SPSS - 显著性分析 一般线性模型的单因素与多因素选择

SPSS中可以使用分析-一般线性模型中的分析来做显著性分析
其中又有两个选择，单因素与多因素。

查看SPSS官方帮助文档，即点击左下角的“？”，找到了两者区别。

单因素

https://www.ibm.com/support/knowledgecenter/zh/SSLVMB_25.0.0/statistics_mainhelp_ddita/spss/base/idh_glmu.html
“GLM 单变量”过程通过一个或多个因子和/或变量，为一个因变量提供回归分析和方差分析。因子变量将总体划分成组。通过使用此“一般线性模型”过程，您可以检验关于其他变量对单个因变量的各个分组的平均值的效应的原假设。您可以调查因子之间的交互以及个别因子的效应，它们之中有些可能是随机的。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）指定为协变量。

e.g.
数年来一直收集芝加哥马拉松赛中各个选手的数据。每名选手到达终点的时间是因变量。其他因子包括天气（冷、舒适或热）、训练月数、以前参加马拉松赛的次数以及性别。年龄被视为协变量。您可能会发现性别是一个显著作用，性别与天气的交互也是显著的。

ps. 取一个因变量，可以有多个固定因子

多因素

https://www.ibm.com/support/knowledgecenter/zh/SSLVMB_25.0.0/statistics_mainhelp_ddita/spss/advanced/idh_glm_multivariate.html

“GLM 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。因子变量将总体划分成组。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平均值的效应的原假设。可以调查因子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）指定为协变量。

某塑料制造商要测量塑料膜的三种属性：耐撕裂性、光泽和不透明度。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，但这两种因子的交互作用并不明显。

比如我的项目中有5个features，分别为FE_acceleration, FE_deceleration, CDV, CI, CSV。要分析这五个features在不同road class下的显著性，及road class对这些属性的度量。那么取road class作为固定因子，因变量取这5个属性。如下图，

结果如下：