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'0.6309916.0822550.000
Lawley-Hotelling0.5848216.0822550.000
Pillai's0.3690116.0822550.000
Roy's0.58482       
s = 1    m = 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'0.891781.62141100.174
Lawley-Hotelling0.119721.61641080.175
Pillai's0.109671.62541120.173
Roy's0.10400       
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'0.858262.18441100.075
Lawley-Hotelling0.164392.21941080.072
Pillai's0.142392.14641120.080
Roy's0.15966       
s = 2    m = -0.5    n = 26.5