双因素方差分析的优缺点

双因素方差分析方差非齐性,我一般就不用它了,请用非参数检验.如果你就是想分析它们之间的交互作用,请补数据吧.
equai variance not assumed里有很多种方法,其实也就是算法的不同.你们行业没有规定的话,用哪个都好.

通向后禅院曲幽深的小路和后禅院景色的幽静迷人.僧房深藏在花木丛中,香气馥郁,宋欧阳修曾感慨地称赞道："我常喜诵常建诗云：‘曲径通幽处 ,禅房花木深’.

区别可以从以下几个方面来说,
1、设计方面,无重复实验,每个组合下只做一次实验,得到一个数据,
而重复实验,是每个组合下做多次实验,得到多个数据.
2、分析方面：无重复,由于每个组合下只有一个数据,所以没有考虑抽样误差,
而重复的,可以考虑这个组合下的抽样误差的大小,从而将总变异分解的更细,也即将试验因素的作用体现的更明显,可以看出两因素的独立作用与交互作用
3、变异分无重复的双因素方差分析,总变异分解为：处理组、配伍组、误差
重复的双因素方差分析,总变异分解为：处理组、配伍组、两因素的交互作用、误差

统计——方差分析——双因子,也可考虑做两个因子的DOE,他们都将对两个因子的主效应及交互效应作出检验.

看交互作用的显著性,若结果报表的交互作用那一栏sig值小于0.05,则认为交互作用显著

x(i,j)只是确定某一个数值,或者说某一个试验值,交互作用实际是像一个因素一样,有若干个试验点组成这组数据.

试了试,直接键入就可以了,键盘上有这个符号的.

方差齐性检验一般是用方差最大组的方差比最小组的方差,如果比值显著不等于1,那就是方差不齐性.
按说不齐性是不可以进行后续的方差分析的,因为在均值检验中（包括方差分析,T检验等）各个实验处理的效应被认为是一种固定效应,对所有人的作用一样,也就是说,处理的作用就是给每个人原来的的水平加上一个相同的常数,这样的话,每个被试组原来什么方差,实验处理后还是什么方差,那么,如果不同被试组的方差不齐性,也就是方差之比显著不等于1,就说明被试之间原本就差异很大,那我们的方差分析就得不到准确的结论,不知道究竟是实验处理造成了不同被试组间的差异,还是说这里面也混淆了个体差异.就算只有两个组之间方差不齐,其他都齐,但这也会对不同部分均方的计算造成影响,哪怕只有两个组不齐,那也是不齐.
方差不齐性,原则上不能进行方差分析,但spss里的方差分析是在最小二乘法的框架下做的,和教育及心理统计教材中介绍的方差分析的分析方式不太一样,好处是这样的方差分析比较稳健,对于方差齐性的问题不敏感,即使违反了,也还是能用,结果也还是比较可信的.在spss里面齐性并不是方差分析的必要条件.只不过教材是为了给你介绍大概原理,而且对最新的软件的性能也不是非常了解,所以非要齐性.况且做方差分析的论文里面一般也不会报告齐性检验.所以你就直接用方差分析就行了.
如果还是不放心,可以做一些数据转换,使其接近齐性,比如box—cox转换,对数转换等等.

这两个的分析思路是不一样的.一般来说,Anova的分析中显著性会高很多,而你说的一般线性分析求的是主效应,它的显著性比ANOVA受到的影响因素更多一些,因此也更低一点.但是,从规范的统计学分析而言,一般涉及多个因子的时候,都会要求先做主效应,然后再对主效应显著的进行深入分析,采用Anova看显著性的来源是什么.

简单效应分析是在做方差分析后,知道交互作用存在才做的.所以你的这种情况应该做简单效应分析.
用F检验做三组或三组以上数据的均数比较,发现有显著差异时,不能确定是其中哪两组的均数有差异,就需要用“多重比较”.多重比较是对每两组数据做一个均数比较.

变量：组别,是否干预,哪个人,a1,b1,c1.
ppv课学习网站