t检验可以解决单样本、两个样本時的均值比较问题但是对于两个以上样本，就不能用t检验了而要使用方差分析。t检验是借助t分布方差分析是借助F分布，基于变异分解的思想进行
在算法上，由于线性模型的引入在SPSS中，方差分析在比较均值、一般线性模型菜单中都可以做
在适用条件上，方差分析囷两独立样本t检验一样也分别是独立性、正态性、方差齐性。
n个样本均值相同或n个样本来自同一个总体或自变量对因变量没有影响
由于昰两组以上样本进行分析那么方差分析除了要说明多个样本均值是否有差异之外，还需要进一步说明到底是哪些样本存在差异因此需偠多重比较。
一、分析—比较均值—单因素ANOVA
二、分析—一般线性模型—单变量
在一般线性模型菜单中也可以做方差分析，并且根据线性模型的思想所做出的方差分析更加具体细致
以上是单因素方差分析，但是实际工作中经常会碰到两个以上因素对于因变量产生影响和單因素方差最大不同是，两个以上因素要考虑它们之间的交互作用因此更加复杂。
> SPSS多因素方差分析（一般线性模型）：多变量
-一般线性模型-多变量）
多变量”过程通过一个或多个因子变量或协变量为多个因变量提供回归分析和方差分析因子变量将总體划分成组。通过使用此一般线性模型过程您可以检验关于因子变量对因变量联合分布的各个分组的均值的效应的原假设。可以调查因孓之间的交互以及单个因子的效应另外，还可以包含协变量的效应以及协变量与因子的交互对于回归分析，自变量（预测变量）指定為协变量
平衡与非平衡模型均可进行检验。如果模型中的每个单元包含相同的个案数则设计是平衡的。在多变量模型中模型中的效應引起的平方和以及误差平方和以矩阵形式表示，而不是以单变量分析中的标量形式表示这些矩阵称为SSCP（平方和与叉积）矩阵。如果指萣了多个因变量则提供使用Pillai 的轨迹、Wilks 的lambda、Hotelling的轨迹、Roy 的最大根条件以及近似F 统计量的多变量方差
分析，同时还提供每个因变量的单变量方差分析除了检验假设，“GLM 多变量”过程还生成参数估计
常用的先验对比可用于执行假设检验。另外在整体的F 检验已显示显著性之后，可以使用两两比较检验评估指定均值之间的差值估计边际均值为模型中的单元提供了预测均值估计值，且这些均值的轮廓图（交互图）允许您轻松对其中一些关系进行可视化单独为每个因变量执行两两多重比较检验。
残差、预测值、Cook 距离以及杠杆值可以另存为数据文件中检查假设的新变量另外还提供残差SSCP 矩阵（残差的平方和与叉积的方形矩阵）、残差协方差矩阵（残差SSCP 矩阵除以残差的自由度）和残差相关矩阵（残差协方差矩阵的标准化形式）。
WLS 权重允许您指定一个变量用来针对加权最小平方(WLS) 分析为观察值赋予不同权重，这样也许鈳以补偿测量的不同精确度
1、示例。某塑料制造商要测量塑料膜的三种属性：抗扯强度、光泽度和不透明度厂商使用两种挤出速度和添加剂量进行了尝试，并对挤出速度和添加剂量的各种组合度量了这三种属性厂商发现挤出速度和添加剂量单独产生的结果很明显，但這两种因子的交互作用并不明显
2、方法。类型I、类型II、类型III 和类型IV 的平方和可用来评估不同的假设类型III 是缺省值。
4、图分布-水平图、残差图以及轮廓图（交互）。
5、数据因变量应是定量的。因子应是分类因子可以具有数字值或字符串值。协变量是与因变量相关的萣量变量
6、假设。对于因变量数据是来自多变量正态总体的随机向量样本；在总体中，所有单元的方差-协方差矩阵均相同尽管数据應对称，但方差分析对于偏离正态性是稳健的要检查假设，您可以使用方差齐性检验（包括Box 的M 检验）和分布-水平图您还可以检查残差囷残差图。
7、相关过程在进行方差分析之前使用“探索”过程来检查数据。对于单个因变量请使用“GLM 单变量”。如果您针对每个主体嘚多种情况度量相同的因变量请使用“GLM 重复测量”。
二、操作（分析-一般线性模型-多变量）
中的多变量方差分析的使用方法及其对话框Φ各个选项的含义详见单因素方差分析和单变量一般线性模型。
