打开实验数据文件，再依次点击“分析”--“一般线性模型”--“重复测量”，弹出“重复度量因子”对话框。
点击“被试内因子名称”中的因子1，修改成weight,也可默认不修改。“级别数”框中输入重复测量次数”3“，单击”添加“按钮。然后单击左下角的”定义“按钮。
将3次测量“第一月”、“第二月”和“第三月“按照框中测量的顺序，放入右框中；将因素变量“组别”放入”因子列表“框。
单击右边“模型”按钮，在弹出对话框中，选择“全因子”模型，单击“继续”按钮返回。最后，在主对话框中单击“确定”按钮运行。
多变量检验结果显示，不同测试时间的weight有统计学差异，P=0.000，而测试时间与组别间无统计学差异，P=0.55。然而是否以此结果为准，则需要看球形检验结果。
球形检验结果显示，Mauchly W=0.983,P=0.926,符合球形性，结果以一元方差结果为准。如果P小于等于0.05，则不符合球形检验，可以用Greenhouse-Geisser、Huynh-Feldt和下限校正。
看方差分析结果可知。因为本例符合球形性，因此以第一条“假设的球形”结果，可见不同时间测量的体重有统计学差异，F=129.068,P=0.000;并且测试时间与组别存在交互作用F=4.386，P=0.026<0.05。
组别间分析结果无显著性差异，F=0.397,P=0.543,即两组处理因素对体重减重影响没什么差异。
当测量时间为不等距时，SPSS22.0不能直接计算，需要利用语法编辑器。
SPSS方差分析之多因素方差分析（1）——「杏花开生物医药统计」
在医学研究中，经常会遇到一列连续数值型因变量受多个因子影响的情况。
要分析多个因子变量与因变量的关系，比如某个指标的值受不同的实验组，测量时间等因素影响，是否会产生显著的差异，这些因子的主效应、交互效应等是否显著，就需要我们用到今天所讲解的SPSS方差分析之多因素方差分析，下面通过实际案例来详细讲解。
我们搜集了180例患者不同治疗方式、水平、测量时间下的α指标的数据，要分析不同治疗方式、水平、测量时间对α指标的数据的主效应、交互效应。（图1）
图1
操作步骤：
①点击“分析”--“一般线性模型”--“单变量”（图2），将α指标选入右侧因变量栏，将治疗方式、水平、测试时间选入右侧固定因子栏（图3）
图2
图3
②设置参数。点击右侧“对比”按钮，将3个因子的对比全部选为“简单”，点击“变化量”按钮。（图4）
图4
③点击右侧“事后比较”按钮，将测试时间选入右侧框中，并勾选下方的“LSD”多重比较方法，（图5），注意，只有当因子分类大于2类时候，才可以使用多重比较
图5
④点击右侧“选项”，将3个因子选入右侧的均值框中，并勾选下方“描述统计”（图6），然后点击确定按钮
图6
⑤结果分析
图7-0
上表(图7-0)为3个不同因子下的α指标的一个均值和标准差的描述分析，比较简单，就不过多分析。
图7-1
由上表（图7-1）可以看出：治疗方式、水平、测试时间3个因子的主效应均显著，P都小于0.05。说明在不考虑其他2个因子，单只考虑其中一个因子的时候，α会随这个因子的变化而产生显著的变化。而2因素交互效应治疗方式*水平、治疗方式*测试时间、水平*测试时间也全部显著。三因素交互效应治疗方式*水平*测试时间也显著。
图7-2
而不同测试时间之间的多重比较如上表（图7-2），可以看出前测的α显著最小，即时后测的α显著最大。
以上就是今天SPSS方差分析之多因素方差分析在医学统计分析中的应用，今天所讲的是多因素方差分析的方法与操作，主要学习了因子的主效应和交互效应是否显著。这里拓展一下，当交互效应显著时候，我们还需要进一步分析因子之间的简单效应。那么简单效应如何操作和分析结果，我们将在下一讲中详细讲解，敬请大家持续关注！
本期课程就到这里哦，感谢大家耐心观看！每日更新，敬请关注！
【杏花开生物医药统计】微信公众号（xhkdata）
【杏花开生物医药统计】相关文章：
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
