spss 协方差分析 的 基本原理.doc

协方差分析的基本原理 1．协方差分析的提出 无论是单因素方差分析还是多因素方差分析，它们都有一些人为可以控制的控制变量。在实际问题中，有些随机因素是很难人为控制的，但它们又会对结果产生显著影响。如果忽略这些因素的影响，则有可能得到不正确的结论。 例如，研究3种不同的教学方法的教学效果的好坏。检查教学效果是通过学生的考试成绩来反映的，而学生现在考试成绩是受到他们自身知识基础的影响，在考察的时候必须排除这种影响。又比如，考查受教育程度对个人工资是否有显著影响，这时必须考虑工作年限因素。一般情况下，工作年限越长，工资就越高。在研究此问题时必须排除工作年限因素的影响，才能得出正确的结论。再如，如果要了解接受不同处理的小白鼠经过一段时间饲养后体重增加量有无差别，已知体重的增加和小白鼠的进食量有关，接受不同处理的小白鼠其进食量可能不同，这时为了控制进食量对体重增加的影响，可在统计阶段利用协方差分析（Analysis of Covariance），通过统计模型的校正使得各组在“进食量”这个变量的影响上相等，即将进食量作为协变量，然后分析不同处理对小白鼠体重增加量的影响。 为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析将那些难以控制的随机变量作为协变量，在分析中将其排除，然后再分析控制变量对于观察变量的影响，从而实现对控制变量效果的准确评价。 协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。前面单因素方差分析和多因素方差分析中的控制变量都是一些定性变量，而协方差分析中既包含了定性变量（控制变量），又包含了定量变量（协变量）。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。以下将以一元协方差分析为例，讲述协方差分析的基本思想和步骤。 2．协方差分析的计算公式 以单因素协方差分析为例，总的变异平方和表示为： 协方差分析仍然采用F检验，其零假设为多个控制变量的不同水平下，各总体平均值没有显著差异。F统计量计算公式为：, 以上F统计量服从F分布。SPSS将自动计算F值，并根据F分布表给出相应的相伴概率值。 如果的相伴概率小于或等于显著性水平，则控制变量的不同水平对观察变量产生了显著的影响；如果的相伴概率小于或等于显著性水平，则协变量的不同水平对观察变量产生了显著的影响。 3．协方差分析需要满足的假设条件 （1）自变量是分类变量，协变量是定距变量，因变量是连续变量； （2）对连续变量或定居变量的协变量的测量不能有误差； （3）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设； （4）协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。 （5）自变量与协变量是直角关系，即互不相关，它们之间没有交互作用。如果协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除。 4．协方差分析SPSS的示例 在进行新的外语教学方法实验时，往往需要在实验前和实验后对实验组和控制组的学生都进行成绩测试，以便确定新的教学方法对实验后成绩的影响。显然，实验前成绩与实验后成绩之间会有内在联系，如果要更准确地确定新的教学方法的效果，有必要考虑实验前成绩对实验后成绩的影响，也就是说可以把前测成绩作为协变量进行协方差分析。 本例子中的实验研究共有15名受试者，将这些受试者随机分为3组，各组有5人，然后对这三组进行不同的教学方法实验。其中一组为控制组，实验时不对教学方法进行改变，仍然采用以前的传统教学方法。另两组为实验组，分别用交际法和沉浸法两种教学方法进行教学方法实验。实验开始前对这三组学生用相同的试卷进行了英语测试，得出了前测成绩。实验结束后，用新的试卷同时对这三组学生进行了测试，得出了后测成绩。然后将要分析的数据输入到SPSS中去。见 HYPERLINK 教学方法实验分析数据.sav 数据录入表格所示。我们用1表示传统教学方法，2表示交际法，3表示沉浸法。 我们先不考虑前测成绩，以“教学方法”为因素变量，“后测成绩”为因变量进行单因素方差分析。从方差分析结果来看，概率值为0.463（远远