Python实现两因素独立设计方差分析，简单效应分析

#?Python实现两因素独立设计方差分析

1. 背景

1. 有研究者探讨了在不同企业文化下，管理者的不同语言风格所产生的影响

有的企业注重员工的独立性，强调个人努力和内部竞争；有的企业注重员工的整体性，强调团队合作和团队绩效。

管理者的语言风格有斩钉截铁型和优柔寡断型。

据此，研究者制作了 4 种录音材料，分别提供不同企业文化背景下管理者不同语言风格的对话内容， 12名被试被分成4组参与了实验，每组分别听不同的录音。最后要求被试用 7 点量表评估管理者的能力。

结果如下：

实验目的：探究不同企业文化下不同语言风格对管理能力得分的影响。

实验设计：2*2 两因素独立方差分析

变量：

自变量1： 企业文化（个人努力VS团队合作），自变量2： 语言风格（优柔寡断VS斩钉截铁）

因变量：管理能力得分

PS：此处为了减少数据转换操作，故直接采用长数据格式。

2. Python代码

import pandas as pd
from statsmodels.stats.multicomp import pairwise_tukeyhsd
from statsmodels.formula.api import ols
from statsmodels.stats.anova import anova_lm
from scipy import stats


def general_data():
    # 为了减少转换这里直接给了长数据，指定第0列（表中第1列）为索引列
    df_two_way = pd.read_excel('./excel/不同企业文化下不同语言风格对管理的影响.xlsx', index_col=0)
    print("df_two_way=\n", df_two_way)
    # 制定各列的变量名，如不指定则直接用表头
    # df_two_way.columns = ['企业文化', '语言风格', '管理能力得分']
    return df_two_way


def two_way_anova(df_two_way):
    # 包括两个主效应和一个交互效应
    formula = '管理能力得分  ~  C(企业文化)  +  C(语言风格)  +  C(企业文化) : C(语言风格)'
    model_two_way = ols(formula, df_two_way).fit()
    anova_table = anova_lm(model_two_way)
    print("=======输出方差分析表=======")
    # print(anova_table)

    for i in range(3):  # 将科学计数法转换为小数并只保留3位小数，和SPSS输出结果一致
        anova_table["PR(>F)"][i] = format(anova_table["PR(>F)"][i], ".3f")
    print(anova_table)

    # 读取交互效应行，如果显著，进行下一步，简单效应分析
    int_p = anova_table["PR(>F)"]["C(企业文化):C(语言风格)"]
    print("交互作用p值=", int_p)
    if float(int_p) < 0.05:
        print("p值小于0.05，交互效应显著，要进行简单效应分析")
        return True


# 由于没有找到现成的方案，所以考虑对表格进行拆分，如果交互作用显著，
# 则读取表格中的某一变量的某个水平下的所有数据，然后进行t校验
# 这是自己写的一个简单的算法，如有更好的方法欢迎赐教
def simple_effect_analysis(check, melt_data):
    dependent = "管理能力得分"
    # 交互效应存在，进行简单效应分析，否则跳过
    if check:
        # 简单效应分析需要分别
        # 检测企业文化为"个人努力"下的不同语言风格差异，
        # 以及企业文化为"团队合作"下的不同语言风格差异，
        # 分别对两种情况进行t检验即可
        groups = melt_data.groupby(melt_data.企业文化)
        for company_culture in ["个人努力", "团队合作"]:
            melt_data = groups.get_group(company_culture)
            # print(melt_data)
            # 分别比较在不同企业文化下，不同语言风格对管理能力得分影响的差异
            print("\n=======%s企业文化下不同语言风格t检验分析结果=========" % company_culture)
            t_test(melt_data)


def t_test(melt_data):
    melt_data = melt_data[['语言风格', '管理能力得分']]
    # print("melt_data=\n", melt_data)
    groups = melt_data.groupby(melt_data.语言风格)
    a_group = groups.get_group("优柔寡断")
    # print("a_group=\n", a_group)
    b_group = groups.get_group("斩钉截铁")
    # print("b_group=\n", b_group)
    t_value, p_value = stats.ttest_ind(a=a_group['管理能力得分'], b=b_group['管理能力得分'])
    # T = (样本均值 - 总体均值或另一样本均值) / (标准误差)
    print(f"T值：{t_value:.3f}, p值：{p_value:.3f}")


data = general_data()
simple_effect_analysis(two_way_anova(data), data)

3. 结果

3.1 运行以上代码，会出现如下结果

3.1.1 两因素独立方差分析输出结果

由于它这里对得不是很齐，所以我把p值圈了出来，可以看到有两个主效应的p值和一个交互效应的p值，其中企业文化主效应不显著，其他两个显著。

我的代码检测到交互作用p值小于0.05，就自动进入简单效应分析。

可以和SPSS的输出结果对比下：

中文版：

英文版：

3.1.2 简单效应分析结果

由于没有找到现成的方案来做简单效应分析，所以考虑对表格进行拆分，如果交互作用显著，则读取表格中的某一变量的某个水平下的所有数据，然后进行t检验。
代码中呈现的是自己写的简单算法，如有错误或更好的方法欢迎赐教。

补充，T值的公式为：

T = (样本均值 - 总体均值或另一样本均值) / (标准误差)

SPSS中的输出：

这里SPSS是采用了语法编辑器中的COMPARE语句，因为没有直接的成对比较方法。

可以看出，在不同企业文化下，不同语言风格的管理能力得分均存在显著差异。

4. 详细分析

4.1 方差分析

4.1.1 python代码

def general_data():
    # 为了减少转换这里直接给了长数据，指定第0列（表中第1列）为索引列
    df_two_way = pd.read_excel('./excel/不同企业文化下不同语言风格对管理的影响.xlsx', index_col=0)
    print("df_two_way=\n", df_two_way)
    # 制定各列的变量名，如不指定则直接用表头
    # df_two_way.columns = ['企业文化', '语言风格', '管理能力得分']
    return df_two_way


def two_way_anova(df_two_way):
    # 包括两个主效应和一个交互效应
    formula = '管理能力得分  ~  C(企业文化)  +  C(语言风格)  +  C(企业文化) : C(语言风格)'
    model_two_way = ols(formula, df_two_way).fit()
    anova_table = anova_lm(model_two_way)
    print("=======输出方差分析表=======")
    # print(anova_table)

    for i in range(3):  # 将科学计数法转换为小数并只保留3位小数，和SPSS输出结果一致
        anova_table["PR(>F)"][i] = format(anova_table["PR(>F)"][i], ".3f")
    print(anova_table)

    # 读取交互效应行，如果显著，进行下一步，简单效应分析
    int_p = anova_table["PR(>F)"]["C(企业文化):C(语言风格)"]
    print("交互作用p值=", int_p)
    if float(int_p) < 0.05:
        print("p值小于0.05，交互效应显著，要进行简单效应分析")
        return True

代码中都有详细注释，不再重复，这里补充一下SPSS操作

4.1.2 SPSS操作

同样描述统计和齐性检验那些可以在选项里面选择，这里不选择，输出可以纯粹一点，结果见开头，不再重复贴出。

4.2 简单效应分析

4.2.1 Python代码

# 由于没有找到现成的方案，所以考虑对表格进行拆分，如果交互作用显著，
# 则读取表格中的某一变量的某个水平下的所有数据，然后进行t校验
# 这是自己写的一个简单的算法，如有更好的方法欢迎赐教
def simple_effect_analysis(check, melt_data):
    dependent = "管理能力得分"
    # 交互效应存在，进行简单效应分析，否则跳过
    if check:
        # 简单效应分析需要分别
        # 检测企业文化为"个人努力"下的不同语言风格差异，
        # 以及企业文化为"团队合作"下的不同语言风格差异，
        # 分别对两种情况进行t检验即可
        groups = melt_data.groupby(melt_data.企业文化)
        for company_culture in ["个人努力", "团队合作"]:
            melt_data = groups.get_group(company_culture)
            # print(melt_data)
            # 分别比较在不同企业文化下，不同语言风格对管理能力得分影响的差异
            print("\n=======%s企业文化下不同语言风格t检验分析结果=========" % company_culture)
            t_test(melt_data)


def t_test(melt_data):
    melt_data = melt_data[['语言风格', '管理能力得分']]
    # print("melt_data=\n", melt_data)
    groups = melt_data.groupby(melt_data.语言风格)
    a_group = groups.get_group("优柔寡断")
    # print("a_group=\n", a_group)
    b_group = groups.get_group("斩钉截铁")
    # print("b_group=\n", b_group)
    t_value, p_value = stats.ttest_ind(a=a_group['管理能力得分'], b=b_group['管理能力得分'])
    # T = (样本均值 - 总体均值或另一样本均值) / (标准误差)
    print(f"T值：{t_value:.3f}, p值：{p_value:.3f}")

simple_effect_analysis()函数中，有两步关键的数据拆分，详细说明如下，

"""
df_two_way=
     企业文化  语言风格  管理能力得分
被试                    
1   个人努力  优柔寡断     3.1
2   个人努力  优柔寡断     3.0
3   个人努力  优柔寡断     3.2
4   个人努力  斩钉截铁     4.7
5   个人努力  斩钉截铁     4.6
6   个人努力  斩钉截铁     4.8
7   团队合作  优柔寡断     4.5
8   团队合作  优柔寡断     4.4
9   团队合作  优柔寡断     4.6
10  团队合作  斩钉截铁     3.5
11  团队合作  斩钉截铁     3.4
12  团队合作  斩钉截铁     3.6
"""
# 将该数据按企业文化分组，然后按照对应的值，拆分为两个df格式的数据
def split_data(df_two_way):
    groups = df_two_way.groupby(df_two_way.企业文化)
    person_df = groups.get_group("个人努力")
    team_df = groups.get_group("团队合作")
    print(person_df)
    print(team_df)
# 即可得到
"""
    企业文化  语言风格  管理能力得分
被试                    
1   个人努力  优柔寡断     3.1
2   个人努力  优柔寡断     3.0
3   个人努力  优柔寡断     3.2
4   个人努力  斩钉截铁     4.7
5   个人努力  斩钉截铁     4.6
6   个人努力  斩钉截铁     4.8
"""
# 以及
"""
    企业文化  语言风格  管理能力得分
被试                    
7   团队合作  优柔寡断     4.5
8   团队合作  优柔寡断     4.4
9   团队合作  优柔寡断     4.6
10  团队合作  斩钉截铁     3.5
11  团队合作  斩钉截铁     3.4
12  团队合作  斩钉截铁     3.6
"""

然后t_test也用了相同的方式处理。

4.2.2 SPSS中的简单效应分析

据我所知，SPSS中没有直接的点击操作可以进行简单效应分析，所以这部分要进入语法编辑器中进行操作。

DATASET ACTIVATE DataSet1.
UNIANOVA 管理能力得分 BY 企业文化 语言风格
? /METHOD=SSTYPE(3)
? /INTERCEPT=INCLUDE
? /EMMEANS=TABLES(企业文化*语言风格) COMPARE(语言风格)ADJ(LSD)
? /CRITERIA=ALPHA(0.05)
? /DESIGN=企业文化 语言风格 企业文化*语言风格.

1. /EMMEANS=TABLES(企业文化*语言风格) COMPARE(语言风格)ADJ(LSD)：这部分是关于估计边际平均数（EMMEANS）的命令，用于生成交叉表，比较不同组之间的平均数，并使用LSD（最小显著差异）方法进行多重比较。

点击顶部的绿色三角即可运行，注意光标要放在代码块中。

输出结果如下：

中文版：

英文版：

END