多因素方差分析，用于研究一个因变量是否受到多个自变量(也称为因素)的影响，它检验多个因素取值水平的不同组合之间，因变量的均值之间是否存在显著的差异。多因素方差分析既可以分析单个因素的作用(主效应)，也可以分析因素之间的交互作用(交互效应)，还可以进行协方差分析，以及各个因素变量与协变量的交互作用。
多因素方差分析
根据观测变量(即因变量)的数目，可以把多因素方差分析分为：单变量多因素方差分析(也叫一元多因素方差分析)与多变量多因素方差分析(即多元多因素方差分析)。本文将重点讲述一元多因素方差分析，下篇文章将详细讲述多元多因素方差分析。
一元多因素方差分析：只有一个因变量，考察多个自变量对该因变量的影响。例如：分析不同品种、不同施肥量对农作物产量的影响时，可将农作物产量作为观测变量，品种和施肥量作为控制变量。利用多因素方差分析方法，研究不同品种、不同施肥量是如何影响农作物产量的，并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。
分析原理
通过计算F统计量，进行F检验。F统计量是平均组间平方和与平均组内平方和的比。
这里，把总的影响平方和记为SST，它分为两个部分，一部分是由控制变量引起的离差，记为SSA(组间离差平方和)，另一部分是由随机变量引起的SSE(组内离差平方和)。即SST=SSA+SSE。组间离差平方和SSA是各水平均值和总体均值离差的平方和，反映了控制变量的影响。组内离差平方和是每个数据与本水平组平均值离差的平方和，反映了数据抽样误差的大小程度。
通过F值看出，如果控制变量的不同水平对观测变量有显著影响，那观测变量的组间离差平方和就大，F值也大；相反，如果控制变量的不同水平没有对观测变量造成显著影响，那组内离差平方和就比较大，F值就比较小。
同时，SPSS还会依据F分布表给出相应的相伴概率值sig。如果sig小于显著性水平(一般显著性水平设为0.05、0.01、或者0.001)，则认为控制变量不同水平下各总体均值有显著差异，反之，则不然。一般地，F值越大，则sig值越小。
简单相关分析
方法原理
(1)直线相关：两变量呈线性关系；
(2)曲线相关：存在相关趋势，但并非线性；
(3)正相关和负相关：两变量增加趋势是否一致；
(4)完全相关：相关程度亲密无间的程度。
注：当变量为有序变量或者名义变量时，一般不考虑直线、曲线相关问题。
系数计算
取值-1~1，r>0,正相关；r<0，负相关； 接近1，相关性好，接近哦，相关性差。
相关系数的检验方法
相关系数计算后需对其进行检验，H0： ，两变量间无直线相关关系。主要是T检验。SPSS会给出相关系数值和最终的P值。
积差相关系数的适用条件
首先：考虑两变量是否可能存在相关关系。
(1)积差香瓜系数只适用线性相关的情形，对曲线相关等并不适用
(2)样本极端值对积差相关系数的影响较大。要慎重，剔除或者变换
(3)积差相关系数要求相应变量呈双变量正态分布。(较宽松)
其次：做散点图
(1)看出是否存在相关趋势；
(2)呈现线性趋势还是曲线趋势，是否可直接使用线性相关的积差相关系数；
(3)是否有明显极端点。
案例
考察总信心指数值和年龄的相关性
首先：变量均为连续变量，考虑使用两个连续性变量的相关性指标。
其次：绘制散点图(略)
对变量进行正态非参数检验：
正态性检验
两则均不为正态，但由于条件3可放宽。因而采用Pearson和Spearman双重检验。
步骤：“分析”——“相关”——“双变量相关性”
结果：
pearson相关性结果Spearman相关性结果
可以看出：给出相关系数、P值、样本数。相关pearson系数为-0.219，Spearman相关系数为-0.213.且P值＜0.05.所以：两变量间的负相关是有统计学意义的，随着年龄的增加，总指数呈现减少的趋势。
注：Spearman等级相关系数，又称秩相关系数，是利用两变量的秩次大小进行线性相关分析的，对原始变量的分布不做要求，属于非参数统计方法。
Kendall等级相关系数：在“交叉表”——“统计量”中。用于反映分类变量的相关性的指标，适用于两个变量均为有序分类的情况。
注意：秩相关系数和等级相关系数(均丢失变量某些信息)的绝对值都小于积差相关系数。
SPSS分析案例
现在有一个公司员工的工资表，想看一下员工性别“gender”与接受教育年限“edu”这两个控制变量对员工“当前工资”的影响。采用多因素方差分析法，则要分别考虑“gender”、“edu”对“当前工资”的影响，称为主效应，还要考虑“gender*edu”对“当前工资”的影响，称为交互效应。
(1)分析步骤：将数据导入SPSS后，选择：分析—— 一般线性模型——单变量
(2)将“当前工资”选入因变量(也就是观测变量)，将性别“gender”与受教育年限“edu”选入固定因子(也就是控制变量)。
(3)选择“单变量”的“模型”，打开对话框后选择“全因子”，表示方差分析的模型包括所有因素的主效应，也包括因素之间的交互效应。然后“继续”。
(4)打开“单变量”的“绘制”对话框，选择“gender”为横轴变量，选择“edu”为分线变量，单击“添加”，即显示这两个因素变量的交互作用，即
“gender*edu”这个交互作用变量。由于此例中“gender”只有两个水平，即男、女；而“edu”有多种水平。因此，如果主效应显著，则表明因素两种或多种水平之间存在显著性差异。事后可以继续对同一因素多个水平之间的均值差异进行比较，该过程称为多重比较。
但实际上如果主效应和交互效应都达到显著，我们更关心在多因素交互作用下，因变量有什么影响。
因此，如果交互效应显著的话，通常需要进行简单效应检验。所谓简单效应检验，是指一个因素的水平在另一个因素的某个因素的某个水平上的变异。例如我们本例中的，如果gender与edu之间存在显著的交互作用，我们可以检验当gender为“女”时，edu的各个水平之间的差异，称为edu在“女”性水平上的简单效应；以及在“男”性水平上edu各水平之间的差异，称为edu在“男”性水平上的简单效应。简单效应检验，实际上是把其中一个自变量固定在某一个特定的水平上，考察另一个自变量对因变量的影响。简单效应检验在SPSS里是用一个“MANOVA”命令来实现的。同理，当我们检验三个自变量时，若这些自变量之间的交互作用显著，需要进行简单简单效应检验，即一个因素的水平在另外两个因素的水平结合上的效应。也就是把两个因素固定在各自的某一个水平上，考察第三个因素对因变量的影响。也是用“MANOVA”命令来实现的。我们观察简单效应显著与否，是通过F值与sig值来看的，一般用sig值与我们设定的一个数值(0.05、0.01、或者0.001)来比较，若sig值大于该数值，说明简单效应不显著；反之，若sig值小于该数值，说明简单效应显著。
(5)打开“选项”对话框，将左边三个控制变量均移入右边，“显示均值”，同时选中“描述统计”，选中“比较主效应”。
(6)点击“确定”以后，就会在SPSS查看器里显示出结果。其中，最上面的那部分代码是我们所做的操作在SPSS里具体实现的步骤的代码。下面的表格是我们想要的结果，从表格里得出结论。
(7)从下面的“主体间效应的检验”表格里，我们比较性别gender、受教育程度edu、及gender*edu交互作用的F值及sig值，看到edu的F值最大，sig值最小，且sig<0.05。而gender与gender*edu的sig值都大于0.05，得出结论：“gender”的主效应未达到显著，而“edu”的主效应达到显著，gender与edu的交互效应未达到显著(当交互效应达到显著时，进而可以进行简单效应检验结果)，就不需要进行简单效应检验。则该公司员工“受教育程度”对员工“当前工资”的影响显著，而“性别”对“当前工资”的影响不明显。
(8)下图为均值分布图，即为两因素edu与gender作用下，因变量员工工资的均值分布情况。通常，若交互效应不显著时，图中的因素分布线均为平行线；若交互效应显著，图中的因素分线不平行。此图中，将性别“gender”作为横轴变量，观察接受教育年限“edu”对因变量“当前工资”的影响。
图中得出结论：当受教育年限为20年,一般为研究生水平的时候，男女工资差别不大；受教育年限为14年，一般为专科生水平，男女工资差别不明显。但当受教育年限为8年、17年的时候，男女工资差别尤其明显。
区分效度
区分效度(discriminant validity):在一项测验中，如果你可以在统计上证明那些理应与你的建构(construct)不存在相关性的指标确实同建构没有相关。spss不能用于计算区分效度，SPSS当中验证性因子分析只能用于计算聚合效度，计算区分效度的软件为amos、mplus这样的结构方程模型软件来进行操作，如果你会使用R语言的话，可以用lavaan来操作。
通过验证性因子分析计算，求AVE(平均提取方差值)和相关系数，看AVE是否大于相关系数的平方，当AVE大于相关系数平方，则表明各维度间存在足够的区分效度，反之，则区分效度不够。
需要注意的是，结构方程模型软件会自动算出相关系数的大小，但是并不能计算AVE值，需要借助别的工具，我有一个小程序：组合信度计算器。
这个程序当中第一列输入标准路径系数值以后AVE值会自动计算出来。再将AVE值与相关系数平方进行比较即可。
文章来源：知乎
版权为原作者所有
学术拓荒者说明
本文开通了打赏功能，如果你愿意打赏，那是我的荣幸，也是你的荣耀——你是知识付费时代的弄潮儿，你知道怎样用最好的方式来表达对于知识生产的尊重。所有赞赏全部会分给义务提供原创推送作品、负责微信运营的同学和老师们，谢谢大家！
·END·
号主：兰博士，80后，南师大教育技术学博士，教育学博士后，河大副教授，硕导，教育领域的“学术拓荒者”。中国最具学术影响力学术交流社群——“中国学术圈(QQ群：371267208)”和“学术拓荒者(微信公众号：zgxsq2017)”的创始人，河大技术促进学习创新研究院负责人，酷爱(CoI)学习创新研究团队领衔人。目前被聘为多本国内外SSCI、CSSCI期刊匿名审稿人。研究方向主攻信息技术教育应用。研究兴趣范围涉及教育技术基本理论、教育技术学研究方法、网络教育与远程教育、网络探究学习社区、技术促进学习、外语教育技术、信息化教学设计、教师信息化能力建设与教师专业发展、数字化教学资源建设与开发、知识可视化表征、教育技术国际比较、职业教育信息化、学术论文写作等领域。先后主持和参研国家社科基金教育学重点招标项目、教育部人文社会科学研究、河南省教育科学“十三五”规划等10多项。在《教育研究》《高等教育研究》《电化教育研究》等CSSCI权威期刊发表学术论文40余篇，多篇文章被人大复印报刊资料、高等学校文科学术文摘、中国社会科学网等全文转载。个人微信号：lgs767852569，邮箱：cqdxlgs@163.com。
产权及免责声明
本公众号欢迎大家转载原创文章，不过如果转载本公众号原创文章，即表示同意以后可以相互转载。如果要转载本公众号转载的文章，请联系原公众号或原作者。另外，本公号转载、编辑的文章，编辑后增加的插图均来自于互联网，对文中观点保持中立，对所包含内容的准确性、可靠性或者完整性不提供任何明示或暗示的保证，不对文章观点负责，仅作分享之用，文章版权及插图属于原作者。如果分享内容侵犯您的版权或者非授权发布，请及时与我们联系，我们会及时内审核处理。
特 大 好 消 息
应全国各地广大学友和老师的强烈要求，
兰博士特将学术交流QQ群分别进行了升级：
中国学术圈一群升级为2000人群：
添加此群请搜索QQ号371267208；
中国学术圈二群升级为2000人群：
添加此群请搜索QQ号211038239；
中国学术圈三群升级为1000人群：
添加此群请搜索QQ号70434093；
中国学术圈四群升级为500人群：
添加此群请搜索QQ号755540863；
中国学术圈五群升级为500人群：
添加此群请搜索QQ号631696097；
2018社科实证研修班一群升级为500人群：
添加此群请搜索QQ号719633349；
2018社科实证研修班二群升级为500人群：
添加此群请搜索QQ号766591245;