一般多元方差分析 示例

某汽车部件供应商想评估他们提供的门锁的可使用性和质量。这些锁是三家工厂使用两种不同的方法制造的。生产经理想要确定生产方法和工厂是否会影响最终的产品。生产经理收集了每家工厂使用每种方法生产的锁的数据。

这位经理收集了锁样本的质量和可使用性数据。为了同时评估方法和工厂对两个响应变量的影响,经理进行了一般多元方差分析。经理决定使用显著水平 0.10 来决定要详细研究的影响。

  1. 打开样本数据汽车锁评级.MTW.
  2. 选择统计 > 方差分析 > 一般多元方差分析
  3. 响应中,输入 '可用性评级' '质量评级'
  4. 模型中,输入 方法 工厂 方法*工厂
  5. 单击确定

解释结果

当显著性水平为 0.10 时,生产方法的 p 值在统计意义上显著。对于任何检验来说,当显著性水平为 0.10 时,制造厂的 p 值并不显著。当显著性水平为 0.10 时,工厂和方法之间交互作用的 p 值在统计意义上显著。由于交互作用在统计意义上显著,因此该方法的效应取决于工厂。

一般线性模型: 可用性评级, 质量评级 与 方法, 工厂

方法 的多元方差分析检验 自由度 标准 检验统计量 F 分子 分母 P Wilks’ 0.63099 16.082 2 55 0.000 Lawley-Hotelling 0.58482 16.082 2 55 0.000 Pillai’s 0.36901 16.082 2 55 0.000 Roy 0.58482 s = 1 m = 0.0 n = 26.5
工厂 的多元方差分析检验 自由度 标准 检验统计量 F 分子 分母 P Wilks’ 0.89178 1.621 4 110 0.174 Lawley-Hotelling 0.11972 1.616 4 108 0.175 Pillai’s 0.10967 1.625 4 112 0.173 Roy 0.10400 s = 2 m = -0.5 n = 26.5
方法*工厂 的多元方差分析检验 自由度 标准 检验统计量 F 分子 分母 P Wilks’ 0.85826 2.184 4 110 0.075 Lawley-Hotelling 0.16439 2.219 4 108 0.072 Pillai’s 0.14239 2.146 4 112 0.080 Roy 0.15966 s = 2 m = -0.5 n = 26.5
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策