1 功能描述
当不止一个分类型变量对数值型变量产生影响时，就需要用到双因素方差分析，虽然叫双因素方差分析，但是更多的因素也同样可以处理。
2 双因素方差分析
我们以grocery_1month.sav的数据为例进行演示：数据样本为不同用户在商店的花费情况。
双击打开grocery_1month.sav数据文件，其中gende是性别的分类型变量、style是购物方式的分类型变量、smtspent是花费金额的数值型变量。
其中，style变量1、2、3的取值分别对应如下几种购物方式。
在数据窗口中，依次点击“分析/一般线性模型/单变量”。
在弹出的“单变量”窗口，将amtspent变量移到右侧“因变量”框；将gender和style变量移到右侧“固定因子”框；
然后点击绘图按钮。
在弹出的“单变量：概要图”窗口，将style变量移到“水平轴”框，将gender变量移到右侧“单图”框；然后点击“添加”按钮，将style*gender将自动添加到“图”框。最后点击继续按钮返回“单变量”窗口。
注意：该步骤主要是为了采用图形方式直观判断gender和style的交互项对amtspent的影响。
点击“单变量”窗口中的“事后多重比较”按钮。
在弹出的“单变量：侍候多重比较”窗口中，将style变量移到右侧的“事后检验”框；然后勾选假定方差齐性下的“Tukey”；最后点击继续按钮返回“单变量”窗口。
双因素方差分析与单因素方差分析一样，方差分析玩后也需要两两比较，该步骤主要是需要需要比较的类型变量，由于性别变量只有0，1两个选项，所以没必要再进行事后比较，所以只选择了style变量。当然，也可以根据实际需求来选择需要进行事后两两比较的变量。
点击“单变量”窗口中的“选项”按钮。
在弹出的“单变量：选项”窗口中，将gender*style变量移到右侧的“显示平均值”框；然后勾选输出下的“描述性统计、同质性检验、功效估计和分布-水平图”；最后点击继续按钮返回“单变量”窗口。
该步骤中gender*style的分组最细，所以按照其来显示amtspent的平均值；在输出中最重要的是“同质性检验”选项。
设置好参数后，点击“单变量”窗口中的确定进行运算。
运算结束后，输出窗口将给出运输结果表和图。
描述性统计表分别给出了各种分组下amtspent的平均值；
方差齐性检验表中显著性为0.330，接受了不同分组样本的方差相同的原假设，因而可以进行后续分析；
Amount spent的分布-水平散点图给出了6个分组平均值的散点图（性别类别数2乘以style类别数3等于6），6个散点呈随机排列，因而不存在异方差性。
主体间效应的检验表是最重要的结果表。其中截距、gender、sytle、gender*style变量对应的显著性分别为0.000、0.000、0.140、0.017，只有style变量不显著，其余变量显著。因而gender和gender*style变量能够影响用户在商场的消费金额。
多重比较和均一子集表均是sytle变量的两辆比较情况。由于style变量不显著，因而在两两比较中的系数也不显著，即不同的消费方式不会对消费金额产生影响。
“估计边际平均值”表则给出了6个分组的平均值，其中男性的三组数值和女性的三组数值不一致，且男性与女性组内的3个数也不一样，因而说明gender和style的交互项会对消费金额产生影响。
在Amout spent的估算边际平均值图中，男性和女性的两条线不平行，同样也可以说明gender和style的交互项会对消费金额产生影响。