作者：SPSSAU链接：https://www.zhihu.com/question/44615437/answer/641138030来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

下面这个表格比较好说明这个问题：

想要理解这两个方法之间的区别，首先要理解什么是数据类型。所有数据可以分为两类：定量和定类，区别为数字大小是否具有比较意义。

卡方分析就是用于分析定类数据与定类数据之间的关系情况。例如研究不同学历样本人群,他们网购平台偏好是否有差异。方差分析(单因素方差分析)则是用于分析定类数据与定量数据之间的关系情况。例如研究不同学历人群的工资收入水平是否有显著差异。方差分析可用于多组数据,比如本科以下,本科,本科以上共三组的差异。顺便说一下，T检验仅可对比两组数据的差异。如果数据为三组或更多,则使用方差分析。另外还有其他研究差异关系的分析方法，有兴趣的话可以登录SPSSAU查看更多方法的使用说明。

差异研究的目的在于比较两组数据或多组数据之间的差异，通常包括以下几类分析方法，分别是方差分析、T检验和卡方检验。

根据X的不同，方差分析又可以进行细分。X的个数为一个时，我们称之为单因素方差；X为2个时则为双因素方差；X为3个时则称作三因素方差，依次下去。当X超过1个时，统称为多因素方差。

单因素方差分析,用于分析定类数据与定量数据之间的关系情况。在使用单因素方差分析时，需要每个选项的样本量大于30，比如男性和女性样本量分别是100和120，如果出现某个选项样本量过少时应该首先进行组别合并处理，比如研究不同年龄组样本对于研究变量的差异性态度时，年龄小于20岁的样本量仅为20个，那么需要将小于20岁的选项与另外一组(比如20~25岁)的组别合并为一组，然后再进行单因素方差分析。

如果选项无法进行合并处理，比如研究不同专业样本对于变量的态度差异，研究样本的专业共分为市场营销、心理学、教育学和管理学四个专业，这四个专业之间为彼此独立无法进行合并组别，但是市场营销专业样本量仅为20并没有代表意义，因此可以考虑首先筛选出市场营销专业，即仅比较心理学，教育学和管理学这三个专业对某变量的差异性态度，当对比的组别超过三个，并且呈现出显著性差异时，可以考虑使用事后检验进一步对比具体两两组别间的差异情况。

双因素方差分析,用于分析定类数据(2个)与定量数据之间的关系情况，例如研究人员性别,学历对于网购满意度的差异性;以及男性或者女性时,不同学历是否有着网购满意度差异性;或者同一学历时,不同性别是否有着网购满意度差异性。

多因素方差分析通常用于类实验式问卷研究。比如研究者测试某新药对于胆固醇水平是否有疗效；研究者共招募72名被试，男女分别为36名，以及男女分别再细分使用新药和普通药物；同时高血压患者对于新药可能有干扰，因而研究者将被试是否患高血压也纳入考虑范畴中。因而最终，X共分为三个，分别是药物(旧药和新药)、性别，是否患高血压；Y为胆固醇水平。因而需要进行三因素方差分析即多因素方差分析。

在方法选择上，问卷研究通常会使用方差分析，但某些专业，比如心理学、教育学或者师范类专业等涉及到实验研究时，更多会使用T检验进行分析，另外方差分析与T检验还有较多差异，在某些分析中只能使用其中一种。

T检验共分为三种方法，分别是独立样本T检验，配对样本T检验和单样本T检验。

独立样本T检验和单因素方差分析功能上基本一致，但是独立样本T检验只能比较两组选项的差异，比如男性和女性。相对来讲，独立样本T检验在实验比较时使用频率更高，尤其是生物、医学相关领域。针对问卷研究，如果比较的类别为两组，独立样本T检验和单因素方差分析均可实现，研究者自行选择使用即可。

独立样本T检验和配对样本T检验功能上都是比较差异，而且均是比较两个组别差异。但二者有着实质性区别，如果是比较不同性别，婚姻状况(已婚和未婚)样本对某变量的差异时，应该使用独立样本T检验。如果比较组别之间有配对关系时，只能使用配对样本T检验，配对关系是指类似实验组和对照组的这类关系。另外独立样本T检验两组样本个数可以不相等，而配对样本T检验的两组样本量需要完全相等。

T检验的第三种分析方法为单样本T检验。比如问卷某题项选项表示为1分代表非常不满意，2分代表比较不满意，3分代表一般，4分代表比较满意，5分代表非常满意，当想分析样本对此题项的态度是否有明显的倾向，比如明显高于3分或者明显低于3分时，即可以使用单样本T检验。单样本T检验是比较某个题项的平均得分是否与某数字(例子是与3进行对比)有着明显的差异，如果呈现出显著性差异，即说明明显该题项平均打分明显不等于3分。此分析方法在问卷研究中较少使用，平均得分是否明显不为3分可以很直观的看出，而不需要单独进行检验分析。

卡方检验用于分析定类数据与定类数据之间的关系情况。例如研究人员想知道两组学生对于手机品牌的偏好差异情况，则应该使用卡方分析。卡方是通过分析不同类别数据的相对选择频数和占比情况，进而进行差异判断，单选题或多选题均可以使用卡方分析进行对比差异分析。

单因素方差分析用于检验定类数据与定量数据之间的差异关系

例如：研究教师、医生、公务员之间的工资差异性。

其中岗位为定类数据，工资为定量数据。

卡方检验用于研究定类数据与定类数据之间的差异关系

例如：研究教师、医生、公务员婚否状况之间的差异性。

其中岗位和婚否状况均为定类数据。

SPSSAU->通用方法->方差

将岗位与工资分别拖拽到相应的分析框中，点击开始分析，即可一键得出分析结果。

从上表可以看出，对于不同岗位，其工资水平呈现出显著性差异（p通用方法->交叉卡方

从上表可以看出，对于教师和医生的婚否状态差异性研究，其呈现出显著性差异（p

方差分析的类型：

方差分析按照自变量（定类字段）个数的不同，可以分为单因素方差分析、双因素方差分析、以及多因素方差分析。

方差分析模型需要满足的条件：

理论上方差分析的分析变量（定量变量）Y 需要满足正态性检验与方差齐检验，如果不满足，建议采用非参数多独立样本检验。

方差分析要求因变量Y满足正态分布，可以使用SPSSPRO描述性统计——正态性检验，也可以使用PRO绘图中的P-P图/Q-Q图/直方图进行检验。

理论上满足正态分布，但现实情况不满足可能的原因：

在使用单因素方差分析时，需要每个选项的样本量大于30。比如研究不同年龄组样本对于研究变量的差异性态度时，年龄小于20岁的样本量仅为20个，那么需要将小于20岁的选项与另外一组(比如20~25岁)的组别合并为一组，然后再进行单因素方差分析。如果选项无法进行合并处理，可以考虑剔除样本量过少的组别。

输入：一个定类字段X（学历）、一个或多个定量字段Y（月收入）

输出：同一因素不同分组（如：不同的学历X）对定量变量（如：月收入 Y）产生/不产生显著性影响

案例：分析个人受教育程度（定类变量）是否给个人的经济收入（定量变量）带来显著性影响

1）正态性检验

根据定类变量（X）对定量变量（Y）进行分组，分别检验其正态性检验，查看数据的总体分布是否呈现正态性分布（P>0.05）。通常现实研究情况下很难满足检验，若其样本峰度绝对值小于10并且偏度绝对值小于3，结合正态分布图可以描述为基本符合正态分布

通常正态分布的检验方法有两种，一种是Shapiro-Wilk检验，适用于小样本资料（样本量≤5000）；另一种是Kolmogorov–Smirnov检验，适用于大样本资料（样本量>5000）

月收入，样本采用Shapiro-Wilk检验，显著性P值为0.022**0.05,使用方差分析。

方差齐性检验的结果显示，对于时间，显著性P值为0.202，水平上不呈现显著性，不能拒绝原假设，因此数据满足方差齐性。

3）方差分析结果

方差分析结果 p值为0.000***≤0.05，因此统计结果显著，说明不同的学历在月收入上存在显著差异。

摘要单因素方差分析：

一般进行单因素方差分析需要原始数据进行分析，但有时没有原始数据，如数据缺失或者验证论文时。此时只有样本量，平均值，标准差这样的汇总数据，可以使用摘要单因素方差分析检验差异是否显著。

单因素方差分析只考虑一个定类自变量对定量因变量的影响。但在现实研究中，一个变量的影响可能不足以说明差异效果，当方差分析中涉及两个定类自变量时，称为双因素方差分析，用于分析两个自变量对因变量带来的显著性影响。

双因素方差分析包括无交互作用和有交互作用两种：

比如我们大家所熟知的，牛奶和药是不可以一起吃的，如果单独喝牛奶有助于身体蛋白质的补充，如果单独吃药可以有助于治疗病症，但是牛奶和药同时吃就会把两者的作用抵消掉。这种两者之间的相互作用就可以理解成是交互作用，当然了，有的时候交互是正向呢，有的时候是负向的。

下面介绍的为无交互作用的双因素方差分析，有交互作用的方差分析需考虑交互作用项，系统提供了带有交互作用的双因素方差分析。

输入：两个定类变量（如电脑的品牌和生产地区）与一个定量变量（如电脑销量）。

输出：模型双因素方差分析的结果：变量一对定量变量产生/不产生显著性影响，变量二对定量变量产生/不产生显著性影响。

案例：分析品牌和地区两个定类自变量对电脑销量(定量因变量)的影响。

1) 双因素方差分析结果

对于变量品牌、地区，从F检验的结果分析可以得到，显著性P值为0.000***水平上呈现显著性，对结果有显著性影响，存在主效应，可以进一步分析事后多重分析结果。

2) 均值对比图

上图展示了双因素方差分析的均值的结果，通过比较不同分组变量的均值以及交叉情况（通常有交叉则有交互作用），可以挖掘其差异关系。

三因素方差分析是检验在三种因素影响下，三个以上总体的均值之间是否相等的一种统计方法。包括无交互影响和有交互影响的情况。

下面介绍为无交互影响的三因素方差分析，若需分析有有交互影响的情况，只需在上面案例操作 step6：进行相关设置即可。

输入：三个定类变量（如电脑的品牌、广告形式和生产地区）与一个定量变量（如电脑销量）

输出：模型三因素方差分析的结果：变量一对定量变量产生/不产生显著性影响，变量二对定量变量产生/不产生显著性影响，变量三对定量变量产生/不产生显著性影响，均值对比图。

案例：分析品牌、地区和广告形式三个定类自变量对电脑销量(定量因变量)的影响。

1）三因素方差分析结果

对于变量截距、品牌、地区，从F检验的结果分析可以得到，显著性P值为0.000***水平上呈现显著性，对结果有显著性影响，存在主效应。

对于变量广告形式，从F检验的结果分析可以得到，显著性P值为0.915水平上不呈现显著性，对结果没有显著性影响，不存在主效应。

2）均值对比图

上图展示了三因素方差分析的均值的结果，通过比较不同分组变量的均值以及交叉情况（通常有交叉则有交互作用），可以挖掘其差异关系，右上角可以进行对比切换。

多因素方差分析可使用SPSSPRO参数检验——多因素方差分析，这里就不进行案例展示了。

方差分析的结果只能检验出三个以上的总体均值完全相同或不完全相同。当不完全相同时，至于是哪个或哪些总体均值与其它总体均值不同则是不能获知的。因此方差分析结束以后还需要做事后多重检验，分析出到底是哪个或哪些总体均值与众不同。

我们采用单因素方差分析的案例来进行事后多重比较的演示。

输入：一个定类字段X（学历）、一个或多个定量字段Y（月收入）

输出：同一因素不同分组（如：不同的学历X）对定量变量（如：月收入 Y）产生/不产生显著性影响

案例：分析个人受教育程度（定类变量）是否给个人的经济收入（定量变量）带来显著性影响

1）方差分析结果

方差分析的结果显示，对于变量月收入，显著性P值为0.000***，水平上呈现显著性，拒绝原假设，说明变量月收入在学历之间存在显著性差异，需要进行事后多重比较。

2）方差分析对比图

上图展示了方差分析的均值的结果，通过比较均值，可以挖掘其差异关系，一般结合输出结果三共同分析。

3）事后多重比较结果

使用LSD方法的事后多重比较的结果显示： 对于变量月收入，均值大小排序为：大学>高中>初中>无。其中初中与大学、初中与高中、大学与无、大学与高中存在显著性差异。

注意：