简介：这份PPT系统讲解第5章SPSS的方差分析，面向需要掌握统计检验方法的学生、科研人员或数据分析初学者。内容从方差分析概念入手，厘清因素、水平、单元、元素与交互作用等关键术语，再说明其基本思想、系统性差异与随机性差异的区分以及正态性、独立性、方差齐性等假设条件。围绕单因素方差分析，详细介绍SPSS操作流程与结果解读，并给出LSD、Bonferroni、Scheffe等常用多重比较方法以及各组均值精细比较的扩展思路，适合课堂教学配套或自学查漏补缺。资源包为单个PPT文件，约2.04MB，共1个文件，格式便于直接用来备课或预习复习。已有317人浏览学习，可帮助读者从原理到实操快速打通方差分析应用链条。
1. 为什么多个均值不能直接两两 t 检验？——SPSS方差分析的第一课
表 5-1 里四种销售方式的均值分别是 83、90、74、79，方式二明显偏高。但如果你直接把方式一和方式二拿去做 t 检验，再把另外几对也做一遍，总共 6 次 t 检验，即使四个总体均值实际上完全相等，出现一次假阳性的概率也不是 0.05，而是约 0.26。方差分析用一次 F 检验回答“四个总体的均值是否相等”，从根子上控制住第一类错误，这也是 SPSS 里 One-Way ANOVA 这组命令存在的意义。下面从方差分解、前提假设、菜单操作到多重比较和 Bootstrap 展开，除了讲菜单在哪里，还会解释参数怎么选、输出怎么判、踩过哪些坑。适合经常处理多组实验数据、需要写分析报告，或想从点菜单切换到 Syntax 脚本的人。
2. 方差分析的核心：组间与组内方差怎么拆
2.1 为什么总差异要拆成两部分
在讲 SPSS 操作之前，先回到表 5-1。四种销售方式各 5 个数据，共 20 个观测值，总均值是 81.5。每个观测值都不同，差异来自两个来源：第一种是推销方式本身带来的系统性差异，比如方式二确实更能刺激购买；第二种是随机性差异，比如某一天客流大、服务员状态好。方差分析的做法是把总离差平方和SST拆成组间离差平方和SSA和组内离差平方和SSE。SST代表所有观测值围绕总均值的波动，SSA代表各水平均值围绕总均值的波动，SSE代表每个观测值围绕自己组均值的波动。
SSA里既包含系统性差异也包含随机性差异，SSE里只有随机性差异。如果SSA相对SSE足够大，说明水平之间的差异不是随机波动能解释的。F 统计量就是这两个方差的比值：
$$F = \frac{SSA / (k-1)}{SSE / (n-k)}$$
其中 k 是水平个数，n 是总样本量。SPSS 会同时给出 F 值和相伴概率 P 值，P 值小于等于显著性水平（默认 0.05）就拒绝原假设，认为不同水平对观测变量有显著影响。这里有个容易错的地方：F 值大不代表效应一定“大”，它只说明差异在统计上显著。真正的大小要看均值差、置信区间或效应量，而不是看 F 的小数点后几位。
2.2 使用方差分析前必须查的三件事
方差分析的结论有效性依赖三个假设，每个假设在 SPSS 里的检查方式不一样。
| 假设 | 含义 | SPSS 里的检查位置 |
|---|---|---|
| 独立性 | 各组观测值从相互独立的总体中抽取 | 实验设计阶段，SPSS 无法直接检验 |
| 正态性 | 各水平的因变量近似服从正态分布 | Analyze -> Descriptive Statistics -> Explore，画直方图或做 K-S 检验 |
| 方差齐性 | 各水平总体方差相等 | One-Way ANOVA 的 Options 里勾选 Homogeneity-of-variance，读取 Levene 统计量 |
独立性是前提中的前提。像销售方式这组数据，如果同一个人被重复测量多次，或者数据来自同一批门店连续几天的记录，样本就不独立，不能用 One-Way ANOVA。正态性在社会经济数据里经常只能近似满足，只要不是严重偏态，SPSS 的方法还算稳健。方差齐性用 Levene 统计量判断，它基于均值或中位数构造，比传统 F 检验更抗异常值。Options 里勾选之后，结果表会输出 Levene Statistic、df1、df2 和 Sig.，如果 Sig. 小于 0.05，就不能再默认数据满足方差齐性。
2.3 方差不齐时的替代统计量：Welch 与 Brown-Forsythe
实际数据分析中，方差不齐是常态，尤其是各组样本量差异较大时，普通 F 检验会变得不稳定。SPSS 在 Options 里提供了 Welch 和 Brown-Forsythe 两个统计量，它们都对自由度做了校正，不要求方差齐性也能得到近似有效的检验结果。我一般在报告里这样处理：先看 Levene，如果 P 小于 0.05，就直接读 Welch 的 P 值，不再纠结 F 检验那一行。
对应的 SPSS Syntax 如下，注意 Statistics 子命令里同时写 DESCRIPTIVES、HOMOGENEITY、WELCH 和 BROWNFORSYTHE：
ONEWAY 销量 BY 销售方式 /STATISTICS DESCRIPTIVES HOMOGENEITY WELCH BROWNFORSYTHE /MISSING ANALYSIS.这段代码表示调用 ONEWAY 过程，因变量是销量，因子变量是销售方式。/STATISTICS后面的参数里，DESCRIPTIVES要求输出每组样本量、均值、标准差、标准误和 95% 置信区间；HOMOGENEITY输出 Levene 方差齐性检验；WELCH和BROWNFORSYTHE分别输出两个校正统计量，Welch 更常用，Brown-Forsythe 在组间均值差异大时也表现稳定。/MISSING ANALYSIS表示按分析过程逐变量排除缺失值，避免把某个变量缺失的个案整个删掉。如果是纯菜单操作，这些选项都在 Options 按钮里，勾选输出描述统计、方差齐性检验和均值图即可。
3. SPSS 单因素方差分析操作：从菜单到 Syntax
3.1 主操作窗口和四个关键按钮
SPSS 里做单因素方差分析，菜单路径是 Analyze -> Compare Means -> One-Way ANOVA。打开主对话框后，把连续型因变量放进 Dependent List，把一个分类变量放进 Factor。这里要注意，因子变量必须是数值型或定义好值标签的变量。如果原始数据里“销售方式”是文本“方式一”，最好先建一个数值分组变量 1、2、3、4，再写编码值标签，否则 SPSS 会按字符编码顺序排列分组，结果表读起来很别扭，多重比较的系数顺序也会跟着错。
对话框右侧有 Contrasts、Post Hoc、Options 和 Bootstrap 四个按钮。Contrasts 用来做事先指定的均值精细比较，比如把方式一和方式二合并后与方式三、方式四合并比较；Post Hoc 做的是事后两两比较，解决“到底哪两组不一样”；Options 里管描述统计、方差齐性检验和均值图；Bootstrap 则用来给小样本或非正态数据补一个更稳健的置信区间。这四个按钮对应的问题在数据分析流程里是有先后关系的，通常先看方差齐性，再读 F 检验，然后决定用哪一种多重比较或对比。
3.2 一次完整运行的 SPSS 语法
用菜单操作时，每次点击都会在 Syntax 窗口生成对应代码，把它存成.sps文件就可以反复使用。一次完整的单因素方差分析，加上方差齐性检验和多重比较，通常长这样：
ONEWAY 传播度 BY 信息来源 /STATISTICS DESCRIPTIVES HOMOGENEITY WELCH /PLOT MEANS /MISSING ANALYSIS /POSTHOC=LSD TUKEY SCHEFFE ALPHA(0.05).逐行解释一下。第一行是过程名和变量关系，传播度是数值型因变量，信息来源是分组变量。/PLOT MEANS要求生成均值折线图，对排查单调趋势或组间差异方向很有用。/POSTHOC后面写三种方法，分别是较宽松的 LSD、控制总体错误率的 Tukey 和适合复杂组合的 Scheffe，一次指定多种方法是常见做法，方便在报告里互相印证。ALPHA(0.05)指定显著性水平，如果要看 0.01 水平的结果，改成ALPHA(0.01)即可。注意，前面加了WELCH后，方差不齐时常用的 Games-Howell 不会自动出现在这个/POSTHOC列表里，需要在对话框里单独勾选。
结果输出会按表顺序排列。第一个值得看的是描述统计表，确认各组样本量没有 0，以及均值排序是否符合预期。然后是 Levene 检验表，记录 F 值和 Sig.。方差齐性假设成立时看 ANOVA 表的 F，不成立时看 Robust Tests of Equality of Means 里的 Welch。最后是多重比较表，两两比较的显著差异会用星号或“*”标记，同时给出均值差和置信区间。
3.3 结果表的坑：不要只看 Sig.，还要看置信区间和缺失值口径
ANOVA 表的格式基本固定，我用教材输出常见格式说明一下：
| 变异来源 | 离差平方和 | 自由度 | 均方 | F | Sig. |
|---|---|---|---|---|---|
| 组间 | 856.20 | 3 | 285.40 | 9.74 | 0.001 |
| 组内 | 468.80 | 16 | 29.30 | ||
| 总计 | 1325.00 | 19 |
这里的 F 是组间均方 285.40 除以组内均方 29.30 得到的 9.74，Sig.=0.001 意味着在 0.05 水平下拒绝原假设。很多人只盯住 Sig.，忽略表格上方 SPSS 可能打印的提示，比如“正在使用假定等方差的分析”，或者方差不齐时建议运行 Welch 检验。遇到这类提示，都要回到 Levene 检验重新判断。
另一个常见坑是缺失值。Options 里的 Missing Values 默认是“按分析排除个案”，如果某个样本在传播度上有缺失，它只在本次分析里被排除，不影响其他变量。但如果你同时把多个因变量放进 Dependent List，SPSS 会对每个因变量分别排除缺失，这会导致两个分析的实际样本量不同。严谨的做法是先用 Data -> Select Cases 或 Data -> Split File 统一样本口径，再跑分析，而不是依赖默认的缺失值处理。
3.4 数据分拆文件与分组比较的配合
热词里常看到 SPSS 数据分拆文件，它在方差分析里也很有用。如果因子变量是“地区”，你不只想比较地区间的总体水平，还想看每个地区内部的不同工厂类型是否有差异，可以用 Data -> Split File 按地区分拆后跑 ONEWAY。分拆后每个地区会输出一张独立的 ANOVA 表，样本量、均值、F 值一目了然，比反复用 Select Cases 筛选再跑要方便很多。
但 Split File 不是筛选数据，它只是让后续过程按分组执行。跑完之后一定要回到 Data 菜单，选 Analyze all cases, do not create groups，否则之后的所有分析，包括描述统计、相关分析，都会被分拆，这是最容易忘的一步。建议把“Split File”和“Delete split file”写进操作清单，每次分拆完都顺手恢复。
4. 多重比较与精细比较：LSD、Tukey 和 Contrasts 怎么选
4.1 为什么 F 显著之后不能直接读两两 t 检验
方差分析的 F 检验回答的问题很窄，它只告诉你“多个均值之间有显著差异”，但不告诉你哪些组之间有差异。比如表 5-1 的四种方式，F 显著后可能只是方式二显著高于其他三种，也可能四种方式两两之间都不同。直接把四组数据两两做 t 检验，总共 6 次，每次错误率 0.05，犯一次假阳性的概率会膨胀到约 0.26，这在统计上不成立。多重比较方法就是在控制总错误率的前提下完成两两检验，Post Hoc 对话框就是干这个的。
4.2 方差齐性时的常用方法选型
Post Hoc 对话框在“方差齐性假设成立”这一栏下会列出十几种方法，但日常分析真正常用的没那么多。下面这张表可以当选择题用：
| 方法 | 控制错误率的方式 | 适用场景 | 特点 |
|---|---|---|---|
| LSD | 不校正 | 比较次数少、事前确定 | 最宽松，容易显著 |
| Bonferroni | 每个检验的错误率除以比较次数 | 组数少，样本量大 | 保守，显著更难 |
| Sidak | 调整显著性水平，略宽松于 Bonferroni | 和前人类似，但更灵活 | 较保守 |
| Tukey | 用 Student Range 分布控制总错误率 | 组数较多，样本量平衡 | 推荐，结果清晰 |
| Scheffe | 基于 F 分布，可检查所有线性组合 | 涉及复杂对比 | 非常保守 |
| S-N-K | 同类子集分组 | 探索性分析 | 略激进 |
这些方法不是随便选的。LSD 本质上是把 t 检验重复做多次但不校正，适合已经明确只有少数几个对比要检验的场景，如果用在全量两两比较上，假阳性会变高。Tukey 是我在探索性报告里最常写的，它在控制家族错误率的同时检验效力不弱。Scheffe 只在你打算事后检查许多非两两的线性组合时才值得考虑，单纯两两比较用它有点浪费。
对应的 Syntax 就是前面提到的/POSTHOC=LSD TUKEY SCHEFFE ALPHA(0.05)。ALPHA指定判定显著的水平。如果要同时看 95% 和 99% 两种置信区间，可以写成ALPHA(0.05 0.01)，SPSS 会输出两套比较结果，省得跑两遍。
4.3 方差不齐时的替代方法
当 Levene 检验拒绝方差齐性，Post Hoc 对话框的“方差不齐假设成立”区域会激活，里面有 Tamhane's T2、Dunnett's T3、Games-Howell 和 Dunnett's C。这里面 Games-Howell 是处理方差不齐的最常用选择，它基于 Welch 框架，对各组样本量和方差做单独估计，比较灵活，结果也容易解释。Tamhane's T2 更保守一些。如果组数多且方差不齐，我一般直接看 Games-Howell 的结果，并在报告里注明“已使用方差不齐条件下的多重比较方法”。
4.4 用 Contrasts 做精细比较，不只是两两配对
有时你并不关心所有两两组合，只关心某个线性组合。比如想知道方式一和方式二的平均销售量，是否和方式三与方式四的平均销售量有差别。这就是“各组均值的精细比较”，在 One-Way ANOVA 里通过 Contrasts 对话框完成。
在 Contrasts 对话框的 Coefficients 栏按因子分组的顺序输入系数，系数之和应为 0。四组对应的系数是 1、1、-1、-1，意思就是前两组均值合并与后两组均值合并做比较。如果要看方式一单独与其他三组的均值比较，输入系数 3、-1、-1、-1 即可。SPSS 会输出对比的值、标准误、t 统计量和 P 值。
如果用更通用的 UNIANOVA 过程，等价 Syntax 是：
UNIANOVA 销量 BY 销售方式 /CONTRAST(销售方式)=SPECIAL(1 1 -1 -1) /DESIGN=销售方式.解释一下：UNIANOVA是更通用的方差分析过程，/CONTRAST(销售方式)表示针对销售方式这个因子定义对比，SPECIAL后面的数字就是线性组合系数。SPSS 输出里会给出该对比的差值估计、标准误、t 值、自由度和 Sig.，同时附 95% 置信区间。需要强调，这种对比逻辑和/POSTHOC完全不同。对比是事先根据研究假设制定的，不能等看完 F 结果之后再临时挑一个看起来显著的组合去跑，否则就失去确认性分析的意义，也容易犯数据窥探的错误。
5. 实例复现与 Bootstrap 技巧：信息传播数据
5.1 把“信息来源”案例跑完整
原案例研究信息来源对信息传播的影响，信息来源分为上级、同级和下级，每组测一个传播度数值，分数越高传播越广。操作上，把三组传播度录入同一个变量“传播度”，分组变量“来源”取值 1、2、3，然后运行完整 Syntax：
ONEWAY 传播度 BY 来源 /STATISTICS DESCRIPTIVES HOMOGENEITY WELCH /PLOT MEANS /POSTHOC=TUKEY GAMESHOWELL /MISSING ANALYSIS.输出里先看描述统计表，确认三组的均值和标准差；再看 Levene 检验，如果 P 小于 0.05，后续结果读 Games-Howell，否则读 Tukey。ANOVA 表的 F 显著说明信息来源对传播度有影响，再根据多重比较表定位是“上级 vs 同级”显著，还是“上级 vs 下级”显著。
5.2 Bootstrap 在这里解决什么问题
Bootstrap 在 One-Way ANOVA 对话框底部的 Bootstrap 按钮里。它不替代 F 检验，而是给置信区间提供另一种生成方式。小样本、非正态或方差不齐时，均值差的置信区间经常不对称，Bootstrap 通过有放回重采样估计标准误和置信区间，比纯公式计算更抗数据形状的影响。
在 Bootstrap 对话框里，通常设置样本数为 1000，勾选“计算样本校验的置信区间”，区间类型建议选 BCa（偏差校正加速区间）。跑完后结果表里会多出 Bootstrap 相关部分，提供均值差、标准误和置信区间的 Bootstrap 估计。一个可复用技巧：在对话框里点好 Bootstrap 后，把生成的 Syntax 保存下来，后续换数据时只要改变量名和分组水平，就能保持同一套抽样设置和分析口径。
5.3 用均值图核对效应方向
Options 里的 Means plot 会输出一张折线图，横轴是分组，纵轴是均值。对三组信息来源来说，均值图能一眼看出哪个组传播度最高。但要注意，SPSS 默认把相邻点连成折线，很容易让人误以为分组之间存在连续趋势。分组变量是名义型时，建议在图表编辑器里把连线去掉，只保留点。另一种办法是复制描述统计表里的均值，在 Excel 里画散点图，这样就不存在误导连线，也更方便贴到汇报材料里。
本文还有配套的精品资源，点击获取
