SPSS 方差分析的效应量怎么看：η² 与偏 η² 的区别

方差分析的效应量应连同模型与分母一起解释：η²以总平方和为分母，偏η²以该效应平方和与误差平方和之和为分母。本篇单一因素、无协变量的组间模型中两者相同，但无法把这一关系套到多因素或重复测量设计。

方差分析的效应量：数据要怎么排

本篇使用单因素方差分析演示数据（模拟生成），随机抽取128行。每行是一位对象，治疗方案为分组变量，治疗后评分为定量结果；没有把同一人的多个时间点混成独立记录。这里比较的是联合治疗与常规治疗的组间评分，不是同一个体治疗前后的变化。

本篇子样本在上传前按原表行序准备：用 Python 的 random.Random(7).sample 无放回抽取原记录的 85%，再按原行序保存。工作台分析的是这份固定子表，直接载入完整演示表会得到另一组结果。

列名	含义	分析角色
治疗方案	对象所属方案	分组因素
治疗后评分	同一测量尺度的结果	因变量

η²回答模型中组间平方和占总平方和的比例，偏η²则排除了其他效应对应的平方和，分母通常较小。因此跨研究看到相似的数值，无法立即认定差异规模相同；先要确认设计、因素数量、误差项以及报告的是哪一种指标。效应量是模型和资料的描述，不是方法名称旁边可任意互换的标签。

单因素方差分析怎么做

1. 选择「单因素方差分析」，将治疗方案放入分组变量位置，治疗后评分放入因变量位置。
2. 开始分析后核对有效记录与分组，查看残差正态性和方差齐性检查，确认采用的整体检验口径。
3. 阅读效应量表及区间，保留其指标名称；结果段同时报告整体检验，避免仅复制“大效应”的等级标签。

本例报告效应量表呈现η²和ω²，并没有另行拟合复杂模型来计算一个不同的偏η²。解释两者关系时只能依据当前单因素的平方和结构，无法假装报告里有第二种设计的实测比较。ω²是偏倚校正的估计，与偏η²也不是同一个概念。

η²与偏η²怎么看

报告的η²为0.211，区间为[0.097, 0.326]，ω²为0.203。前者描述样本内按治疗方案分组的变异占比，后者作了偏倚校正；不应把两者差距解读为治疗效果发生了改变。区间同时提醒：差异规模不是一个没有误差的常数，模拟资料的等级标签也不构成临床意义判断。

均值对比图说明分组均值的位置，不呈现全部个体差异。单看均值点位高低无法读出η²，因为效应量还取决于组内变异；应把图与方差分解、描述统计放在一起核对。若更换因变量量尺，均值变化也无法直接当作效应量变化。

结论卡片便于核对整体检验与指标名称。当前经典F检验为F(1, 126)=33.606，p<0.001，支持两组总体均值存在统计差异；它没有证明分组本身导致评分变化。若设计包含其他因素或协变量，必须回到相应模型的平方和与误差项，无法从本例复制分母。

论文里怎么写

可写：“采用单因素方差分析比较治疗方案组的治疗后评分，整体检验提示组间差异具有统计学意义；报告η²及其置信区间，并以ω²补充描述偏倚校正后的差异规模。”真实论文应补上各组人数、均值和标准差，按实际设计说明混杂控制与推广范围。若无法估计效应量或区间，应说明限制，不将横线填为无差异。

即使本例中两种η指标在数值上重合，论文也应写明实际报告的名称，避免读者误以为使用了不同模型。解释“所占变异”时，要限定为当前样本与设定中的方差分解，无法改写成治疗决定了相同比例的个人结局。若需要在综合研究中比较效果，应同时保留各组描述统计和设计信息，使后续分析能够判断指标是否可换算；只摘录等级标签会丢失这些条件。

方差分析效应量常见错误

• 把偏η²直接标成η² → 按原报告指标名呈现，并核对分母。
• 用总体显著性充当差异大小 → 同时报告效应量和区间。
• 将经验等级当成专业重要性标准 → 结合评分单位与有意义差异讨论。
• 只比较不同研究的一个效应量数字 → 先核对设计和误差项，避免跨模型混比。

整理结果时应将显著性、规模与研究解释分开：主检验用于判断统计证据，效应量说明当前模型中的差异规模，专业意义依赖研究背景。这样的结果段更容易追溯到报告，也能明确哪些问题仍未由数据回答。开通会员后可导出 Word / PDF 报告、使用 AI 解读。

延伸阅读

• 单因素方差分析