SPSS分析技術：協方差分析；剔除工作經驗的影響以后，學歷對工資的影響依然顯著嗎

協方差分析是方差分析方法里非常重要的一個技術，特別適用于影響因素多，因素變量類型也多的情況。方差分析主要用于分析分類變量（因素）對因變量的影響，如下圖所示，因素A和因素B都是分類變量。

分析連續型變量對因變量的影響需要用相關與回歸分析。如果分類變量和連續型變量混合在一起分析，則方差分析和相關回歸分析都不適用了。

協方差分析在這種情況下就派上用場了。將連續性變量設為協變量，扣除它對因變量的影響后，再用方差分析方法來分析分類變量對因變量的影響情況。當然，分類變量也可以作為協變量進行分析。

協方差分析原理

方差分析中，分析者無法判斷和確定的變量（自變量）被稱為協變量，能夠確定對因變量有影響的分類因素被稱為控制變量。協方差分析需要分析的內容有：控制變量對因變量的影響，協變量對因變量的影響，以及控制變量和協變量的關系。

協方差分析的基本思路：

將難以判斷和確定是否對因變量有影響的因素作為協變量，也就是協助參考因素。

通過線性回歸方法消除干擾因素的影響；

進行方差分析，將因變量的變化（總方差）歸結為四種方差的加和：每個控制變量的獨立影響、控制變量交互作用以后的影響、協變量的影響以及隨機因素的影響。協方差分析在分析因變量時，扣除協變量影響的方差后，再分析控制變量對觀測變量的影響，從而實現對控制變量效果的評價。

協方差分析是一種把直線回歸或多元線性回歸與方差分析結合起來的方法，多個協變量間相互獨立，且與控制變量之間沒有交互影響。只有一個協變量時，稱為一元協方差分析；當有兩個或兩個以上的協變量時，稱為多元協方差分析。

案例分析

本年繼續沿用多因素方差分析的案例，多因素方差分析結果顯示：學歷對工資收入有顯著影響，但是沒有剔除工作年限，也就是工作經驗對工資的影響，這顯然是不合理的。用協方差分析，將工作年限設置為協變量，觀察扣除工作年限影響后，學歷是否仍然對工資有顯著影響。

分析步驟

1、選擇菜單【分析】-【一般線性模型】-【單變量】，將工資選為因變量；將學歷和性別選為自變量，也就是固定因子；選擇工作年限進入協變量框；如下圖所示

2、模型設置；在指定模型中選擇定制；在構建項里先選擇主效應，將性別、學歷和工作年限選中；然后再選擇交互，將性別*工作年限*學歷、學歷*性別選為交互考察模型。

3、選項設置；單擊選項，打開單變量：選項對話框，選中OVERALL，將其選入顯示平均值。在輸出中選中描述統計和功效估計。單擊繼續。

4、其它設置保持系統默認，點擊確定，輸出結果。

結果解釋

由上表可知，工作年限作為主效應的F值為1.595，p值為0.207，大于0.05，表明工作年限對因變量工資的影響不顯著。從偏Eta平方值，即R方值來看，工作年限的R方值為0.03，也就是工作年限因素只能解釋因變量變異方差的0.6%，工作年限與工資的相關度很低。兩組交互作用分析：性別*學歷、性別*學歷*工作年限都對工資沒有顯著影響。

在扣除了工作年限的影響以后，學歷因素的F值為28.156，p值為0.000，小于0.05，說明學歷依然對工資有顯著影響。與此形成鮮明對比的是性別，在多因素方差分析中，性別雖然不及學歷對工資的影響力，但是依舊有顯著影響，在剔除了工作年限以后，性別的F值為0.705，p值為0.402，大于0.05，說明性別對工資的沒有影響。