0. 预处理

• 设置工作目录

1

CD "/Users/ginglam/Public/data".

• 导入2016年中国劳动力动态调查数据 (CLDS)

1
2
3

GET FILE "clds2016_i.sav".
DATASET NAME clds.
DATASET ACTIVATE clds.

1.单因素方差分析 (One-Way ANOVA)

（1）核心问题与适用场景

• 在上一讲中，我们学习了使用独立样本T检验来比较两个独立总体的均值是否存在差异。但如果我们要比较的组别大于等于三个，例如，比较春、夏、秋、冬四个季节出生的人，其平均收入是否相同，T检验就无能为力了。
• 单因素方差分析 (One-Way ANOVA) 正是解决这个问题的标准方法。它通过分析数据的“方差”，来检验一个分类型自变量（包含三个或以上组别，也称“因子Factor”），是否对一个连续型因变量的均值产生显著影响。

辅助知识点：为何不两两做T检验？ 一个常见的误区是，当面临多组比较时，反复进行两两之间的T检验。例如，比较四个季节，就做 C(4,2)=6次T检验。这种做法是错误的，因为它会急剧增加犯“第一类错误”（即错误地拒绝了本应成立的虚无假设）的概率。如果每次检验的显著性水平α设为0.05，那么6次检验后，至少犯一次错误的累积概率会远大于0.05。方差分析则通过一次性的整体检验，很好地控制了这个问题。

（2）方差分析的三大前提假设

• 为了确保ANOVA结果的有效性，我们的数据需要满足三个基本假设
  • 独立性 (Independence)：各组样本之间是相互独立的，一个样本的观测值不会影响到另一个样本。通过随机抽样可以保证这一点。
  • 正态性 (Normality)：在每一个组别（总体）中，因变量都服从正态分布。
  • 方差齐性 (Homoscedasticity)：各组总体的方差是相等的。

案例（1-1）：出生季节与收入的关系

• 研究问题：不同季节出生的劳动者，其2015年的平均总收入是否存在显著差异？

• 虚无假设 H₀：春、夏、秋、冬四个季节出生的劳动者，其总体平均收入完全相同 (μ_春 = μ_夏 = μ_秋 = μ_冬)。

• 研究假设 H₁：至少有一个季节出生的劳动者，其总体平均收入与其他季节不完全相同。

• 第一步：数据准备与初步描述

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

* 筛选有效数据：收入大于0，出生月份有效.
SELECT IF (I3a_6 > 0 AND birthmonth > 0).
COMPUTE income = I3a_6.

* 将出生月份重新编码为季节.
RECODE birthmonth (3 THRU 5=1) (6 THRU 8=2) (9 THRU 11=3) (12, 1, 2=4) INTO season.
VALUE LABELS season 1 "春季" 2 "夏季" 3 "秋季" 4 "冬季".
VARIABLE LEVEL season (NOMINAL).
EXECUTE.

* 使用MEANS命令查看收入和出生季节基本信息.
MEANS income birthmonth
	/CELLS = min max.

1
2
3

* 使用MEANS命令初步查看各组的均值、人数和标准差.
MEANS income BY season
    /CELLS = MEAN COUNT STDDEV.

• 从描述统计表中，我们看到各组均值略有差异。但这种差异究竟是真实的总体差异，还是仅仅由抽样误差导致？这正是ANOVA需要回答的问题。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

* 绘制不同季节出生的劳动者的收入条形图.
GGRAPH 
	/GRAPHDATASET NAME = "clds" VARIABLES= birthmonth MEAN(income)[NAME = "mean_income"]
	/GRAPHSPEC SOURCE = INLINE. 
BEGIN GPL 
	SOURCE: clds=userSource(id("clds"))
	DATA: birthmonth=col(source(clds), name("birthmonth"), unit.category())
	DATA: mean_income=col(source(clds), name("mean_income"))
	GUIDE: axis(dim(1), label("出生季节"))
	GUIDE: axis(dim(2), label("平均收入"))
	GUIDE: text.title(label("2015年出生季节劳动者的总收入")) 
	GUIDE: text.subtitle(label("基于CLDS2016数据"))
	ELEMENT: interval(position(birthmonth*mean_income))
END GPL.

• 第二步：检验前提假设 - 正态性 (Normality)
  • 收入这类变量通常呈严重的右偏态（少数高收入者将均值拉高），直接分析可能违反正态性假设。一个常用的处理方法是对数转换，它可以有效缓解偏度。

1
2
3
4
5
6
7
8

IF (income > 0) log_income = LN(I3a_6).
SELECT IF (log_income  >= 0).
VARIABLE LABELS log_income "收入的自然对数".
MEANS log_income
	/CELLS = MEAN COUNT VAR STDDEV MIN MAX.
EXAMINE VARIABLES = log_income
	/PLOT HISTOGRAM.
EXECUTE.

• 检验正态性的三种方法
• 第一种方法：根据偏度(Skewness)和峰度(Kurtosis)来判断
  • 如果一个分布是完美的正态分布，其偏度和峰度都应为0。通常，如果这两个值的绝对值小于1，我们可以认为数据近似正态。
• 使用FREQUENCIES功能
  • 点选操作：分析 → 描述统计 → 频率 → 选择变量 → 取消勾选“显示频率表” → 点击“统计” → 勾选“偏度”和“峰度” → 继续 → 确定。
  • 语法操作：

1
2
3

FREQUENCIES VARIABLES = log_income
	/FORMAT = NOTABLE
	/STATISTICS = SKEWNESS SESKEW KURTOSIS SEKURT.

• 使用使用DESCRIPTIVES功能
  • 点选操作：分析 → 描述统计 → 描述 → 选择变量 → 点击“选项” → 勾选“偏度”和“峰度” → 继续 → 确定。
  • 语法操作：

1
2

DESCRIPTIVES VARIABLES=log_income 
	/STATISTICS=KURTOSIS SKEWNESS.

• 解读：从结果可知，对数收入的偏度(-0.515)和峰度(0.357)的绝对值都远小于1，说明其分布接近对称的钟形，近似满足正态性假设。

• 第二种方法：根据P-P图和Q-Q图来判断

  • 规则：通过比较观测数据与理论正态分布的期望值，来判断正态性。如果散点紧密地分布在对角线附近，则表明数据近似正态。Q-Q图在实践中应用更广。

• P-P图

  • 点选操作：分析 → 描述统计 → P-P图 → 选择变量 → 确定。
  • 语法操作：

1
2
3

PPLOT
	/TYPE=P-P
	/VARIABLES = log_income.

• Q-Q图
• 方式一：使用EXAMINE功能
  • 点选操作：分析 → 描述统计 → 探索 → 将变量放入“因变量列表” → 点击“图” → 勾选“含检验的正态图” → 继续 → 确定。
  • 语法操作：

1
2
3

EXAMINE VARIABLES=log_income 
	/PLOT NPPLOT 
	/NOTOTAL.

• 方式二：使用PPLOT功能
  • 点选操作：分析 → 描述统计 → Q-Q图 → 选择变量 → 确定。
  • 语法操作：

1
2
3

PPLOT
	/TYPE=Q-Q
	/VARIABLES = log_income.

• 解读：从P-P图和Q-Q图的结果来看，观测值散点都非常紧密地贴合在拟合线上，这为变量近似服从正态分布提供了强有力的图形证据。

• 第三种方法：根据柯尔莫戈洛夫-斯米尔诺夫检验（K-S test）或夏皮罗-威尔克检验（Shapiro-Wilk test）

  • 这是最严格的统计检验方法。
    • 其虚无假设 H₀ 为：数据服从正态分布。
    • 如果p值(Sig.)小于0.05，我们就拒绝H₀。
  • 注意：在大样本情况下，这些检验非常敏感，即使数据轻微偏离正态，也可能导致显著的结果。因此，社会科学研究中通常更依赖于图形法和偏度/峰度指标进行综合判断。

• K-S检验

• 方式一：使用EXAMINE功能

  • 点选操作：与Q-Q图的“探索”功能相同。
  • 语法操作：使用EXAMINE (同时输出S-W检验)

1
2
3

EXAMINE VARIABLES=log_income
	/PLOT NPPLOT
	/NOTOTAL.

• 方式二：使用NPAR TESTS功能
  • 点选操作：分析 → 非参数检验 → 旧对话框 → 单样本K-S → 将变量放入“检验变量列表” → 勾选“正态” → 确定。
  • 语法操作：使用NPAR TESTS

1
2

NPAR TESTS
	/K-S(NORMAL)=log_income.

• 夏皮罗-威尔克检验
  • 点选操作：与Q-Q图的“探索”功能相同。
  • 语法操作：使用EXAMINE

1
2
3

EXAMINE VARIABLES=log_income
	/PLOT NPPLOT
	/NOTOTAL.

• 综合判断：两项统计检验的p值均小于0.05，拒绝了正态分布的虚无假设。然而，考虑到我们的样本量较大，检验结果可能过于敏感。结合前述偏度、峰度和Q-Q图的理想表现，我们仍然可以认为log_income变量近似满足正态性假设，可以继续进行ANOVA分析。

随堂练习：采用以上三种方法，试检验教育年限（I2_1）及其对数形式是否具有正态性

• 第三步：检验前提假设 - 方差齐性 (Homogeneity of Variances)
  • 我们使用莱文检验（levene test） 来判断各组的方差是否相等。
    • 其虚无假设 H₀ 为：各组方差相等。
    • 如果p值(Sig.)大于0.05，我们就不能拒绝H₀，即认为方差是齐的。
  • 点选操作：分析 → 比较平均值 → 单因素ANOVA → 将log_income放入“因变量列表”，season放入“因子” → 点击“选项” → 勾选“方差同质性检验” → 继续 → 确定。
  • 语法操作：

1
2

ONEWAY log_income BY season 
	/STATISTICS HOMOGENEITY.

• 解读：Levene检验的p值为0.457，远大于0.05，表明我们没有理由认为各季节组的收入方差存在差异。方差齐性假设得到满足。

随堂练习：试检验从事不同产业（I3a_8）劳动者的教育年限（I2_1）及其对数形式是否具有方差齐性.

• 提示：对I3a_8而言，“1,2” 为第一产业，“3 thru 7”为第二产业，“8 thru 16”为第三产业.

• 第四步：进行方差分析 (ANOVA)
• 第一种方法：通过统计公式手动计算 (理解原理)
  • ANOVA的核心思想是将总变异(SST)分解为组间变异(SSB)和组内变异(SSW)。

案例（1-2）：试用方差分析，检验不同季节出生劳动者，其总收入是否存在差异

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

* 计算所有劳动者的总收入（取对数）均值.
AGGREGATE 
	/log_income_mean = mean(log_income).

* 计算所有劳动者的总收入（取对数）的总平方和（SST）.
COMPUTE diff_sq = (log_income - log_income_mean)**2.
AGGREGATE 
	/SST = sum(diff_sq).
COMPUTE df_t = 555-1.

* 计算所有劳动者的总收入（取对数）的组间平方和（SSB）.
* 计算不同出生组的平均收入.
MEANS log_income BY birthmonth
	/CELLS = MEAN COUNT.
COMPUTE log_income_spring = 10.017473.
COMPUTE log_income_summer = 9.882176.
COMPUTE log_income_fall = 9.715442.
COMPUTE log_income_winter = 9.962090.

* 计算组间平方和.

COMPUTE SSB = 146*((log_income_spring-log_income_mean)**2) + 142*((log_income_summer-log_income_mean)**2) + 150*((log_income_fall-log_income_mean)**2) + 117*((log_income_winter-log_income_mean)**2).
COMPUTE df_b = 4-1.

* 计算所有劳动者的总收入（取对数）的组内平方和（SSW）或残差平方和（SSE）.
IF (birthmonth = 1) log_income_spring_diffsq=(log_income-log_income_spring)**2.
IF (birthmonth = 2) log_income_summer_diffsq=(log_income-log_income_summer)**2.
IF (birthmonth = 3) log_income_fall_diffsq=(log_income-log_income_fall)**2.
IF (birthmonth = 4) log_income_winter_diffsq=(log_income-log_income_winter)**2.
AGGREGATE 
	/log_income_spring_sum = sum(log_income_spring_diffsq).
AGGREGATE 
	/log_income_summer_sum = sum(log_income_summer_diffsq). 
AGGREGATE 
	/log_income_fall_sum = sum(log_income_fall_diffsq).
AGGREGATE 
	/log_income_winter_sum = sum(log_income_winter_diffsq). 
COMPUTE SSW = log_income_spring_sum + log_income_summer_sum + log_income_fall_sum + log_income_winter_sum.
COMPUTE df_w = 555-4.

* 呈现方差分析结果.
FORMATS SST df_t SSB df_b SSW df_w (F20.16).
SUMMARIZE
	/TABLES = SST df_t SSB df_b SSW df_w
	/FORMAT = VALIDLIST LIMIT=1.

1
2
3
4
5
6

* 根据统计公式计算检验统计量.
COMPUTE F_value = (SSB/df_b)/(SSW/df_w).
FORMATS F_value (F20.16).
SUMMARIZE
	/TABLES = F_value
	/FORMAT = VALIDLIST LIMIT=1.

1
2
3
4
5
6
7

* 根据F检验结果，F值等于1.781837.
* 在F分布下，P值等于整个F分布的累积密度（面积=1）与样本均值处的累积密度（面积 = cdf.f(实际F值,自由度1,自由度2)）之差.
COMPUTE p_value_f = (1 - cdf.f(1.781837,3,551)).
FORMATS p_value_f (F20.16).
SUMMARIZE
	/TABLES = p_value_f
	/FORMAT = VALIDLIST LIMIT=1.

• 根据F检验结果，P值等于0.149516153378015且大于0.05的显著性水平，不能拒绝虚无假设，即认为不同季节出生的劳动者在2015年可能拥有相同的总收入，也可能拥有不同的总收入

• 第二种方法：采用“单因素ANOVA检验”功能

  • 点选操作：分析 → 比较平均值 → 单因素ANOVA → 将log_income放入“因变量列表”，season放入“因子” → (可选)点击“选项”勾选“描述”和“均值图” → 确定。
  • 语法操作：

1
2
3

ONEWAY log_income BY season
	/STATISTICS DESCRIPTIVES
	/PLOT MEANS.

• 结果解读：
  1. 在“ANOVA”表中，我们主要关注F值和 “Sig.” (p值)。
  2. 这里的p值为0.149517，大于0.05。
  3. 结论：我们不能拒绝虚无假设H₀。这意味着，尽管我们在样本中观察到不同季节出生者的平均收入略有不同，但这种差异在统计上并不显著，很可能仅仅是抽样误差造成的。我们没有足够的证据表明出生季节对个人收入有显著影响。

随堂练习：以2015年社会地位得分（I7_10_1）为例，试检验不同地区（东中西）劳动者的平均社会地位得分是否相等.

• 提示：首先要将省份编码（PROV2016）转为地区编码
• 第一步：省份编码参考2014年中华人民共和国行政区划代码
  • http://www.mca.gov.cn/article/sj/xzqh/1980/201507/20150715854923.shtml
  • 11 = 北京 12 = 天津 13 = 河北 14 = 山西 15 = 内蒙古
  • 21 = 辽宁 22 = 吉林 23 = 黑龙江 31 = 上海 32 = 江苏
  • 33 = 浙江 34 = 安徽 35 = 福建 36 = 江西 37 = 山东
  • 41 = 河南 42 = 湖北 43 = 湖南 44 = 广东 45 = 广西
  • 50 = 重庆 51 = 四川 52 = 贵州 53 = 云南 61 = 陕西
  • 62 = 甘肃 63 = 青海 64 = 宁夏 65 = 新疆
• 第二步：不同地区的划分参考国家统计局“东西中部和东北地区划分方法”
  • https://www.stats.gov.cn/zt_18555/zthd/sjtjr/dejtjkfr/tjkp/202302/t20230216_1909741.htm
  • 东北地区样本量过少，可以与西部地区样本合并
• 试判断变量的正态性和方差齐性，再进行方差分析

2.双因素方差分析 (Two-Way ANOVA)

• 当研究者想同时考察两个分类型自变量（因子）对一个连续型因变量的影响时，就需要使用双因素方差分析。它不仅能分别检验每个自变量的主效应 (Main Effect)，还能检验两个自变量之间是否存在交互效应 (Interaction Effect)。
• 点选操作：分析 → 一般线性模型 → 单变量 → 选择“因变量”填入“因变量”框 → 选择“两个自变量”填入“固定因子”框 → 点击“模型” → 选择“构建项” → 选择“类型”为“主效应” → 将“因子与协变量”移入“模型” → 选择“平方和”为“III类” → 勾选“在模型中包括截距” → 继续 → 确定
• 语法操作：

1
2
3
4
5

UNIANOVA dependent_var BY factor1 factor2 ... [WITH covariate1 covariate2 ...]
  /METHOD = SSTYPE(3)
  /INTERCEPT = INCLUDE
  /CRITERIA = ALPHA(<显著性水平>)
  /DESIGN = factor1 factor2 factor1*factor2 ... .

语法说明

• UNIANOVA dependent_var BY factor_list [WITH cov_list]
  • 这是命令的主体，用于定义模型中的变量角色。
  • dependent_var: 指定唯一的因变量，必须是连续变量。
  • BY factor_list: 在BY之后列出所有分类自变量（也称为因子）。
  • WITH cov_list: (可选) 在WITH之后列出所有连续自变量（也称为协变量），用于执行协方差分析(ANCOVA)。
• /METHOD = SSTYPE(3)
  • 指定计算平方和 (Sum of Squares) 的类型。
  • SSTYPE(3): 即第三类平方和。这是默认且最推荐的选项，尤其是在数据不平衡（即各组样本量不同）或模型包含交互项时。它评估的是每个效应在控制了模型中所有其他效应之后独特的贡献。
• /INTERCEPT = INCLUDE
  • 指定是否在模型中包含截距项。INCLUDE是默认选项，通常我们都需要包含截距。
• /CRITERIA = ALPHA(<显著性水平>)
  • 设定检验的显著性水平α。默认值为0.05。这个设置会影响置信区间的计算。
• /DESIGN = [效应列表]
  • 非常重要的子命令，用于明确指定你想要检验的模型结构。
  • 只写变量名，如 factor1 factor2，表示只检验每个变量的主效应。
  • 使用星号 * 连接变量，如 factor1*factor2，表示检验这两个变量的交互效应。
  • 一个包含了两个主效应和一个交互效应的完整模型通常写为：/DESIGN = factor1 factor2 factor1*factor2.。
  • 如果省略/DESIGN子命令，SPSS会默认构建一个包含所有因子、所有协变量以及所有因子间交互作用的完整模型。

辅助知识点：UNIANOVA 与 ONEWAY 的区别

• ONEWAY: 只能处理一个分类自变量（单因素）。
• UNIANOVA: 可以同时处理一个或多个分类自变量（因子, Factor），以及一个或多个连续自变量（协变量, Covariate）。这使得它能够分析更复杂的模型，包括主效应和交互效应。

案例（2-1）：检验出生季节与性别的双重影响

• 研究问题：出生季节和性别是否共同影响个人收入？
• 虚无假设 H₀-1: 不同季节出生者的总体平均收入相同。
• 虚无假设 H₀-2: 不同性别者的总体平均收入相同。
• 研究假设 H₁-1: 不同季节出生者的总体平均收入不完全相同。
• 研究假设 H₁-2: 不同性别者的总体平均收入不相同。

1
2
3
4
5
6

SELECT IF (gender > 0).
UNIANOVA log_income BY season gender
	/METHOD = SSTYPE(3) 
	/INTERCEPT = INCLUDE 
	/CRITERIA = ALPHA(0.05)
	/DESIGN = season gender /* /DESIGN 子命令明确指定只考虑主效应 */. 

• 结果解读
  • 在“Tests of Between-Subjects Effects”表中，我们分别看season和gender两行。
  • 出生季节 (season)：F1值等于1.709387，对应p值为0.163985且大于0.05，主效应不显著。
  • 性别 (gender)：F2值等于22.379861，对应p值为0.000003且小于0.05，主效应非常显著。
  • 结论：在同时控制了两个变量后，我们发现出生季节对收入依然没有显著影响，但性别的独立影响是显著的。

随堂练习：以2015年总收入为例，试检验不同行业的劳动者的平均收入是否相等