spss多变量方差分析（多个自变量对一个因变量的影响）
spss多变量方差分析（多个自变量对一个因变量的影响）案例：第二部分：协方差分析分析步骤包括两个部分：第一部分：平行性检验自变量与协变量的交互作用：P＞0.05，满足平行性检验，满足协方差分析的条件；P≤0.05，不满足平行性检验，不满足协方差分析的条件。
协方差分析解决的问题：多个自变量（包括离散变量和连续变量）对一个因变量（连续数据）的影响。自变量中的连续变量被作为协变量加以"控制"（控制变量）。
协方差分析可以在一定程度上排除非处理因素的影响，从而准确的获得处理因素的影响。
协方差分析的条件：除了满足一般的方差分析条件外，还需要满足"平行性检验"。
协方差分析是回归分析和方差分析的结合。
分析步骤包括两个部分：
第一部分：平行性检验
自变量与协变量的交互作用：P＞0.05，满足平行性检验，满足协方差分析的条件；P≤0.05，不满足平行性检验，不满足协方差分析的条件。
第二部分：协方差分析
案例：
运动干预对高血压人群的治疗效果研究
实验设计（简化版）：选取54名高血压人群，随机分为3组，分别采用健身走、广场舞、太极拳运动干预。干预时间为6个月。实验前、实验后测试安静收缩压，差值形成变量"血压下降"。已经统计检验过，实验前三组的收缩压基础值差异没有统计学意义。
统计分析思路说明：考虑到年龄可能对血压下降程度有较大影响，而年龄又是连续变量，因此把"年龄"作为"协变量"。在研究运动干预对血压影响的同时，排除协变量"年龄"的影响，使结果更加准确。协方差分析就是用于解决类似问题的。
自变量：锻炼项目
协变量：年龄
因变量：血压下降。
1 部分数据
图1
2 平行性检验
这是协方差分析的一个重要条件。意思是：各组的协变量与因变量存在线性回归关系且斜率基本相同。也就是回归直线近似平行。
可以先做一个散点图，初步探索平行性。
图2 散点图
根据图2，三条回归直线近似平行，可以尝试采用协方差分析。
SPSS步骤：
1）分析-一般线性模型-单变量
图3
2）"血压下降"为"因变量"；"组别"为"固定因子"；"年龄"为"协变量"。
图4
3）点击"模型"。
图5
4）点击"定制"，然后把因子与协变量的主效应和交互作用都选到"模型"列表（默认是没有交互作用的）。点击"继续"。
5）返回"图4"后，点"确定"。下面是结果。
图6
组别与年龄的交互作用，P=0.770＞0.05，说明交互作用不显著。也就是满足平行性检验。
因为交互作用不显著，可以精简模型。把交互作用剔除，再做协方差分析。
3 协方差分析
1）图4状态点击"模型"，把"组别"和"年龄"的交互作用取消。点击"继续"。
图7
2）回到图4后，点击"选项"，如下图勾选。点击"继续"，返回后，点击"确定"查看结果。
图8
4 SPSS结果
1）方差齐性检验结果
图 9
P=0.462＞0.05，方差齐性。满足了协方差分析的另一个条件。
2）方差分析表
图10
组别P=0.019＜0.05，说明三种运动干预方式对血压下降的效果不同。
年龄P=0.000＜0.05，说明年龄的确对血压下降程度产生了影响。排除这部分影响后，使运动干预对血压的影响结果更加准确。
图11
结合图11均值可知。结果：降压效果由高到低依次为HIIT、持续有氧、核心训练。（当然，如果结合后面的成对比较统计结果进一步做出判断会更加合适，篇幅原因，不再展开。）
5 请一定要往下看
如果不考虑"年龄"这个协变量对因变量（血压下降）的影响，结果会怎样？
1）"组别"为"固定因子"；"血压下降"为"因变量"。其他全默认。直接点击"确定"。
图12
2）方差分析表
图13
组别P=0.133＞0.05，说明三种运动干预方式对血压下降的效果相同。
由此可见，不考虑协变量"年龄"时得出了与前面完全相反的结果。
这提示我们：科学研究中选择准确统计方法的重要性，方法一旦选错，我们将无法追求科学真理。
