单因素方差分析1、首先打开SPSS软件，导入数据
通过观察因子为group，我们研究了组间平均是否存在显著性差异。 换句话说，假设群体是不同的职业，1、2、3代表不同的职业，value是他们每天工作的时间，我们研究了不同职业相对于每天工作时间的差异
我知道进行方差分析是必要的
分散性正规性独立性
执行上述操作可以获得有关方差分析的基本描述信息
显著性这里大于0.05，表明方差相等
以下是ANOVA的结果
这里的显着性还很明显，只有在结果明显的情况下，我们才能开始进一步的后验复用比较分析，进一步比较，哪一个有明显的差异
多因素方差分析的第一步还是引入必要的数据，在原有的基础上，我们进行分析
这样选择所需的变量。 探讨因子1people和因子2group两个因子对因子value的影响
在这里选择全因子，也就是说不用自己选择变量的主效应、相互效应。 如果需要自己配置，可以单击旁边的模型自己配置
如果我们的结果显著，我们需要进一步比较我们的因子
为了充分理解我们的数据，我们选择一些输出数据的统计描述知识
完成所有选择后，单击“确定”开始分析结果数据
这是我们数据中不同因子不同水平的个数展示，我们发现我们有两个因子，每个因子有三个水平，每个水平有十个样本数
上图是我们对因子的说明性统计，我们分析该图，变量为value，因此分析people因子在不同层次、不同组因子层次组合结果的数据分析、平均值、标准差、样本数等
现在轮到我们验证主体间效应了：
如果修正模型和截距为0，则我们的该检测模型在统计学上没有意义，在此之前，必须对这两个模型进行显著的检测，均有0.05的限制
并分别观察people因子和group因子对不同水平value的显着性检测，people因子p值为0.746大于0.05。 people不同水平表明对value无显著性差异。 也就是说，即使因人而异，value也不会改变
第二个因子组的不同水平相对于value有显著差异。 由于p值小于0.05，因此以上也进行了论述，但在此不详细说明
接下来是people*group的相互作用，结果大于0.05。 表明两个因子的相互作用对value影响不大。 也就是说，根据人的不同，使用不同的组进行操作也不会影响最后的结果
估计边际平均：
边际均值是指去除其他变量影响时计算出的平均值。 举个简单的例子，只有一个自变量时计算出的极限平均值与普通平均值相同。 有两个自变量时，计算极限平均值和普通平均值的结果不同
我们在了解显着性后，进一步进行后验，探究不同因素不同水平的影响
对两个因子的不同水平分别进行显著结果的展示
以上总结了单因素和多因素方差分析的SPSS操作过程及由此得到的一些文件的解释