方差分析报告论文格式

多样本均数的方差分析的结果在论文呵呵，这个我刚好有.

Pearson相关系数可以帮你解决这个问题。下载一个spss分析程序，将数据输入，要有表头（变量名）。在Analyze-Correlate-Bivariate里，将所有变量选入，点击ok，得出输出结果。得出双侧检验的可信度，然后你在确定一个可置信度P，如果得出结果小于你给出的P，则表明相关。一般性来讲小于即可信。如果不用软件，动手算有点复杂。附上原理图。不懂+qq690463945.

单因素独立样本固定效应方差分析分析总结——效应量及其置信区间、Power、趋势分析数据文件：，R中为OA3模拟数据：R:n1<-n2<-n3require(pwr);require(MBESS);require(multicomp);require(car)1 假设检验：Anova(lm(Happy~ Type,data=OA3,contrasts=list(Type=)),type=”III”)##要注意当TypeIII和TypeII两者不一样的时候，需要加入语句：contrasts=list(fcategory=, ) ##Coding，适用TypeIII方法参考R帮助文件>example(Anova)（注：Type II和Type III的区别：在没有交互作用，或不同组之间的被试数比例与总体比例相同时二者无区别；Type II在有交互作用，且不同组之间的被试数比例与总体比例相同时适用；Type III在有交互作用，总体为等比例但样本为不等比例时适用。亦可以回归的方式来做：<-lm(Happy~ Type,data=OA3)summary()得到的结果中后面会用到的是：R2=，F（2,90）=（注：回归方法当中只报告回归的一些参数，不报告SS，但是报告R2（SPSS中不报告），方便接下来计算f2(f2的求法列在下面)）2 效应量及其置信区间①Cohen’s f2及其置信区间f2=()= ’f2=R^2/(1-R^2 )（where R2 is the squared multiple correlation）##参考##Cohen’f2=ncp/N(N=n*k)<() ##求ncp置信区间lambda <- c($$); ##以置信区间的形式显示结果因为f2=ncp/N (N=nK)sqrt( <- lambda / N); （进行转化）#求非中心参数ncp的置信区间，然后根据ncp和f2的关系来求得f2的置信区间#根据上面两个式子可得：f2的置信区间是( )②求η2及其置信区间η2= SSeffect / SStotal在单因素方差分析当中，因为只有一个自变量，η2=R2，所以η2=在SPSS当中用Analyze——General Linear Model——Univariate来进行单因素方差分析可以收集到ηp2、R2、校正R2等数据，而且可以进行更复杂的Contrast。方差分析结果由计算得到的结果（前四项手工输入，最后三项为所需要的结果）：可知η2置信区间为： [，]其实更简单的方法是在R中直接根据f2与η2的代数关系换算出η2的置信区间（^_^）。③求ω2ω2 = (SSeffect - (dfeffect)(MSerror)) / （MSerror + SStotal）=(*)/()= 当前没有求总体ω2置信区间的统计技术参考《Experimental Design Using ANOVA》：P114。注：ω2置信区间和η2置信区间的文献常见的问题是没有定义总体值而直接谈置信区间，这是范式上的错误。④求ηp2（偏η2）ηp2 = SSeffect / (SSeffect + SSerror)=η2=置信区间为：[，]两者相等可以从他们的公式看出来：η2= SSeffect / SStotalηp2 = SSeffect / (SSeffect + SSerror)η2在分母当中包括了其他自变量的效应。而在单因素方差分析中只有一个自变量，所以两者相等。注：在多因素方差分析中，需要根据两者的代数关系来求ηp2的置信区间。如果自变量是随机因素（Random Factor），还可以求效应量指标为。这里只给出计算公式： = (MSeffect - MSerror) / (MSeffect + (dfeffect)(MSerror))其他的效应量还包括：Glass’sΔ、Hedges’ g等。各效应量之间的比较：η2和ηp2是对特定样本效应量的描述统计量，是对效应量总体参数的有偏估计，而ω2是对作为总体参数的效应量的无偏点估计。因此η2和ηp2会高估效应量，所以ω2比η2和ηp2小一点。根据公式：η2= SSeffect / SStotalηp2 = SSeffect / (SSeffect + SSerror)可以看出η2会随着自变量的变多而变小，无法准确体现一个自变量的“效应”，而ηp2则不会。根本原因是η2的的分母中是总和方SStotal，而ηp2的分母是效应变异和误差变异的和（SSeffect+SSerror），因此ηp2不随自变量的增多而变小。但也是正因为如此，各自变量的ηp2 之和不等于1。总的来说，η2的值描述的是在样本当中自变量所产生的变异效果。对于自变量效应量的总体估计值是ω2。3 (u=2,v=90,f2=)Power的主要作用是在研究开始前估计样本量。但是在统计分析之后如果研究结果不显著，可以通过求Power来看还需要多少样本才能够获得显著性结果。4 Post Hocrequire(multcomp)g<-glht(, linfct = mcp(Type =c(”Senior-Mid=0〃,”Senior-Youth=0〃,”Mid-Youth=0〃)))注：必须将所有的差异都写出来，不能一次只单独求一个差值：g<- glht(, linfct = mcp(Type =c(”Senior-Mid=0,”)))注：这是单个Planned test（事前检验）的做法。如果是多个检验，根据所要做的比较的次数会有对α的校正，因此求出的置信区间会比不做校正的要大。事后检验在数学上与对应的多个事前检验结果一样（比如：包括三次比较的时候检验与做了三个比较的事前检验结果是一样的）。因为简单主效应是事后检验，应该进行α的校正，所以在R中应该同时写出三个比较（有几个比较写几个比较）。R中采用的是Turkey HSD的做法，结果与SPSS一致。如果在R中只进行一次比较，结果与SPSS中Post Hoc里面的LSD方法相同，也就是说SPSS当中的LSD方法没有对α进行校正。summary(g) ##可以看显著性检验的结果confint(g) ##求老年人与中年人的简单主效应的置信区间## 关于事后检验的具体方法和优劣参考求非标准化简单主效应非标准化简单主效应就是指并非简单的差值比较，而是较为复杂的多重比较：比如老年人和中年人的平均值与青年人的差值的显著性检验。g<- glht(, linfct = mcp(Type =c(”*Senior + *Mid – Youth=0〃)))##比较老年人和中年人的平均值与青年人的快乐指数summary(g) ##显著性检验结果confint(g) ##求置信区间：在SPSS中选择Contrast，在Coefficients当中依次填入-1，，。结果与R一致。注：这里面要注意一点：指定的系数之和必须是0才能保证各组之间的变异是正交的。另外在网上提供的做法当中填入的系数为-2，1，1，虽然最后的显著性结果是一致的，但这个时候差值的点估计就不和题目相对应了，所以建议用第一种方法指定系数。）SPSS做法其中包括了SPSS的Syntax语句。在进行Contrast比较的时候就涉及到Coding（指定各水平系数）和Orthogonality（正交性）的问题。首先在自变量、水平之间是独立的假设成立的前提下，Coding要保证系数之和等于0，这样就能保证水平之间是正交的。正交的好处在于将效应量完全独立的分解，每次比较不会有重复的部分。如图：正交当样本量不一致时就很不能保证正交。注：这里所提到的Coding指的是对各个哑变量的系数赋值的过程。参考《Experimental Designs Using ANOVA》P124事后检验方法事前检验的效力比事后检验更高。只有在没有条件进行事前检验、或者没有明确的理论预期的时候才进行事后检验。常用的Post Hoc有LSD、Scheffe、Turkey HSD、Bonferroni等。LSD需要等组条件，并且没有对α进行校正，在进行较多检验的时候会提高犯一类错误的可能。Scheffe过于保守，损失大量的Power。但特别适用于不等组情况。Turkey HSD要求等组。在SPSS中对α进行了校正。5 趋势分析（Trend Analysis）：在SPSS中的Contrast选项中选择Polynomial。3个水平最多只能是二次型（Quadratic）。SPSS中趋势分析结果为：趋势分析线性趋势结果显著(F=），Quadratic趋势不显著（F=，p>）。这里的Deviation就相当于回归分析当中的残差。去101学习辅导答疑网看看，那里有专业的老师在线回答问题的！现在注册还免费送金豆！