协方差分析解决的问题:多个自变量包括离散变量和连续变量)对单个因素变量连续数据)的影响。 参数中的连续变量作为协调变量被添加“控制”控制变量)。
协方差分析在一定程度上消除了非处理因素的影响,可以准确地得到处理因素的影响。
协方差分析的条件:除一般方差分析条件外,还需要满足“平行性检验”。
协方差分析是回归分析和方差分析的组合。
分析步骤由以下两部分组成。
第1部分:平行性检查
自变量与共变量的相互作用: p>; 0.05、满足平行性检验,满足协方差分析条件; P0.05,不满足平行性检验,不满足协方差分析的条件。
第二部分:协方差分析
情况:
运动干预治疗高血压人群疗效研究
选择实验设计简化版) 54名高血压患者,随机分为三组,分别采用健身运动、宽舞、太极拳运动干预。 干预期为6个月。 实验前、实验后测量静息收缩压,差异形成变量“血压下降”。 经统计验证,实验前三组收缩压基础值差异无统计学意义。
根据统计思路,年龄可能对血压下降的程度有很大影响,考虑到年龄是连续变量,将“年龄”作为“协变量”。 研究运动干预对血压的影响,同时排除协整量“年龄”的影响,使结果更准确。 协方差分析是为了解决类似的问题。
自变量:培训项目
协变量:年龄
原因变量:血压下降。
1部分数据
图1
2平行性检查
这是协方差分析的重要条件。 意思是各组的共变量和因变量呈线性回归关系,斜率大致相同。 也就是说回归直线几乎平行。
可以先绘制散点图,初步探索平行性。
图2散布图
根据图2,3条回归直线几乎平行,可以尝试协方差分析。
SPSS步骤:
1 )分析-一般线性模型-单变量
图3
2 )“血压下降”为“因变量”,“组”为“固定因子”; “年龄”是“协变量”。
图4
3 )单击“模型”。
图5
4 )单击“定制”,并在“模型”列表中选择因子、变量的主效应和交互)默认值为无交互)。 单击“继续”。
5 )返回“图4”后,点击“确定”。 结果如下。
图6
组与年龄的相互作用为: P=0.770>; 0.05,表明相互作用不明显。 也就是说,满足平行性检查。
因为相互作用不明显,所以可以简化模型。 消除相互作用后,再进行协方差分析。
3协方差分析
1 )在图4状态下点击”模型”,取消”组”与”年龄”的交互。 单击“继续”。
图7
2 )返回图4,单击“选项”,如下图所示进行检查。 单击“继续”,返回后,单击“确定”检查结果。
图8
4 SPSS结果
1 )方差齐性检测结果
图9
P=0.462>; 0.05,分散齐性。 满足了协方差分析的另一个条件。
2 )方差分析表
图10
p组P=0.019<; 0.05显示三种运动干预方式对血压下降的效果不同。
年龄P=0.000<; 0.05表明年龄影响着血压下降的程度。 排除这一部分影响后,使运动干预对血压的影响结果更准确。
图11
结合图11的平均值可知。 结果:降压效果由高到低依次为HIIT、持续有氧、核心训练。 当然,结合后面的配对比较统计结果进一步判断,会更合适,由于篇幅原因,不会展开。 )
5请一定要往下看
如果不考虑“年龄”这一共变量对致病变量血压下降)的影响,结果会怎么样?
1 )“组”为“固定因子”; “血压下降”是“原因变量”。 其他默认值。 直接单击“确定”。
图12
2 )方差分析表
图13
组P=0.133>; 0.05显示三种运动干预方式对血压下降效果相同。
由此可知,在不考虑协调变量“年龄”的情况下,得到了与之前完全相反的结果。
这暗示了在科学研究中选择正确的统计方法的重要性,如果方法错误,就无法追求科学真理。