General MANOVA(多元變異數分析)
General MANOVA 針對一個或多個分類因子,對兩個或更多連續反應進行聯合檢定,可選共變數和雙因子互動作用。一次聯合檢定可將總體誤報率保持在所選水準,並考慮反應之間的相關性。它假定觀測相互獨立,誤差服從多元常態分配且協變異數矩陣相等。輸出包括 Wilks'、Pillai's、Hotelling-Lawley 和 Roy's 統計量、單變數 ANOVA 以及可選的特徵分析。
最後審閱
核心要點
General MANOVA(多元變異數分析)檢定一個或多個因子是否共同改變若干相關反應,例如在同一批試樣上測得的抗拉強度和伸長率。
用途
General MANOVA(多元變異數分析)檢定一個或多個因子是否共同改變若干相關反應,例如同一批試樣的抗拉強度和伸長率。當每個單元上量測兩個或更多效能時使用:一次聯合檢定可將總體誤報率保持在所選水準,考慮反應之間的相關性,並能檢出各自獨立的 ANOVA 所遺漏的、多項效能組合的變化。
主要功能
- 針對一個或多個分類因子,對兩個或更多連續反應進行聯合檢定。
- 可選的連續共變數以及全部雙因子互動作用。
- 對每一項給出 Wilks' lambda、Pillai's trace、Hotelling-Lawley trace 和 Roy's greatest root。
- 對每個反應進行單變數 ANOVA(Type III 平方和)。
- 可按需給出假設與誤差 SSCP 矩陣、偏相關係數以及特徵分析。
- Data Options:在分析之前對列進行子集篩選。
統計方法
該模型與 General Linear Model 相同,對所有反應同時配適:因子採用零和(−1、0、+1)編碼,共變數作為主效應,勾選時包含雙因子互動作用(僅限兩個或更多因子)。任一所選欄中含遺漏值的列將被剔除。對每一項,工具構造假設矩陣 H(由該項解釋的平方和與叉積和)和誤差矩陣 E,並由 E⁻¹H 的特徵值 λ 對該項進行檢定。
Wilks' lambda = det(E) / det(H + E) = Π 1/(1 + λ),該項重要時取值較小;Pillai's trace = Σ λ/(1 + λ);Hotelling-Lawley trace = Σ λ;Roy's greatest root = 最大的 λ。每個統計量均轉換為近似 F 統計量,並給出分子和分母自由度。Pillai's trace 對組大小不等和協變異數矩陣不等最為穩健;當各組沿單一方向存在差異時,Roy's root 最為敏感,但其 F 是上界,因此其 p 值偏樂觀。
特徵分析列出 E⁻¹H 的特徵值及其佔比,以及按 v'(E / DF error)v = 1 縮放的特徵向量。第一特徵向量給出最能區分因子各水準的反應加權組合。單變數表是對每個反應單獨進行的 Type III ANOVA。MANOVA 假定觀測相互獨立,誤差服從多元常態分配,且每組的協變異數矩陣相同。
輸入欄位和選項
欄位 | 說明 |
Responses (Y) | 兩個或更多連續欄,進行聯合檢定。必填。 |
Factors (categorical) | 一個或多個分類預測變數欄。必填。 |
Covariates (continuous) | 可選的數值欄,僅作為主效應輸入。 |
Include all 2-way factor interactions | 預設勾選;僅在選擇兩個或更多因子時可用。 |
Show univariate ANOVA per response | 預設勾選。 |
Matrices (hypothesis, error, partial correlations) | 預設關閉:增加 SSCP 矩陣和反應的偏相關係數。 |
Eigen analysis | 預設關閉:給出每一項 E⁻¹H 的特徵值和特徵向量。 |
Data Options: Subset (optional) | 按列號和/或條件,選擇 Exclude matching rows(預設)或 Include only matching rows。 |

圖 1 — 材料範例的選項:以抗拉強度和伸長率為反應,Treatment 為因子,並勾選單變數 ANOVA 和特徵分析。
輸出說明
- MANOVA:每一項的四個多元統計量的 Value、Num DF、Den DF、F Value 和 P-Value。
- Univariate Analysis of Variance:每個反應一張 ANOVA 表。
- SSCP 矩陣和偏相關係數:勾選 Matrices 時顯示。
- Eigen Analysis:勾選時,給出每一項的特徵值、佔比、累計佔比和特徵向量。
- 透過 Download 匯出 PDF。

圖 2 — 兩項效能的 MANOVA:四個統計量均拒絕各處理平均值相等的假設(Wilks' lambda 0.11217,F = 19.86,p < 0.001)。
計算範例
一位材料工程師將對照組與 A、B 兩種處理進行比較,每組測試 8 個試樣的抗拉強度(MPa)和斷裂伸長率(%)。分別執行兩個 ANOVA 會增加誤報的可能性,因此工程師以 Treatment 為因子,對兩項效能進行聯合檢定,並勾選單變數 ANOVA 和特徵分析。
處理明顯改變了這對效能:Wilks' lambda 為 0.11217(F = 19.86,自由度 4 和 40),Pillai's trace 為 1.28404(F = 18.83),四項檢定均給出 p < 0.001。單變數表顯示每項效能單獨看也有變化:強度 F = 25.75,伸長率 F = 18.60,p 均 < 0.001。平均強度由 211.9 MPa(對照)升至 225.7(A)和 238.1(B);平均伸長率分別為 12.6%、14.6% 和 10.9%。
特徵分析解釋了這一模式。第一方向(佔分離度的 75.7%)對強度賦正權重(0.114),對伸長率賦負權重(−0.518):這是使處理 B 與眾不同的權衡,即強度最高但延展性最低。第二方向(24.3%)對兩者均賦正權重,這正是處理 A 的不同之處:它同時提高強度和伸長率。如果零件兩項效能都需要,處理 A 是更穩妥的選擇。
常見問題
何時應使用 MANOVA 而不是分別做 ANOVA?
當每個單元上量測兩個或更多效能時,使用 MANOVA。一次聯合檢定可將總體誤報率保持在所選水準,考慮反應之間的相關性,並能檢出各自獨立的 ANOVA 所遺漏的多項效能組合的變化。分別執行多個 ANOVA 會增加誤報的可能性。
Wilks' lambda、Pillai's trace、Hotelling-Lawley trace 和 Roy's root 有什麼區別?
四者都由誤差矩陣之逆乘以假設矩陣所得的特徵值對每一項進行檢定,並各自轉換為近似 F。Wilks' lambda 在該項重要時較小。Pillai's trace 對組大小不等和協變異數矩陣不等最為穩健。Roy's root 對沿單一方向的差異最敏感,但其 p 值偏樂觀。
MANOVA 的前提假設是什麼?
MANOVA 假定觀測相互獨立,誤差服從多元常態分配,且每組的協變異數矩陣相同。任一所選欄中含遺漏值的列將被剔除。如果組大小或協變異數矩陣不等,則四個多元統計量中 Pillai's trace 最為穩健。
MANOVA 中的特徵分析能說明什麼?
特徵分析列出特徵值及其佔比以及特徵向量。第一特徵向量給出最能區分因子各水準的反應加權組合。在材料範例中,第一方向對強度賦正權重、對伸長率賦負權重,顯示出使處理 B 與眾不同的強度與延展性之間的權衡。
