单因素方差分析计算器
粘贴每一组的分数,即可得到完整的方差分析表——平方和、均方、F 值和精确的 p 值——以及 η² 与 ω²、各组描述统计、用于检验方差齐性的 Brown–Forsythe 检验、Welch 方差分析和经 Bonferroni 校正的两两比较。每一步都会用您的数据演算。免费,无需注册。
0 个数值
0 个数值
0 个数值
请在至少两个组中各输入至少两个数字。
如何使用单因素方差分析计算器
- 1. 输入每一组数据。 为该组命名,并粘贴其分数,可用逗号、空格或换行符分隔。默认准备了三组,可增加到十组,也可减少到两组。
- 2. 选择 α。 显著性水平(默认 .05)决定判定结论,以及后续检验的结论。
- 3. 查看总体检验。 方差分析表给出 SS、df、MS、F 和 p;η² 与 ω² 说明组别解释了多大比例的变异。
- 4. 检查并跟进。 在信任经典 F 检验之前先看 Levene 检验;若方差不齐,请使用 Welch 方差分析;然后查看两两比较,了解哪些组之间存在差异。完成后可复制 APA 结果行。
F 比率比较的是什么
方差分析把分数的总变异分成两部分。组间平方和 SSB = Σ nⱼ(x̄ⱼ − x̄)²,衡量每个组均值与总均值相距多远。组内平方和 SSW = Σ Σ (x − x̄ⱼ)²,衡量单个分数与其所在组均值相距多远。将各平方和除以相应的自由度即得到均方,而 F = MSB / MSW。如果总体均值相等,两个均方估计的是同一个误差方差,F 会在 1 附近波动;F 值很大则意味着各组均值之间的差距,超出了组内噪声凭偶然所能产生的程度。
| 变异来源 | SS | df | MS | F |
|---|---|---|---|---|
| 组间 | Σ nⱼ(x̄ⱼ − x̄)² | k − 1 | SSB / (k − 1) | MSB / MSW |
| 组内 | Σ Σ (x − x̄ⱼ)² | N − k | SSW / (N − k) | |
| 总计 | Σ (x − x̄)² | N − 1 |
k 为组数,N 为分数总数。η² = SSB / SST;ω² = (SSB − (k − 1)MSW) / (SST + MSW)。
示例:三种教学形式
点击试用示例,即可载入三个班级、每班六名学生的测验分数:讲授式(M = 73.83,SD = 4.36)、翻转课堂(M = 82.17,SD = 3.76)和自主在线学习(M = 72.33,SD = 2.58)。总均值为 76.11。
单因素方差分析,逐步演算
SSB = 336.78,df = 2,因此 MSB = 168.39
SSW = 199.00,df = 15,因此 MSW = 13.27
F = 168.39 / 13.27 = 12.69,p = .0006
η² = 336.78 / 535.78 = .63;ω² = .57
按 APA 格式表述:测验分数因教学形式而异,F(2, 15) = 12.69,p < .001,η² = .63。Levene 检验没有显示方差不齐的迹象,F(2, 15) = 0.89,p = .430;Welch 方差分析与经典检验的结论一致,F(2, 9.49) = 13.33,p = .002。经 Bonferroni 校正的比较把差异定位在翻转课堂:它比讲授式高出 8.33 分(校正后 p = .016),比在线学习高出 9.83 分(校正后 p = .002),而讲授式与在线学习之间没有差异(校正后 p > .999)。
前提假设及其不成立时的做法
- 观测相互独立。 每个分数来自不同的人,且只属于一个组。对同一批人的重复测量需要使用重复测量方差分析,本计算器不支持。
- 残差大致服从正态分布。 当各组样本量相近时,方差分析可以容忍中等程度的偏态;对于样本量小且明显非正态的组,请使用Kruskal-Wallis 检验。
- 方差齐性。 这里的 Levene 检验是 Brown–Forsythe 版本,它衡量各组围绕中位数的离散程度,面对偏态数据依然可靠。当该检验显著,或各组样本量相差很大时,请报告 Welch 方差分析,它不再依赖这一假设。
- 事后检验须有理由才做。 两两比较表使用经 Bonferroni 校正的 Welch t 检验。这里没有计算 Tukey HSD,因为它需要学生化极差分布;Bonferroni 稍显保守,因此对临界的校正后 p 值请谨慎对待。
常见问题
- 显著的单因素方差分析说明了什么?
- 它说明至少有一个组的均值与其他组不同——但没有说明是哪一个,也不是说所有组都不同。总体 F 检验只是把组均值之间的离散程度与组内的离散程度作比较。要找出差异所在,请查看两两比较,例如结果旁显示的经 Bonferroni 校正的检验。
- 为什么不直接做多次 t 检验?
- 每次 t 检验都有各自出现假阳性的概率。三组数据有三次两两检验,若每次都取 α = .05,至少出现一次误报的概率会升至接近 1 − .95³ ≈ 14%。方差分析在选定的 α 下一次检验所有均值,而校正后的事后检验可使整组比较的总体错误率保持在控制范围内。
- η² 和 ω² 有什么区别?
- 两者都描述组别所解释的总方差比例。η² = SSB / SST 是样本中的比例,会高估总体值,样本较小时尤其明显。ω² 减去了凭偶然预期会出现的方差,是偏差更小的估计,因此总是略小一些。若您所在领域习惯报告 η²,就报告 η²;样本较小时则报告 ω²。
- 什么时候应该用 Welch 方差分析而不是经典 F 检验?
- 当各组方差不同时,尤其是各组样本量也不同时。经典 F 检验会合并各组方差,如果小样本组的方差最大,其假阳性率可能远高于 α。Welch 方差分析按 n / s² 给各组加权,并调整误差自由度,因此结果依然准确;方差相等时,它给出的答案与经典检验几乎相同。
- 如何按 APA 格式报告单因素方差分析?
- 先给出各组的均值和标准差,然后写 F(组间 df, 组内 df) = 数值,p = 数值,再加上效应量:F(2, 15) = 12.69,p < .001,η² = .63。F 和 p 用斜体,希腊字母 η 不用;p 和 η² 去掉前导零,因为二者都不会超过 1。随后给出显示哪些组存在差异的事后检验结果。
- 每组需要多少个分数?
- 计算器要求每组至少两个,但这只是计算上的下限,而不是设计上的目标。要在三组、α = .05 且检验效能为 80% 的条件下检出中等效应(f = .25),每组大约需要 53 个。各组样本量相等,也会使检验对方差不齐更加稳健。