協方差分析解決的問題：多個自變量(包括離散變量和連續變量)對一個因變量(連續數據)的影響。自變量中的連續變量被作為協變量加以“控制”(控制變量)。

協方差分析可以在一定程度上排除非處理因素的影響，從而準確的獲得處理因素的影響。

協方差分析的條件：除了滿足一般的方差分析條件外，還需要滿足“平行性檢驗”。

協方差分析是回歸分析和方差分析的結合。

分析步驟包括兩個部分：

第一部分：平行性檢驗

自變量與協變量的交互作用：P＞0.05，滿足平行性檢驗，滿足協方差分析的條件；P≤0.05，不滿足平行性檢驗，不滿足協方差分析的條件。

第二部分：協方差分析

案例：

運動干預對高血壓人群的治療效果研究

實驗設計(簡化版)：選取54名高血壓人群，隨機分為3組，分別采用健身走、廣場舞、太極拳運動干預。干預時間為6個月。實驗前、實驗后測試安靜收縮壓，差值形成變量“血壓下降”。已經統計檢驗過，實驗前三組的收縮壓基礎值差異沒有統計學意義。

統計分析思路說明：考慮到年齡可能對血壓下降程度有較大影響，而年齡又是連續變量，因此把“年齡”作為“協變量”。在研究運動干預對血壓影響的同時，排除協變量“年齡”的影響，使結果更加準確。協方差分析就是用于解決類似問題的。

自變量：鍛煉項目

協變量：年齡

因變量：血壓下降。

1部分數據圖1

2平行性檢驗

這是協方差分析的一個重要條件。意思是：各組的協變量與因變量存在線性回歸關系且斜率基本相同。也就是回歸直線近似平行。

可以先做一個散點圖，初步探索平行性。圖2 散點圖

根據圖2，三條回歸直線近似平行，可以嘗試采用協方差分析。

SPSS步驟：

1)分析-一般線性模型-單變量圖3

2)“血壓下降”為“因變量”；“組別”為“固定因子”；“年齡”為“協變量”。圖4

3)點擊“模型”。圖5

4)點擊“定制”，然后把因子與協變量的主效應和交互作用都選到“模型”列表(默認是沒有交互作用的)。點擊“繼續”。

5)返回“圖4”后，點“確定”。下面是結果。圖6

組別與年齡的交互作用，P=0.770＞0.05，說明交互作用不顯著。也就是滿足平行性檢驗。

因為交互作用不顯著，可以精簡模型。把交互作用剔除，再做協方差分析。

3協方差分析

1)圖4狀態點擊“模型”，把“組別”和“年齡”的交互作用取消。點擊“繼續”。圖7

2)回到圖4后，點擊“選項”，如下圖勾選。點擊“繼續”，返回后，點擊“確定”查看結果。圖8

4 SPSS結果

1)方差齊性檢驗結果圖9

P=0.462＞0.05，方差齊性。滿足了協方差分析的另一個條件。

2)方差分析表圖10

組別P=0.019＜0.05，說明三種運動干預方式對血壓下降的效果不同。

年齡P=0.000＜0.05，說明年齡的確對血壓下降程度產生了影響。排除這部分影響后，使運動干預對血壓的影響結果更加準確。圖11

結合圖11均值可知。結果：降壓效果由高到低依次為HIIT、持續有氧、核心訓練。(當然，如果結合后面的成對比較統計結果進一步做出判斷會更加合適，篇幅原因，不再展開。)

5請一定要往下看

如果不考慮“年齡”這個協變量對因變量(血壓下降)的影響，結果會怎樣？

1)“組別”為“固定因子”；“血壓下降”為“因變量”。其他全默認。直接點擊“確定”。圖12

2)方差分析表圖13

組別P=0.133＞0.05，說明三種運動干預方式對血壓下降的效果相同。

由此可見，不考慮協變量“年齡”時得出了與前面完全相反的結果。

這提示我們：科學研究中選擇準確統計方法的重要性，方法一旦選錯，我們將無法追求科學真理。

關注嗶哩嗶哩：科研與統計，了解更多相關知識、信息。

總結

以上是生活随笔為你收集整理的两个自变量和一个因变量spss_多个自变量（包括离散变量和连续变量）对一个因变量的影响（SPSS：协方差分析）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。