】下选中【描述统计】(计算因素的描述统计量)、【方