进行差异分析，第一步就是要确定研究变量也就是因变量的数据类型。通常会分类两大类：一类是连续数值型变量，也叫做连续变量，例如身高、年龄等；另一类为分类变量，例如性别、血型、学历等。本期我们就来讲解连续变量在SPSS中如何进行差异分析。

对于连续变量的差异性分析，首先，我们要检验连续变量是否符合正态分布。对于符合正态性分布的变量，要采用参数类的统计分析方法；对于不符合正态性分布的，要采用非参数检验方法。

而参数类分析方法中，又分为平均值、单样本t检验、独立样本t检验、成对样本t检验、单因素ANOVA分析等等。我们在接下来的课程中都会逐一进行讲解。本期我们来看平均值的计算方法。

我们搜集了31例患者的相关数据，要计算出不同性别的骨头高度的均值（图1）这里已经检验过骨头高度是服从正态性分布的，关于如何检验正态性分布，在之前的课程中有详细的讲解，如果有还没学到的朋友，可以去查阅我们之前的课程。

图1

这里值得注意的是，在之前的课程中，我们曾讲到过在“分析”--“描述性分析”（图2）中同样可以计算均值，与下面要讲解的参数类分析中的比较平均值有何不同呢？他们的区别在于：前者只能分析整个变量的均值，而后者（图3）可以按不同分组分类来计算每一个分组或分类的均值。

图2

图3

下面就来具体讲解如何分析不同性别的患者的骨头高度的均值：

SPSS中的操作步骤

①点击“分析”--“比较平均值”--“平均值”（图4）

图4

②将“骨头高度”选入因变量列表，将“性别”选入自变量列表，也叫分组变量列表（图5）

图5

③点击右侧“选项”，勾选“最小值”、“最大值”、两个指标，并勾选下方的“Anova表”，线性相关度检验（图6）后，点击继续--确定。

图6

④结果分析

图7

由上表（图7）可以看出：男性的骨头高度均值为49.2813，女性的为45.5257，可以看出男性略微高出女性，但差异是否有统计学意义，还需要进一步看下面的结果：

图8

由上表（图8）可以看出：ANOVA表中显著性水平为0.141>0.05说明男性和女性的骨头高度的差异不具有统计学意义。且Eta系数为0.27，Eta方0.073均为很小，进一步说明性别与骨头高度相关性不显著。

怎样利用spss比较2组数据间的差异性

1、首先打开SPSS版本23.0软件，找到想要进行编辑处理的数据，如下图所示。

2、找到上方菜单栏中的分析菜单，鼠标移动至一般线性模型，然后选择单变量，点击鼠标左键选择。

3、在单变量对话框中，将变量分别对应移至因变量和协变量，这里将身高移动至因变量，药物移动至协变量。

4、点击右侧菜单的选项，鼠标移动至单变量选项中，选中参数估算值，将参数估算值标记为打勾状态。

5、选中完成后，单击选项中的继续选项，然后在单变量对话框中单击确定，进行编辑之后的查看操作。

6、最后在SPSS的查看器中,可以看到药物对身高影响的显著性分析，红框中显著性为0＜0.05，具有显著性。

spss差异性分析

以SPSS操作为例：

1、打开SPSS软件，在第一个变量输入数据，依次输入A组为1，B组为2。

2、选择选择上面的分析-比较均值-独立样本分析。

3、完成后出现对话框，检验变量，中第一个变量为检验变量，第二个变量为分组变量，并定义组。

4、点击之后，出现对话框，如图所示，在对话框中分别输入定义值：1、2。

5、最后，按确定并进行分析，如图所示，就可以得出最终分析结果表格，这样操作即可。

spss教程

可以做独立样本t检验

独立样本t检验

1.在进行独立样本T检验之前，要先对数据进行正态性检验。满足正态性才能进一步分析，不满足可以采用数据转化或非参数秩和检验；

2.在菜单栏上执行：分析-比较均数-独立样本t检验；

3.将要比较平均数的变量放到检验变量，将分组变量放到分组变量，点击定义组；

4.打开的对话框中，设置组1和组2的值分别是分组类别，然后点击继续。

介于近来太多人问我SPSS，特别做了以下整理（悄悄地告诉你，就是我不想一次次现场教学了），只涉及最基础的SPSS分析，望有所帮助。

1、安装

链接： https://pan.baidu.com/s/1TYQSh0PsBA_y-nDKmWpg2w   提取码：x0oa

或者找我要u盘。

另附教程，链接： https://pan.baidu.com/s/1kqAQ3RWndnGMJIq1Emrouw

安装完成后，将crack.rar解压，把文件内lservrc移动到SPSS安装目录，（即用替换相关文件的方式来破解程序），完成后就可以开始SPSS之旅了。

2、数据导入

先把实验数据转换到表格。

以txt文本导入为例，excel内部点打开，找到你要的txt所在文件夹，将文件类型改成所有文件，打开，根据txt内容把各列分割开即可。

接着在excel上进行数据整理，将因变量列成一列，把不同自变量分开。

对数据进行一定筛选，删除异常值。

将所有的汉字替换为数字，如将男替换为1，将不同处理也用1234表述。

打开SPSS，文件-导入数据-excel。

注意，打开excel后，在工作表行选中你要的sheet，一般默认sheet1。

3、数据探索

对数据进行描述性统计，以求得数据的基础信息。

以探索为例。

分析-描述统计-探索，在图选项框上“含检验的正态图”做正态检验，（当然，正态检验可以直接用K-S检验，具体操作为分析-非参数检验-旧对话框-单样本K-S），以判断使用何种方法做差异检验，如显著性<0.05，则代表不成正态分布，使用非参数检验；反之，使用参数检验。观察Q-Q图，若数据整体呈直线，但因为首尾部分参差不齐，可以具体分析形成原因，再按比例做数据筛选（可以回到分析-描述统计-频率-统计观察），使得数据呈现正态分布。

4、数据分析

在分析之前，最重要的是提一个好问题，即弄清你要研究什么？

4.1、数据正态分布，参数检验（分析-比较平均值）

以下举例数据可能存在问题，望忽略，看大致步骤。

4.1.1、单样本t检验

探讨的是x是否来源于总体，即x和正常值是否存在差异。

举例，如图，被试1的反应时间是否异于常人？那么这个时候就可以用单样本t检验。

点击分析-比较平均值-单样本t检验

如果已知正常人的反应时间平均值为700，那么我们就在检测值上输入700，点确定，SPSS就会自动计算并分析700。

再看sig.(双尾)判断显著性水平，如果<0.05,则说明存在差异，即被试1不是普通人，反之，被试1很正常。

注：就是n>30，它也依旧可以用t检验，我们所说的z检验只是特殊的t检验而已。

4.1.2、配对样本t检验

探讨的是对同一被试/相匹配的一对被试经处理后是否相同，比如说想探讨你吃药前和吃药后，是不是一样疯癫。

举例。

点击分析-比较平均值-成对样本t检验

具体分析同上

4.1.3、独立样本t检验

使用前，注意将数据各个变量分别整理成一列，如性别一列，职业一列，成绩一列。

探讨的是俩样本间是否存在差异。比如男女间在x上是否有差异，南北方在x上是否有差异。敲重点，只能是两样本，如果性别除了男女还多出个中性，就要用单因素方差分析了，因为已经是三个独立样本了。

举例，男女在反应时上是否存在差异呢？

点击分析-比较平均值-独立样本t检验，得到下图。

在莱文方差等同性检验中，判断方差是否齐性，看对应显著性，为0.016<0.05，即说明不齐性。这个时候我们就要看第二行数据，即不假定齐方差行。如果>，则说明齐方差，就按照等方差来。再看sig.(双尾)判断显著性水平，如果<0.05,则说明存在差异，即男女在反应时上有所不同。

4.1.4、单因素方差分析

探讨一个自变量（学历）的不同水平（大一、大二、大三）对因变量是否有影响。

举例，不同刺激类型（1、2、3、4）在反应时上是否有差异？

点击分析-比较平均值-单因素ANOVA检验，

看显著性，同上，发现有差异。那问题来了，具体是怎样的差异？进行多重比较，即看下一个表格，关注显著性一列，找<0.05的值，对应纵横列，可得，1-2；2-3有差异。

注：如果方差分析得到的显著性>0.05，就说明自变量不影响因变量就没有必要看多重比较了。

4.1.5、多因素方差分析

可是我的研究，不只是一个变量在变啊，我想看多个变量对因变量有什么影响，怎么办？一个个做单因素方差分析吗？但如果这些变量互相之间影响怎么办？

这就是多因素的好处，它探讨的是多自变量（学历、性别……）对因变量是否有影响。

举例，男女和刺激类型怎样影响反应时间？

点击分析-一般线性模型-单变量

得到图，然后看显著性，发现只有刺激类型项有差异，且刺激类型和性别无交互作用（刺激类型*男女项0.363>0.05，即性别不会影响到刺激类型的效应）。具体再看多重比较，同上。

4.2非正态分布，非参数检验

具体和4.1类似，点击分析-非参数检验-旧对话框

两个独立样本检验类似于的独立样本t检验，k个独立样本检验类似单因素方差分析

两个相关样本检验类似于的配对样本t检验，k个相关样本检验类似于多次处理同一样本，看不同处理的差异。

5、以上只是非常入门的教程，笔者也只是初学者，水平有限，抖胆整理，如有错误，望指出。

最后提一嘴，重要的不是SPSS这个工具，而是统计。

以上就是关于spss差异性分析步骤全部的内容，如果了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！