结果分析：
上表中，第二列t 统计量的观测值为-0.442，第三列是自由度为10，第四列是t统计量观测值的双尾概率P-值0.668，第五列是样本均值与检验值的差，即t统计量的分子部分，它除以均值标准误差后得到t统计量的观测值-1.273，第六列与第七列是总体均值与原假设值差的95%的置信区间，为（-7.69，5.14），由此计算出总体均值的95%的置信区间为（67.31，80.14）分。而平均分为75分包含在置信区间内，因此该经理的宣称是可信的。
案例6-1 单因素差方分析
表6-1 (a) 广告形式对销售额的单因素方差分析结果
ANOVA 销售额 组间 组内 总数 帄方和 5866.083 20303.222 26169.306 df 3 140 143 均方 1955.361 145.023 F 13.483 显著性 .000
结果分析:
表6-1(a)是广告形式对销售额的单因素方差分析结果。可以看到：观测变量销售额的离差平方总和为26169.306；如果仅考虑广告形式单个因素的影响，则销售额总变差中，不同广告形式可解释的变差为5866.083，抽样误差引起的变差为20303.222，它们的方差分别为1955.361和145.023，相除所得的F统计量的观测值为13.483，对应的概率P-值近似为0。如果显著性水平α为0.05，由于概率P-值小于显著性水平α，则应拒绝原假设，认为不同广告形式对销售额产生了影响，不同广告形式对销售额的影响效应不全为0。
表6-1 (b) 地区对销售额的单因素方差分析结果
ANOVA 销售额 组间 组内 总数 帄方和 9265.306 16904.000 26169.306 df 17 126 143 均方 545.018 134.159 F 4.062 显著性 .000 结果分析：
同理，表6-1(b)是地区对销售额的单因素方差分析结果。可以看到：如果仅考虑地区单个因素的影响，则销售额总变差（26169.306）中不同地区可解释的变差为16904.000，它们的方差分别为545.018和134.159，相除所得的F统计量的观测值为4.062，对应的概率P-值近似为0。如果显著性水平α为0.05，由于概率P-值小于显著性水平α，则应拒绝原假设，认为不同地区对销售额产生了影响，不同地区对销售额的影响效应不全为0。对比表6-1（a）和表6-1（b）容易发现：如果从单因素的角度考虑，广告形式对销售额的影响较地区有更明显的作用。
案例6-3 多因素方差分析
表6-7 销售额多因素方差分析 主体间效应的检验 因变量:销售额 源 校正模型 截距 x1 x2 x1 * x2 误差 总计 校正的总计 III 型帄方和 20094.306 642936.694 5866.083 9265.306 4962.917 6075.000 669106.000 26169.306 adf 71 1 3 17 51 72 144 143 均方 283.018 642936.694 1955.361 545.018 97.312 84.375 F 3.354 7619.990 23.175 6.459 1.153 Sig. .000 .000 .000 .000 .286 a. R 方 = .768（调整 R 方 = .539）
表6-7中，第一列是对观测变量总变差分解的说明；第二列是观测变量变差分解的结果；第三列是自由度；第四列是方差；第五列F检验统计量的观测值；第七列是检验统计量的概率P-值。可以看到：观测变量的总变差SST为
26169.306，它被分解为四个部分，分别是：由广告形式（X1）不同引起的变差（5866.083），由地区（X2）差异引起的变差（9265.306），由广告形式和地区交互作用（X1*X2）引起的变差（4962.917），由随机因素引起的变差（Error 6075.000）。这些变差除以各自的自由度后，得到各自的方差，并可计算出各F检验统计量的观测值和在一定自由度下的概率P-值。FX1，FX2，FX1*X2的概率P-值分别为0.00，0.00和0.286。如果显著性水平α为0.05，由于FX1，FX2概率P-值小于显著性水平α，所以应拒绝原假设，可以认为不同广告形式、地区下的销售额总体均值存在显著差异，对销售额的效应不同时为0，各自不同的销售水平给销售额带来了显著影响。该结论与单因素方差分析是一致的。同时，由于FX1*X2的概率P-值大于显著性水平α，因此不应拒绝原假设，可以认为不同广告形式和地区没有对销售额产生显著的交互作用，不同地区采用哪种形式的广告对销售额都将不产生显著影响。
另外，在表6-7中，Corrected Model对应的变差（20094.306）是X1，X2，X1*X2对应变差相加的结果（20094.306=5866.083+9265.306+4962.917）是线性模型整体对观测变量变差解释的部分，其对应的F检验统计量和概率P-值说明，观测变量变动主要是由控制变量总体的不同水平引起的，控制变量能够较好地反映观测变量的变动，模型对观测变量有一定的解释能力；Intercept对应的总变差（642936.649）是观测变量与0的总离差平方和与SST的差。
表6-7中的R2（R squared：0.768）和调整R2（Adjusted R squared：0.539）反映的是多因素方差模型对观测数据的总体拟合程度，它们越接近1说明拟合程度越高。在该问题中有两个控制变量，所以应参考调整R方，可以看到该模型对数据的拟合程度并不很理想，从另一个角度说明了销售额还受到除广告形式和地区以外的其他因素的影响。
第六章 习题1
表6（a）各组推销方式对销售额的单因素方差分析结果
ANOVA
销售额
帄方和
df
均方
F
显著性 0.000
组间 405.534 组内 269.737 总数 675.271 4 101.384 11.276 30 34 8.991
结果分析：
表6（a）各组对销售额的单因素方差分析结果。可以看到：观测变量销售额离差平方总和为675.271；如果仅考虑组别（推销方式）单个因素的影响，则销售额总变差中，各组推销方式可解释的变差分别为405.534；抽样误差引起的变差为269.737，它们的方差分别为101.384和8.991，相除所得的F统计量的观测量为11.276，对应的概率P-值小于近似为0。如果显著性水平α为0.05，由于概率P-值小于显著性水平，因此拒绝原假设，认为这五种推销方式对销售额产生了显著影响，则这五种推销方式存在显著差异。
案例7-1 总体分布的卡方检验
表7-1（a） 脏病猝死卡方检验结果（一）
死亡日期
1.00 2.00 3.00 4.00 5.00 6.00 7.00 总数 观察数 期望数 55 23 18 11 26 20 15 168
53.5 19.1 19.1 19.1 19.1 19.1 19.1
残差 1.5 3.9 -1.1 -8.1 6.9 .9 -4.1
结果分析：表7-1（a）表明：168个观察数据中，星期一至星期日实际死亡人数分别为55，23，18，11，26，20，15人；按理论分布，168人在一周各天死亡的期望频数应为53.5，19.1，19.1，19.1，19.1，19.1，19.1；实际观察频数与期望频数的差分别为1.5，3.9，-1.1，-8.1，6.9，0.9，-4.1。
表7-1（b）
心脏病猝死卡方检验结果（二）
检验统计量
死亡日
期
卡方 df
7.757a 6