现在大家看到的是一个典型的方差分析表，只不过是两因素的而已，
解释一下：首先是所用方差分析模型的检验，F值为00.517，P小于0.05，因此所用的模型有统计学意义，可以用它来判断模型中系数有无统计学意义；第二行是截距，它在我们的分析中没有实际意义，忽略即可；第三行是变量GROUP，可见它也有统计学意义，不过我们关心的也不是他；第四行是我们真正要分析的FOOD，非常遗憾，它的P值为0.084，还没有统计学意义。尽管不太愿意，我们的结论也只能是：尚不能认为三种营养素喂养的小白鼠体重增量有差别。 Post Hoc Tests FOOD
Homogeneous Subsets
现在是两两比较的结果，方法为SNK法，由于前面总的比较无差异，所以这里三种食物均在一个亚组内，检验无差异，P值为0.121。
前面方差分析FOOD的P值不是0.084吗？这里又是0.121，究竟哪个为准？两两比较只是近似的比较结果，应以前面方差分析的P为准，不过这两个P值不会在检验结果上发生质的冲突，一般只是大小不同而已。
好了，上面是正确的结果，如果model选择是采用Full factor又如何呢？会得出方差分析表
如下：
看到了吗？由于所谓的交互作用将自由度给全部“吃”掉了，没有误差可用于统计分析，什么结果也做不出来。 §8.2 协方差分析
例8.2 某医生欲了解成年人体重正常者与超重者的血清胆固醇是否不同。而胆固醇含量与年龄有关，资料见下表。
正常组 48 33 51 43 44 63 49 42 40 47 41 41 56
3.5 4.6 5.8 5.8 4.9 8.7 3.6 5.5 4.9 5.1 4.1 4.6 5.1
超重组 58 41 71 76 49 33 54 65 39 52 45 58 67
7.3 4.7 8.4 8.8 5.1 4.9 6.7 6.4 6.0 7.5 6.4 6.8 9.2
年龄(X1) 胆固醇(Y1) 年龄(X2) 胆固醇(Y2)
这里建立三个变量：GROUP表示组别，AGE代表年龄，CHOL则表示胆固醇。 8.2.1 分析步骤
由于协方差分析涉及到许多较深的统计理论，这里我只好采用照本宣科的方法，告诉大家如何作，而不作过多解释。
首先应进行预分析，了解资料是否符合协方差分析的要求，最重要的一点就是看age的影响在两组中是否相同，这可以用age与group是否存在交互作用来表示。对该问题，粗糙的方
法可以是作分组散点图，差不多就可以，也可以进行预分析，看交互作用有无统计学意义，这里用后一种方法中最为精确的步骤来讲解。 预分析步骤：
1. Analyze==>General Lineal model==>Univariate 2. Dependent Variable框：选入chol 3. Fixed Factors框：选入group 4. Model钮：单击
5. Custom单选钮：选中
6. Model框：选入group、age和group*age(后者用interaction方法就可选入) 7. Sum of squares列表框：改为Model I 8. 单击OK 9. 单击OK
该步骤用于判断group和age间是否存在交互作用，如存在，则协方差分析的条件不满足，分析不能继续。注意这里选择了Model I，从而拟合结果和模型中变量的引入顺序有关，即侧重点在group对chol的影响大小和交互作用上。 8.2.2 结果解释
预分析步骤的结果如下：
Univariate Analysis of Variance
上表显示交互作用无统计学意义，而且P值非常大，因此交换group和age多半交互作用也无统计学意义，因此可以不继续作预分析了，当然，严格的步骤应当交换两者的顺序继续进行预分析。 正式分析步骤：
1. Analyze==>General Lineal model==>Univariate 2. Dependent Variable框：选入chol
3. Fixed Factors框：选入group 4. Model钮：单击
5. Custom单选钮：选中
6. Model框：选入group、age
7. Sum of squares列表框：改为Model III 8. 单击OK
9. Options钮：单击
10. Displsy means for框：选入group
11. Compare mean effects复选框：选中（下面的区间调整方法就用LSD(none)即可） 12. 单击OK 13. 单击OK
Univariate Analysis of Variance
这是正式的统计分析结果，显示group和age都对胆固醇含量有影响，P值分别为0.038和小于0.001。
Estimated Marginal Means
这是两组的修正均数及相应的可信区间，显然超重组的胆固醇均值较高。下方的提示表明该
修正均数是按年龄为50.2308岁的情形计算的。
第五章：征服一般线性模型
――General Linear Model菜单详解（下）
§8.4 多元方差分析 所谓的多元方差分析，就是说存在着不止一个应变量，而是两个以上的应变量共同反映了自变量的影响程度。比如要研究某些因素对儿童生长的影响程度，则身高、体重等都可以作为生长程度的测量因子，即都应作为应变量。 8.4.1 分析步骤
为了方便起见，我们这里直接利用SPSS自带的数据集plastic.sav，假设tear_res、gloss和opacity都使反应橡胶质量的指标（不要笑，是假设），现在要研究extrusn和additive对橡胶的质量影响如何，则应采用多元方差分析。
选择Analyze==>General Linear Model==>Multivariate，则弹出Multivariate对话框，请注意，除了没有random effect外，它的所有元素都是和univariate对话框相同的，里面的内容也相同，因此我们这里就不再重复了。
按照我们的分析要求，对话框操作步骤如下：
1. Analyze==>General Lineal model==>Multivariate
2. Dependent Variable框：选入tear_res、gloss和opacity 3. Fixed Factors框：选入extrusn和additive 4. 单击OK
此处两个自变量均是二分类变量，故无需选择两两比较方法。 8.4.2 结果解释
按上面的选择，分析结果如下： General Linear Model
这是引入模型的自变量的取值情况列表。