单因素方差分析(详细版)课件.ppt

《单因素方差分析(详细版)课件.ppt》由会员分享，可在线阅读，更多相关《单因素方差分析(详细版)课件.ppt（75页珍藏版）》请在三一办公上搜索。

1、单因素方差分析,(One-Way ANOVA),1,t课件,1、问题与数据,有研究者认为，体力活动较多的人能更好地应对职场的压力。为了验证这一理论，某研究招募了31名受试者，测量了他们每周进行体力活动的时间(分钟)，以及应对职场压力的能力。根据体力活动的时间数，受试者被分为4组：久坐组、低、中、高体力活动组，变量名为group。利用Likert量表调查的总得分来评估应对职场压力的能力，分数越高，表明应对职场压力的能力越强，变量名为coping_stress。应对职场压力的能力，可以简写为CWWS得分。研究者想知道，CWWS得分的高低是否取决于体力活动的时间，即coping_stress变量的平

2、均得分是否随着group变量的不同而不同（部分数据如右图）,2,t课件,2、对问题的分析,研究者想分析不同group间的coping_stress得分差异，可以采用单因素方差分析。单因素方差分析适用于2种类型的研究设计：1）判断3个及以上独立的组间均数是否存在差异；2）判断前后变化的差值是否存在差异。使用单因素方差分析时，需要考虑6个假设。假设1：因变量为连续变量；假设2：有一个包含2个及以上分类、且组别间相互独立的自变量；假设3：每组间和组内的观测值相互独立；假设4：每组内没有明显异常值；假设5：每组内因变量符合正态分布；假设6：进行方差齐性检验，观察每组的方差是否相等。那么，进行单因素方差

3、分析时，如何考虑和处理这6项假设呢？,3,t课件,3、思维导图,4,t课件,5,t课件,4、对假设的判断,假设1：因变量为连续变量；假设2：有一个包含2个及以上分类、且组别间相独立的自变量；假设3：每组间及组内的观测值相互独立。和研究设计有关，需根据实际情况判断。,假设4：每组内没有明显异常值。如果某个组别中的某些因变量取值和其他值相比特别大或者特别小，则称之为异常值。异常值会影响该组的均数和标准差，因此会对最终的统计检验结果产生很大的负面影响。对于小样本研究，异常值的影响尤其显著，必须检查每组内是否存在明显异常值。以下将说明如何在SPSS中利用箱线图（Boxplots）检查是否存在异常值，以

4、及存在异常值时的几种处理方法。,6,t课件,(1)在主菜单点击Analyze Descriptive Statistics Explore.： 出现右图Explore对话框：,利用箱线图（Boxplots）检查是否存在异常值，以及存在异常值时的几种处理方法,7,t课件,(2)把因变量coping_stress送入Dependent List框中，把自变量group送入Factor List框中：,(3)点击Plots.，出现Explore: Plots对话框：,8,t课件,(4)在Boxplots模块内保留系统默认选项Factor levels together，在Descriptive模块内

5、取消选择Stem-and-leaf，在下方勾选Normality plots with tests（执行 Shapiro-Wilks检验）：,点击Continue，返回Explore对话框。(5)在Display模块内点击Plots：,如果使用偏度和峰度（skewness and kurtosis）进行正态性判断，则保留Display模块内的默认选项Both或者选择Statistics。,(6) 点击OK，输出结果。,9,t课件,根据如下输出的箱线图，判断每个组别内是否存在异常值。,10,t课件,SPSS中将距离箱子边缘超过1.5倍箱身长度的数据点定义为异常值，以圆点表示；将距离箱子边缘超过3

6、倍箱身长度的数据点定义为极端值（极端异常值），以星号（*）表示。为容易识别，在Data View窗口异常值均用其所在行数标出。本例数据箱线图无圆点或星号，因此无异常值。假如数据中存在异常值和极端异常值，其箱线图如右：,箱线图是一种比较简单和流行的异常值检验方法，当然同样存在一些更为复杂的方法，这里不过多介绍。,11,t课件,如何处理数据中存在的异常值,异常值的处理方法分为2种：(1) 保留异常值：1）采用非参数Kruskal-Wallis H检验；2）用非最极端的值来代替极端异常值（如用第二大的值代替）；3）因变量转换成其他形式；4）将异常值纳入分析，并坚信其对结果不会产生实质影响。(2) 剔

7、除异常值：直接删除异常值很简单，但却是没有办法的办法。当我们需要删掉异常值时，应报告异常值大小及其对结果的影响，最好分别报告删除异常值前后的结果。而且，应该考虑有异常值的个体是否符合研究的纳入标准。如果其不属于合格的研究对象，应将其剔除，否则会影响结果的推论。,导致数据中存在异常值的原因有3种：(1) 数据录入错误：首先应该考虑异常值是否由于数据录入错误所致。如果是，用正确值进行替换并重新进行检验；(2) 测量误差：如果不是由于数据录入错误，接下来考虑是否因为测量误差导致（如仪器故障或超过量程）；(3) 真实的异常值：如果以上两种原因都不是，那最有可能是一种真实的异常数据。这种异常值不好处理，

8、但也没有理由将其当作无效值看待。目前它的处理方法比较有争议，尚没有一种特别推荐的方法。需要注意的是，如果存在多个异常值，应先把最极端的异常值去掉后，重新检查异常值情况。这是因为有时最极端异常值去掉后，其他异常值可能会回归正常。,12,t课件,如果样本量较小（50），并且对正态Q-Q图或其他图形方法的结果诠释不够有把握，推荐采用Shapiro-Wilk检验。每组自变量都会有一个Shapiro-Wilk正态性检验结果。本例结果见如下Tests of Normality表格。,假设5：每组内因变量符合正态分布,正态性检验有很多方法，这里只介绍最常用的一种：Shapiro-Wilk正态性检验（其他还有

9、偏度和峰度值、直方图等）。在假设4的判断中，我们在Explore: Plots对话框中勾选了Normality plots with tests，输出结果中会给出Shapiro-Wilk检验的结果。,如果样本量大于50，推荐使用正态Q-Q图等图形方法进行正态判断，因为当样本量较大时，Shapiro-Wilk检验会把稍稍偏离正态分布的数据也标记为有统计学差异，即数据不服从正态分布。,如果数据符合正态分布，显著性水平（蓝框中的Sig.）应该大于0.05。Shapiro-Wilk检验的无效假设是数据服从正态分布，备择假设是数据不服从正态分布。因此，如果拒绝无效假设（P0.05），表示数据不服从正态分

10、布；如果不能拒绝无效假设，则不能认为数据不服从正态分布。本例中每组正态性检验P值均大于0.05，因此不能认为每组因变量不服从正态分布。,13,t课件,假设6：进行方差齐性检验，观察每组的方差是否相等。在第五部分SPSS操作中进行判断。,如果数据不服从正态分布，可以有如下4种方法进行处理：(1) 数据转换：对转换后呈正态分布的数据进行单因素方差分析。当各组因变量的分布形状相同时，正态转换才有可能成功。对于一些常见的分布，有特定的转换形式，但是对于转换后数据的结果解释可能比较复杂。(2) 使用非参数检验：可以使用Kruskal-Wallis H检验等非参数检验方法，但是要注意Kruskal-Wal

11、lis H检验和单因素方差分析的无效假设和备择假设不太一致。(3) 直接进行分析：由于单因素方差分析对于偏离正态分布比较稳健，尤其是在各组样本量相等或近似相等的情况下，而且非正态分布实质上并不影响犯I型错误的概率。因此可以直接进行检验，但是结果中仍需报告对正态分布的偏离。(4) 检验结果的比较：将转换后和未转换的原始数据分别进行单因素方差分析，如果二者结论相同，则再对未转换的原始数据进行分析。,14,t课件,(1)点击Analyze Compare Means One-Way ANOVA：,5、SPSS操作,出现One-Way ANOVA对话框：,5.1 单因素方差分析（ONEWAY proc

12、edure）事后两两比较（post hoc test）,15,t课件,(2)把因变量coping_stress送入Dependent List框中，自变量group送入Factor框中：,(3)点击Options，出现One-Way ANOVA: Options对话框：,16,t课件,(4)在Statistics模块勾选Descriptive，Homogeneity of variance test和Welch，同时勾选Means plot：,(5) 点击Continue，返回One-Way ANOVA对话框。,17,t课件,(6)点击Post Hoc，出现One-Way ANOVA: Pos

13、t Hoc Multiple Comparisons对话框：,对话框根据方差齐性检验的假设是否满足，分为2个主要区域：,18,t课件,(7)在Equal Variances Assumed模块内勾选Tukey，在Equal Variances Not Assumed模块内勾选Games-Howell：,(8) 可以在Significance level框中修改显著性水平的大小（系统默认为0.05，表示当P0.05时差异具有统计学意义，可以将其数值修改为0.01）。,注：在Equal Variances Assumed模块内SPSS提供了许多两两比较的方法。例如，LSD法为“最小显著差数法”，是

14、在无校正的前提下，在不同组间进行多次两个独立样本t检验；Bonferroni法是比较流行的方法，同LSD法类似在多组间进行两个独立样本t检验，但是采用了Bonferroni法进行校正。,(9)点击Continue，返回One-Way ANOVA对话框。,(10)点击OK，输出结果。,19,t课件,出现Univariate对话框：,(1)点击Analyze General Linear Model Univariate.,5.2 一般线性模型（GLM procedure）求效应量（偏2）,20,t课件,(2)把因变量coping_stress送入Dependent List框中，自变量group

15、送入Fixed Factor(s)框中,(3)点击Options.，出现 Univariate: Options对话框：,21,t课件,(4)在Display模块内勾选Estimates of effect size：,(6)点击OK，输出结果。,(5)点击Continue，返回Univariate对话框。,22,t课件,(1)点击Analyze General Linear Model Univariate.,5.3 一般线性模型（GLM procedure）自定义组间比较（custom contrasts）,如果只关心特定组别间的差异，你需要知道如何进行自定义比较（custom contr

16、asts），以及如何对多重比较结果进行调整，这就要用到SPSS软件中的Syntax Editor窗口编写相应程序语句。当满足方差齐性条件时，推荐采用GLM程序进行自定义组间比较。,23,t课件,(2)把因变量coping_stress送入Dependent List框中，自变量group送入Fixed Factor(s)框中,出现Univariate对话框：,24,t课件,(3)点击Paste，出现IBM SPSS Statistics Syntax Editor窗口：,25,t课件,(4)在 /PRINT 和 /CRITERIA两行中间，输入 /LMATRIX = group -1 1 0

17、0,本例中久坐组系数为-1，“低”体力活动组系数为1，其他组别均为0，则是要比较久坐组和“低”体力活动组的CWWS得分差异，看二者的平均CWWS得分差值是否为0（用“低”体力活动组得分减去久坐组得分，即系数为1的组别减去系数为-1的组别，以系数为-1的组别为参照组，系数赋值的正负与研究设计和研究假设有关）。,注：自定义比较包括了简单比较（simple contrasts）和复合比较（complex contrasts）。简单比较为只比较自变量某两个组别间的差异，需要建立线性比较函数（linear contrast，）。它包含一系列系数和每个组别对应的均数，系数取值只能为1，-1，0。我们把要比

18、较的两组的系数分别赋值为1和-1，其他不比较的组别系数赋值为0。,/LMATRIX= 旨在告诉SPSS我们要做一个自定义假设；group表示将要进行比较的自变量组别；-1 1 0 0表示要进行比较的系数，系数的顺序和SPSS里输入的组别顺序有关：这里从左到右（-1 1 0 0）分别对应着久坐组、“低”、“中”和“高”体力活动组，表示将“低”体力活动组与久坐组进行比较。,26,t课件,(5)用/LMATRIX指令增加另外2种比较： /LMATRIX = group -1 1/3 1/3 1/3 /LMATRIX = group -1/2 -1/2 1/2 1/2,本例中，/LMATRIX = g

19、roup -1 1/3 1/3 1/3表示“低”、“中”和“高”体力活动组的组合整体与久坐组CWWS得分差异的比较，/LMATRIX = group -1/2 -1/2 1/2 1/2表示“中”和“高”体力活动组的组合与“低”体力活动组和久坐组组合的比较。,注：复合比较为比较自变量超过2个组别的组合间的差异，如比较B组与C、D两组的组合间的差异，或C、D两组间的组合与A、D两组间组合的差异。同样采用线性比较函数的方法，某组合的系数赋值为1或-1除以组合内的组数，但是要保证要比较的组间组合与另一组（组合）的所有系数加起来为0，系数赋值的正负与研究设计和研究假设有关。,27,t课件,(6)多重比较

20、的校正,接下来，我们需要校正显著性水平（），通常也可以校正每次比较的P值和可信区间，得到调整后P值和联合可信区间（simultaneous confidence intervals）。我们首先采用Bonferroni方法对显著性水平进行校正，公式如下：调整后=调整前 比较的次数本例中我们需要进行3次比较，则调整后=0.053=0.01667。,(7) 箭头标注处为SPSS软件默认的显著性水平=0.05： /CRITERIA=ALPHA(.05),28,t课件,(8)我们将其改为调整后的显著性水平=0.1667： /CRITERIA=ALPHA(.01667),29,t课件,(9)在菜单栏点击R

21、un All：,30,t课件,(1)点击Analyze Compare Means One-Way ANOVA：,出现One-Way ANOVA对话框：,5.4 单因素方差分析（ONEWAY procedure）自定义组间比较（custom contrasts）,31,t课件,(2)把因变量coping_stress送入Dependent List框中，自变量group送入Factor框中：,(3)点击Contrasts，出现 One-Way ANOVA: Contrasts对话框：,32,t课件,(4)在Coefficients模块中输入第一组比较（如-1 1 0 0）的第一个系数，点击Ad

22、d：,(5)在Coefficients模块中输入第一组比较（如-1 1 0 0）的其他系数，点击Add：,33,t课件,(6)点击Next，输入新的自定义比较组，此时下图中红框区域内将变为 Contrast 2 of 2：,(7)按照之前的方式输入第二个比较组（如-1 1/3 1/3 1/3）：,注：Coefficients模块中无法输入分数，最多只能输入3位小数的数值来代替。因此本例中输入0.333代替1/3，但是由于最后总和不等于1（0.3333=0.999），因此我们将在后面的第（11）（12）步中进行调整。,34,t课件,(8)继续点击Next，输入新的自定义比较组，此时下图中红框区域

23、内将变为 Contrast 3 of 3：,(9)按照之前的方式输入第三个比较组（如-1/2 -1/2 1/2 1/2）：,35,t课件,(10)点击Continue，返回One-Way ANOVA对话框。,(11)点击Paste，进入IBM SPSS Statistics Syntax Editor窗口：,36,t课件,(12)手动增加小数位数，如把小数位数从3位改为10位（0.333改为0.3333333333）：,37,t课件,(13)在菜单栏中点击Run All：,38,t课件,6、结果解释,SPSS会给出自变量每个组别的基本情况统计表，以便对数据有个初步的了解：,6.1 基本描述,各

24、列变量含义对应如下：,基本情况统计表中每一行均代表着group（自变量）不同组别的coping_stress（因变量）统计结果。可以由此判断：1）哪两组间例数（N）相同；2）哪些组的平均得分（Mean）较高或较低；3）是否每组的变异情况相同（Std. Deviation）。,39,t课件,本例中，各组的样本量不相等（范围7-9），并且随着体力活动水平的增加（即自变量group），应对职场压力的能力有上升趋势（CWWS得分，即因变量coping_stress）。例如从“久坐组”到“高”体力活动组，平均得分从4.1513增加为7.5054，但是各组标准差明显不同（范围0.77137-1.69131

25、）。不同体力活动组别的CWWS得分见右图：,40,t课件,单因素方差分析假设不同组别的因变量变异相等。如果不相等，则会增加犯I型错误的概率。使用Levenes方差齐性检验来检验方差齐的假设，检验结果见如下Test of Homogeneity of Variances表格：,6.2 方差齐性检验结果,Sig.一列数值代表了检验的P值。如果Levenes检验的差异具有统计学意义（P0.05），则不能拒绝方差齐的假设。本例中，P=0.120，表示各组方差相等。,41,t课件,在满足方差齐性假设的前提下，单因素方差分析结果如下：,6.3 满足方差齐性假设的结果,如果单因素方差分析显示差异具有统计学意

26、义（P0.05，则表示各组间均数差异无统计学意义。本例中，P值显示为0.000，不代表P值实际为0，而是表示P0.001。本例各组间（group）的得分（coping_stress）均数差异具有统计学意义。即在不同水平的体力活动组间，应对职场压力的能力（CWWS得分）差异具有统计学意义，F(3,27)=8.316,P0.0005。,42,t课件,以上具体结果来自于下表：,如果经单因素方差分析，差异无统计学意义，则报告如下：在不同水平的体力活动组间，应对职场压力的能力（CWWS得分）差异无统计学意义，F(3,27)=1.116, P=0.523。,表中各部分的含义如下：,43,t课件,如果事前没

27、有对特定组间差异进行假设，或者关心所有组间的两两比较，则应该进行所有组间的两两比较（post hoc test）。当满足方差齐性的条件时，推荐使用Tukey检验进行组间两两比较。Tukey检验不仅提供了每两个组间比较的P值，也给出了均数差值的可信区间（即Tukey区间）。,6.4 Tukey检验结果,本例中由于各组例数不等，SPSS软件会进行Tukey-Kramer检验，但以下我们依然称之为Tukey检验。结果见右表的Multiple Comparisons表格：,注：当各组例数不相等时，Tukey检验可能不太适用，此时应该进行校正后的Tukey-Kramer检验。Tukey-Kramer检验

28、结果偏保守，但适用于各组例数不等的情况，当各组例数相等时，结果与Tukey检验相同。当勾选了Tukey检验，在各组例数不同时SPSS软件会自动给出Tukey-Kramer检验结果。,44,t课件,本例中自变量分为4组，因此会有6种不同的组间组合。当我们要比较久坐组和“低”体力活动组结果时，可以见如下标黄部分。2行均为2组比较的结果，但是均值差值的计算方式不同，故数值相同，但符号相反，均值差值的95%可信区间也是如此。而均数差值的标准误和P值结果，2行是完全一致的。,45,t课件,我们也可以根据之前Descriptives表格的结果，自己手动验证一下：,Multiple Comparisons表

29、中各列名如下：,46,t课件,让我们解读一下标黄的久坐组和“低”体力活动组比较结果：,“低”体力活动组的CWWS平均分比久坐组高1.72762分，P=0.0920.05，表示两组间差异无统计学意义（即两组间均数差值等于0）。两组间均数差值的95%可信区间为-0.20583.6610，该区间范围包括0，等同于P0.05，差异无统计学意义。,47,t课件,我们再来解读一下标黄的“高”体力活动组和久坐组比较结果：,可以看出，“高”体力活动组的CWWS平均分比久坐组高3.35409分，P=0.001。我们可以报告：“高”体力活动组的平均CWWS得分(7.51.2)比久坐组(4.20.8)高3.4(95

30、%CI：1.35.4)，差异具有统计学意义(P=0.001)。,48,t课件,目前许多杂志要求除了列出上述结果，还要报告效应量。,因此，本例的2计算结果如下：,公式里的各指标见ANOVA表格：,计算单因素方差分析的效应量有很多方法，比较推荐的是计算2，公式如下：,49,t课件,结果显示，偏2=0.480。偏2表示控制了其他自变量后，因变量被某一自变量解释的百分比（单因素方差分析时，即自变量对因变量的解释程度），代表样本的效应量；与偏2相比，2还考虑了抽样误差，可以提供相对准确的总体效应量的估计。,同样地，我们也可以报告偏2，在Tests of Between-Subjects Effects表

31、格中group一行，列名为Partial Eta Squared（已标黄）：,50,t课件,当方差不齐时，必须使用校正的单因素方差分析。本例采用Welch方差分析，结果见Robust Tests of Equality of Means表格：,6.5 不满足方差齐性假设的结果,可以报告：不同水平的体力活动组间，应对职场压力的能力（CWWS得分）差异具有统计学意义，Welch F(3,14.574)=14.821, P0.0005。当差异无统计学意义时，我们也可以报告：不同水平的体力活动组间，应对职场压力的能力（CWWS得分）差异无统计学意义，Welch F(3,12.325)=1.316, P

32、=0.523。,51,t课件,结果叙述里的指标与Robust Tests of Equality of Means表格对应如下：,每部分的含义如下：,52,t课件,当方差不齐，而且关心所有组间的两两比较时，推荐采用Games-Howell检验。Games-Howell检验不仅提供了每两个组间比较的P值，也给出了均数差值的可信区间。本例结果见如下Multiple Comparisons表格：,6.6 Games-Howell检验,Games-Howell检验的结果解释与Tukey检验相同，这里不再赘述。大家可以参阅第4部分Tukey检验结果的解读。,53,t课件,当我们在GLM程序中的synta

33、x编辑器输入了自定义比较的组别后，我们会得到如下Contrast Results (K Matrix) 表格。此表为久坐组和“低”体力活动组比较的结果，与我们当时输入的比较顺序对应一致。,6.7 当方差齐时，自定义组间比较的结果,54,t课件,首先，我们来看Contrast Estimate、Lower Bound和Upper Bound这三行的结果。Contrast Estimate一行结果为1.728，这是所比较的2组间的均数差值，见下图：,均数差值的95% （联合）CI为-0.0763.531。但是，我们注意到最后一行写的是98.333% CI for difference，和我们表述的

34、95% CI略有差异。这是因为为了使三次比较的总体CI达到95%，每次比较的CI实际会高于95%。同时，由于之前为了计算联合CI调整了显著水平，并没有调整P值，因此Sig.=0.021为未调整的P值（调整后P值=报告P值比较次数，本例为0.0213=0.063）。如果调整后P值0.05，两组差异无统计学意义。,55,t课件,第二组比较为久坐组与非久坐组（“低”、“中”、“高”体力活动组的组合）均数的比较（/LMATRIX = group -1 1/3 1/3 1/3），即复合比较的第一组，见下图：,相应结果见如下Contrast Results (K Matrix) 表格：,Contrast

35、Estimate一行结果为2.684，计算方法为2.684= (5.879+7.123+7.505) / 3-4.151。其他结果解释和P值的调整方法与第一组相同。本次比较调整后P值=0.0004，差异具有统计学意义。,56,t课件,第三组比较为2个高水平体力活动组（“中”、“高”体力活动组的组合）与2个低体力活动组（久坐组、“低”体力活动组的组合）均数的比较（/LMATRIX = group -1/2 -1/2 1/2 1/2），即复合比较的第二组，Contrast Results (K Matrix)表格结果见下图：,Contrast Estimate一行结果为2.299，计算方法为2.2

36、99= (7.123+7.505) / 2- (5.879+4.151) / 2=7.314-5.015。其他结果解释和P值的调整方法与之前相同。本次比较调整后P值=0.0003，差异具有统计学意义。,注：另一种校正多重比较的方法是将未调整的P值与调整后的显著性水平进行比较。本例要进行3次比较，故调整后=0.05/3=0.01667。如果未调整P值0.01667，则差异具有统计学意义。,57,t课件,当方差不齐时，我们在SPSS软件中使用ONEWAY ANOVA程序来进行自定义组间比较。首先，我们看Contrast Coefficients表格：,6.8 当方差不齐时，自定义组间比较的结果,该

37、表格列出了我们之前输入的每个自定义比较组的各组别系数。,Contrast Tests表格分为2部分：Assume equal variances（方差齐）和Does not assume equal variances（方差不齐）。我们来看方差不齐的结果，第一组比较（久坐组和“低”体力活动组）的结果，见下图标黄的第“1”行：,58,t课件,Contrast Tests表格分为2部分：Assume equal variances（方差齐）和Does not assume equal variances（方差不齐）。我们来看方差不齐的结果，第一组比较（久坐组和“低”体力活动组）的结果，见下图标黄的

38、第“1”行：,Value of Contrast一列结果为1.728，这是所比较的2组间的均数差值，见左图：,两组均数差值的标准误（Std. Error）为0.635，P（Sig. (2-tailed)）=0.019。单独看这组自定义的比较（不考虑其他两组自定义的比较），如果P0.05，两组差异无统计学意义。,59,t课件,第二组比较为久坐组与非久坐组（“低”、“中”、“高”体力活动组的组合）均数的比较，即复合比较的第一组，结果见下图标黄的第“2”行：,Value of Contrast一列结果为2.684，这是所比较的2组间的均数差值，其标准误（Std. Error）为0.423，P（Sig

39、. (2-tailed)）0.0005。,60,t课件,第三组比较为2个高水平体力活动组（“中”、“高”体力活动组的组合）与2个低体力活动组（久坐组、“低”体力活动组的组合）均数的比较，即复合比较的第二组，结果见下图标黄的第“3”行：,Value of Contrast一列结果为2.299，这是所比较的2组间的均数差值，其标准误（Std. Error）为0.483，P（Sig. (2-tailed)）0.0005。,如果要同时进行多重自定义比较，我们需要采用Bonferroni方法对显著性水平进行调整。本例要进行3次比较，故调整后=0.05/3=0.01667。如果未调整P值0.01667，组

40、间差异无统计学意义。本例第一组自定义比较的P=0.019，如果与校正后的=0.01667比较，则久坐组和“低”体力活动组的差异不再具有统计学意义。,61,t课件,7、结论,采用单因素方差分析方法，判断不同水平体力活动组间的应对职场压力的能力（CWWS得分）是否有差异。受试者被分为4组：久坐组（7人）、“低”体力活动组（9人）、“中”体力活动组（8人）、“高”体力活动组（7人）。经箱线图判断，数据无异常值；经Shapiro-Wilk检验，各组数据服从正态分布（P0.05）；经Levenes方差齐性检验，各组数据方差齐（P=0.120）。数据以均数标准差的形式表示。CWWS得分按照从久坐组(4.2

41、0.8)、“低”体力活动组(5.91.7)、“中”体力活动组(7.11.6)、“高”体力活动组(7.51.2)的顺序增加，但是不同体力活动组间的CWWS得分差异无统计学意义，F(3,27)=1.116,P=0.523。,7.1 当方差齐，方差分析显示组间差异无统计学意义时,62,t课件,采用Welch方差分析方法，判断不同水平体力活动组间的应对职场压力的能力（CWWS得分）是否有差异。受试者被分为4组：久坐组（7人）、“低”体力活动组（9人）、“中”体力活动组（8人）、“高”体力活动组（7人）。经箱线图判断，数据无异常值；经Shapiro-Wilk检验，各组数据服从正态分布（P0.05）；经L

42、evenes方差齐性检验，各组数据方差不齐（P=0.002）。数据以均数标准差的形式表示。CWWS得分按照从久坐组(4.20.8)、“低”体力活动组(5.91.7)、“中”体力活动组(7.11.6)、“高”体力活动组(7.51.2)的顺序增加，但是不同体力活动组间的CWWS得分差异无统计学意义，Welch F(3,12.325)=1.316, P=0.523。,7.2 当方差不齐，方差分析显示组间差异无统计学意义时,63,t课件,采用单因素方差分析方法，判断不同水平体力活动组间的应对职场压力的能力（CWWS得分）是否有差异。受试者被分为4组：久坐组（7人）、“低”体力活动组（9人）、“中”体力

43、活动组（8人）、“高”体力活动组（7人）。经箱线图判断，数据无异常值；经Shapiro-Wilk检验，各组数据服从正态分布（P0.05）；经Levenes方差齐性检验，各组数据方差齐（P=0.120）。数据以均数标准差的形式表示。不同体力活动组间的CWWS得分差异具有统计学意义，F(3,27)=8.316, P0.0005，2=0.42。CWWS得分按照从久坐组(4.20.8)、“低”体力活动组(5.91.7)、“中”体力活动组(7.11.6)、“高”体力活动组(7.51.2)的顺序增加。Tukey检验结果表明，从久坐组到“中”体力活动组，CWWS平均得分增加2.97（95%CI：0.994.

44、96），差异具有统计学意义（P=0.002）；从久坐组到“高”体力活动组，CWWS平均得分增加3.35（95%CI：1.305.40），差异具有统计学意义（P=0.001）；其他组间两两比较的结果差异无统计学意义。,7.3 当方差齐，方差分析显示组间差异有统计学意义，并进行了两两比较时,64,t课件,采用Welch方差分析方法，判断不同水平体力活动组间的应对职场压力的能力（CWWS得分）是否有差异。受试者被分为4组：久坐组（7人）、“低”体力活动组（9人）、“中”体力活动组（8人）、“高”体力活动组（7人）。经箱线图判断，数据无异常值；经Shapiro-Wilk检验，各组数据服从正态分布（P0

45、.05）；经Levenes方差齐性检验，各组数据方差不齐（P=0.003）。不同体力活动组间的CWWS得分差异具有统计学意义，F(3，14.574)=14.821，P0.0005。CWWS得分按照从久坐组(4.20.8)、“低”体力活动组(5.91.7)、“中”体力活动组(7.11.6)、“高”体力活动组(7.51.2)的顺序增加。Games-Howell检验结果表明，从久坐组到“中”体力活动组，CWWS平均得分增加2.97（95%CI：1.074.88），差异具有统计学意义（P=0.003）；从久坐组到“高”体力活动组，CWWS平均得分增加3.35（95%CI：1.665.05），差异具有统

46、计学意义（P=0.001）。,7.4 当方差不齐，方差分析显示组间差异有统计学意义，并进行了两两比较时,65,t课件,各组间均数差异有统计学意义（P0.05）。因此，可以拒绝无效假设，接受备择假设。,7.5 从无效假设和备择假设的角度出发，当单因素方差分析或Welch方差分析显示组间差异有统计学意义时,各组间均数差异无统计学意义（P0.05）。因此，不能拒绝无效假设，不能接受备择假设。,7.6 从无效假设和备择假设的角度出发，当单因素方差分析或Welch方差分析显示组间差异无统计学意义时,66,t课件,8 绘制图表,(1) 在菜单栏中，点击Graphs Chart Builder.：,8.1

47、在SPSS软件中生成柱状图,出现如右图所示Chart Builder对话框：,67,t课件,(2)在Chart Builder对话框的左下角，Choose from:模块中选择“Bar”：,68,t课件,(3)在Chart Builder对话框的中下部，出现8个不同的柱状图选项，把左上角的第一个（Simple Bar）拖进上面的主要图表预览窗口，并点击Element Properties：,69,t课件,(4)出现下图，图表预览窗口的柱状图横纵轴分别显示“X-Axis?”和“Y-Axis?”：,70,t课件,(5)从Variables:模块中把自变量group拖进“X-Axis?”，把因变量c

48、oping_stress拖进“Y-Axis?”：,71,t课件,(6)在Element Properties对话框中勾选Display error bars，激活Error Bars Represent 模块，勾选Confidence intervals，Level (%):设定为95，当然也可以根据需要勾选Standard error或者Standard deviation，如右图所示。(7) 点击Apply，进行确认。(8) 如果想改变自变量分组的顺序，在Edit Properties of: 模块中点击X-Axis1 (Bar1)进行设置。(9) 如果想改变因变量的范围或刻度，在Edit Properties of: 模块中点击Y-Axis1 (Bar1)进行设置。(10) 在Chart Builder对话框中点击OK。,72,t课件,按照上述操作步骤，生成简单柱状图如下：,8.2 简单柱状图结果,图中每个柱子的高度表示各组均值的大小，error bar表示均值的95%CI。SPSS软件会自动生成灰色背景、米黄色柱子的柱状图，但是这种样式的图对于学术文章的发表可能不太适用。,73,t课件,我们可以使用SPSS软件的图形编辑工具，得到如下更适用于学术研究的柱状图：,74,t课件,Thanks,75,t课件,