请问SPSS方差分析时方差不齐怎么处理？用的Post Hoc和EXPLORE 可以处理吗？怎么弄？答的好加分。

①点击“分析”--“一般线性模型”--“单变量”（图2），将α指标选入右侧因变量栏，将治疗方式、水平、测试时间选入右侧固定因子栏（图3）

图2

图3

②设置参数。点击右侧“对比”按钮，将3个因子的对比全部选为“简单”，点击“变化量”按钮。（图4）

图4

③点击右侧“事后比较”按钮，将测试时间选入右侧框中，并勾选下方的“LSD”多重比较方法，（图5），注意，只有当因子分类大于2类时候，才可以使用多重比较

图5

④点击右侧“选项”，将3个因子选入右侧的均值框中，并勾选下方“描述统计”（图6），然后点击确定按钮

图6

⑤结果分析

方法/步骤

点击打开excel2010。

输入数据，以下图为列。选取五种印染工艺，每种工艺进行四次试验，分析不同的工艺对缩水率是否有影响。

点击打开数据分析，选择单因素分析。

点击选定输入数据区域类型。

选择分组方式。注意！这里选择的是列，不懂的话，请注意看题

选择输出区域，这里随便你选定区域。

确定，得出分差分析表。

X服从一个数学期望为μ、方差为σ^2的正态分布。正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ,σ2）。

μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。

σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。

扩展资料：

实际工作中，常需要了解正态曲线下横轴上某一区间的面积占总面积的百分数，以便估计该区间的例数占总例数的百分数（频数分布）或观察值落在该区间的概率。对于正态或近似正态分布的资料，已知均数和标准差，就可对其频数分布作出概约估计。

①表中曲线下面积为-∞到u的左侧累计面积；

②当已知μ、σ和X时先按式u=（X-μ）/σ求得u值，再查表，当μ、σ未知且样本含量n足够大时，可用样本均数X1和标准差S分别代替μ和σ，按u=（X-X1）/S式求得u值，再查表；

③曲线下对称于0的区间面积相等，如区间（-∞，-196）与区间（196，∞）的面积相等，

④曲线下横轴上的总面积为100%或1。

参考资料来源：百度百科-正态分布

单因素方差分析
方差分析前提：不同水平下，各总体均值服从方差相同的正态分布。
方差齐性检验：采用方差同质性检验方法（Homogeneity of variance）
在spss中打开你要处理的数据，在菜单栏上执行：analyse-compare means--one-way anova，
打开单因素方差分析对话框
在这个对话框中，将因变量放到dependent list中，将自变量放到factor中，点击post hoc，选择snk和lsd，返回确认ok
统计专业研究生工作室原创，请勿复杂粘贴

1、进入SPSS环境，打开数据文件。

2、选择变量。在“多变量”窗口中，将“数学成绩”、“英语成绩”选入“因变量”列表框，将“考生所在地”、“性别”选入“固定因子”列表框。

3、对比设置。单击对话框右侧“对比”按钮，在d出的窗口中选择“差值”，并单击“继续”。

4、绘图设置。单击右侧“绘图”按钮，将“考生所在地”选入“水平轴”，“性别”选入“单图”，再单击“添加”按钮。

5、多重比较设置。将“考生所在地区”和“性别”选入“时候检验”列表框中，并选择“LSD”复选框；单击“继续”按钮回到“多变量”对话框，“确定”后等待结果输出即可。

两物件的质量a，b都未知，把它们各放在一架天平上称若干次，要根据其结果来判断a和b是否相同。天平称量的结果带有随机误差，故通过称量结果对a，b作估计，其估计值不一定可靠。显然，这是一个假设检验格局的问题，可以用以前文章中介绍的t检验法进行处理。今天我们从另一个角度来考察这个问题，由此引出一个重要的方法一一方差分析法。
方差分析法是费希尔20世纪20年代在英国罗瑟姆斯泰德农业试验站工作时发展起来的，当时在该试验站有一个由卡尔・皮尔逊领导的统计分析室。费希尔于1921年来此工作后，即从事研究田间试验的设计及其统计分析的研究，他全面革新了设计的思想，提出了随机化、重复与分区组三大原则，莫定了统计试验设计的扎实基础。他还发展了方差分析法作为分析这种试验数据的有力方法。试验设计和方差分析是统计学发展史上一座重要的里程碑。
以x1，…，xm记对a称量m次的结果，以xm+1，…，xn记对b称量n-m次的结果，全部试验数据为x1，…，xn。这组数据有一定的散布度，可以用
去衡量。SST是方差分析中的习惯记法，叫作总平方和。为什么会形成这个散布度呢
显然有两个原因：
一是a，b可能不同，这使全部数据x1，…，xn有两个“中心”；
二是随机误差的影响，使数据在每个中心附近有散布。
a，b差别愈大，前一条愈重要，即它在构成SST中占的份额大。若a＝b，则SST全部是由随机误差而来的。因此，若能把SST用适当方式分解为两部分：SST=SS1+SS2，使SS1和SS2分别能反映在SST的构成中，由“a≠b”和“有随机误差”这两个原因所占的份额，可知SS1/SS2愈大，判断a≠b(就是说否定原假设a＝b)就愈有理由。
如果物件不止2个，而有3个、4个，或一般地有c个，即把c看成是一个因子的c个水平（如因子为玉米品种，c个水平代表玉米的亩产量指标值等），上述思想仍适用，同时还可以进一步外延，从一个因子推广到多个因子的试验中。如：设为试制一种新产品，其某项质量指标X可能与配方、温度、压力以及试验只分成若干个区组部分实施等因子有关。则如果能设法将全部试验结果算出的总平方和SST分解为几部分的和：
SST=SS配方+ SS温度+ SS压力+ SS区组+ SSe
SSe是因随机误差的存在而带来的平方和。分别将分解式的前面四项和SSe对比，比值大的则说明该因子有显著性。那么就需要进一步探究，在以后的生产中该因子需要控制在怎样的水平上，才能取得良好的效果。反之，若这个比值不大，则说明该因子对质量指标所起的影响与随机误差所起的影响相同，则这个因子不重要，以后的生产中，则不需要考虑将该因子控制在一定的水平上。
当然，SST能否作出如上式的分解，如何分解，取决于具体的设计——水平取多少个，多少部分实施，怎样分区组等。优良设计的一项标准就是要便于以后的统计分析。因此，为了后续的分析，就是要求设计要使得SST能作出如上式的分解。
今天我们通过最简单的完全随机化设计来介绍方差分析法的运用：
完全随机化设计指的是不分区组，试验单元指给哪个处理，全凭实施随机化的结果。
设有c个玉米品种，要选一个品种在田间大面积播种。经过随机化设计，预先决定第i个品种重复ni次(在ni块试验地上种植)，其试验结果(每亩产量以千克计)为xi1，xi2，…，xini(i＝1，…，c)。则全部试验数据x11，x12，…，x1n1；x21，x22，…，x2n2；…; xc1，xc2，…，xcnc的算术平均值为
其中n＝n1+n2+…+nc，于是得到全部数据的总平方和为
现在要设法把这个量分解为两部分，其一可解释为因各品种产量不同所引起的，另一则解释为因随机误差所引起的。为此，注意
固定i，对j从1到ni求和。注意到
在求和时保持不变，而
所以
于是得到
A表示“品种“这个因子。这个分解满足了所提的要求。
SSA称为品种平方和，因为`xi是第i个品种(平均)产量的估计值，而
故如果各品种产量有较大差距，则SSA将倾向于取较大的值，因此SSA这一项确实反映因“品种”这个因子各水平的差别而在SST中作出贡献的部分。
SSe称为误差平方和，是同一品种重复试验的结果，其散布度纯系由随机误差而来。
接下来需要把SSA与SSe作比较。但在比较前，需要“规格化“一下，把每个平方和去除以其自由度，得平均平方和MSA和MSe。SSA的自由度为c-1，SSe的自由度为n-c。将以上的计算结果列成表将得到完全随机化的方差分析表：
表中MSA/MSe称为F比，用它来检验因子A对指标是否有影响有如下优点：
1） 消除了指标值的单位的影响；
2） 好比把随机误差的影响（规格化为MSe）作为一把尺子，拿这把尺子去度量别的因子的影响，如果比值显著，用它来说明因子的作用显著胜过随机误差的作用，这才有实际意义。
3） 如果有若干因子A，B，C，…，则比值之和MSA/MSe+ MSB/MSe+…并不以1为界，故每一个的平方和是各自起作用，不受其他因子的影响。
4） MSA/MSe还有一个很重要的好处：在试验结果服从正态分布的条件下，这个比值作为一个随机变量(因为其值取决于有随机性的试验结果)，有一种在统计学上称为F分布的简单分布，这正是把这个比值称为F比的原因。这个分布的密度函数的形状与卡方分布的密度函数形状大体相似，与卡方分布不同的是，卡方分布只有一个自由度，而MSA/MSe的F分布有自由度n1，n2，其中n1，n2分别为MSA和MSe的自由度(次序不能乱)。自由度为(n1，n2)的F分布常记为F n1，n2。
现在就可以由这个F分布定出所要的界限：给定水平α后，从F分布表上查出值F n1，n2（α），它就是所要的界限。用这个界限，即当
MSA/MSe＞F n1，n2（α）
时，否定“因子A对指标无影响”的原假设，不然就不否定。照这样做，判断出错(即:当因子A其实对指标无影响时，而判断它有影响)的概率不超过α。上面的检验式就叫作F检验。当然和其他检验法一样，我们也可以借助F分布计算试验数据对于“因子A对指标无影响”这个原假设的拟合优度。

---