spss多個變量相關性分析?協方差分析解決的問題：多個自變量（包括離散變量和連續變量）對一個因變量（連續數據）的影響自變量中的連續變量被作為協變量加以"控制"（控制變量），今天小編就來說說關于spss多個變量相關性分析?下面更多詳細答案一起來看看吧!

spss多個變量相關性分析

協方差分析解決的問題：多個自變量（包括離散變量和連續變量）對一個因變量（連續數據）的影響。自變量中的連續變量被作為協變量加以"控制"（控制變量）。

協方差分析可以在一定程度上排除非處理因素的影響，從而準确的獲得處理因素的影響。

協方差分析的條件：除了滿足一般的方差分析條件外，還需要滿足"平行性檢驗"。

協方差分析是回歸分析和方差分析的結合。

分析步驟包括兩個部分：

第一部分：平行性檢驗

自變量與協變量的交互作用：P＞0.05，滿足平行性檢驗，滿足協方差分析的條件；P≤0.05，不滿足平行性檢驗，不滿足協方差分析的條件。

第二部分：協方差分析

案例：

運動幹預對高血壓人群的治療效果研究

實驗設計（簡化版）：選取54名高血壓人群，随機分為3組，分别采用健身走、廣場舞、太極拳運動幹預。幹預時間為6個月。實驗前、實驗後測試安靜收縮壓，差值形成變量"血壓下降"。已經統計檢驗過，實驗前三組的收縮壓基礎值差異沒有統計學意義。

統計分析思路說明：考慮到年齡可能對血壓下降程度有較大影響，而年齡又是連續變量，因此把"年齡"作為"協變量"。在研究運動幹預對血壓影響的同時，排除協變量"年齡"的影響，使結果更加準确。協方差分析就是用于解決類似問題的。

自變量：鍛煉項目

協變量：年齡

因變量：血壓下降。

1 部分數據

圖1

2 平行性檢驗

這是協方差分析的一個重要條件。意思是：各組的協變量與因變量存在線性回歸關系且斜率基本相同。也就是回歸直線近似平行。

可以先做一個散點圖，初步探索平行性。

圖2 散點圖

根據圖2，三條回歸直線近似平行，可以嘗試采用協方差分析。

SPSS步驟：

1）分析-一般線性模型-單變量

圖3

2）"血壓下降"為"因變量"；"組别"為"固定因子"；"年齡"為"協變量"。

圖4

3）點擊"模型"。

圖5

4）點擊"定制"，然後把因子與協變量的主效應和交互作用都選到"模型"列表（默認是沒有交互作用的）。點擊"繼續"。

5）返回"圖4"後，點"确定"。下面是結果。

圖6

組别與年齡的交互作用，P=0.770＞0.05，說明交互作用不顯著。也就是滿足平行性檢驗。

因為交互作用不顯著，可以精簡模型。把交互作用剔除，再做協方差分析。

3 協方差分析

1）圖4狀态點擊"模型"，把"組别"和"年齡"的交互作用取消。點擊"繼續"。

圖7

2）回到圖4後，點擊"選項"，如下圖勾選。點擊"繼續"，返回後，點擊"确定"查看結果。

圖8

4 SPSS結果

1）方差齊性檢驗結果

圖 9

P=0.462＞0.05，方差齊性。滿足了協方差分析的另一個條件。

2）方差分析表

圖10

組别P=0.019＜0.05，說明三種運動幹預方式對血壓下降的效果不同。

年齡P=0.000＜0.05，說明年齡的确對血壓下降程度産生了影響。排除這部分影響後，使運動幹預對血壓的影響結果更加準确。

圖11

結合圖11均值可知。結果：降壓效果由高到低依次為HIIT、持續有氧、核心訓練。（當然，如果結合後面的成對比較統計結果進一步做出判斷會更加合适，篇幅原因，不再展開。）

5 請一定要往下看

如果不考慮"年齡"這個協變量對因變量（血壓下降）的影響，結果會怎樣？

1）"組别"為"固定因子"；"血壓下降"為"因變量"。其他全默認。直接點擊"确定"。

圖12

2）方差分析表

圖13

組别P=0.133＞0.05，說明三種運動幹預方式對血壓下降的效果相同。

由此可見，不考慮協變量"年齡"時得出了與前面完全相反的結果。

這提示我們：科學研究中選擇準确統計方法的重要性，方法一旦選錯，我們将無法追求科學真理。