外觀
Statistics › 推論統計 › ANOVA › 二因子
二因子變異數分析 (Two-Way ANOVA)
把單因子 ANOVA 擴展到兩個類別因子,同時回答三個問題:
| 效果 | 問題 |
|---|---|
| 主效果 A (main effect) | 平均而言,A 影響結果嗎? |
| 主效果 B | 平均而言,B 影響結果嗎? |
| 交互作用 A × B (interaction) | A 的效果是否取決於 B 的水準? |
例:藥物 × 性別、基因型 × 處理、飲食 × 運動。
先看交互作用
交互作用顯著時,主效果可能誤導:「平均效果」可能掩蓋了不同子群體相反的反應。例如藥物對男性很有效、對女性幾乎無效,平均下來看似「中等有效」,但真正重要的是子群體差異。
| 情況 | 怎麼做 |
|---|---|
| 交互作用顯著 | 做單純效果 (simple effects):在每個 B 水準內比較 A |
| 交互作用不顯著 | 直接解讀主效果 |
| 兩個主效果都顯著、無交互作用 | 兩因子各自獨立地影響結果 |
Python 範例
python
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf
import matplotlib.pyplot as plt
# 模擬資料:藥物只對男性額外有效(交互作用)
rng = np.random.default_rng(42)
rows = [
{"treatment": t, "gender": g,
"score": 70 + 4*(t == "Drug") + 2*(g == "Male") + 5*(t == "Drug")*(g == "Male") + rng.normal(0, 4)}
for t in ["Control", "Drug"] for g in ["Female", "Male"] for _ in range(12)
]
df = pd.DataFrame(rows)
# A * B = A + B + A:B
model = smf.ols("score ~ C(treatment) * C(gender)", data=df).fit()
anova = sm.stats.anova_lm(model, typ=2)
# 每個效果的 partial η²
ss_err = anova.loc["Residual", "sum_sq"]
anova["eta_p2"] = anova["sum_sq"] / (anova["sum_sq"] + ss_err)
# 交互作用圖
df.groupby(["gender", "treatment"])["score"].mean().unstack().plot(marker="o")
plt.ylabel("Mean score"); plt.show()| ANOVA 表列 | 意義 |
|---|---|
C(treatment) | 處理的主效果 |
C(gender) | 性別的主效果 |
C(treatment):C(gender) | 交互作用 |
Residual | 各格 (cell) 內的變異 |
交互作用圖判讀
| 圖形 | 意義 |
|---|---|
| 線大致平行 | 幾乎沒有交互作用 |
| 明顯不平行 | 可能有交互作用 |
| 交叉 | 強交互作用,只看主效果會嚴重誤導 |

假設與效果量
- 假設同單因子 ANOVA,但針對每一格的殘差:獨立、近似常態、各格變異數相近。
- 效果量用 partial η² = SS_effect / (SS_effect + SS_error)。
不平衡設計(各格 n 不同)時,Type I / II / III 平方和結果會不同。有交互作用時常用 Type III(需搭配 sum-to-zero 編碼:
C(x, Sum));無交互作用時 Type II 較合適。
常見錯誤
| 錯誤 | 更好的做法 |
|---|---|
| 忽略交互作用 | 先看 A × B |
| 交互作用顯著仍只報主效果 | 報告單純效果與各格平均 ± CI |
| 其中一個預測變數是連續的 | 改用 ANCOVA / 迴歸 |
| 沒有結構地做很多子群 t 檢定 | 事先計畫比較並做 多重檢定校正 |
報告範本
text
二因子 ANOVA 檢驗處理與性別對分數的影響。處理 × 性別交互作用顯著,
F(1, 44) = 6.82,p = .012,partial η² = .134,表示處理效果因性別而異;
後續比較顯示藥物對男性的改善幅度大於女性。