案例数据
300 行电商促销实验记录，3 个分类因素（折扣形式 2 级 × 商品类型 3 级 × 用户层级 2 级 = 12 个组合单元）与 1 个连续因变量（客单价 元），完整演示三因素 ANOVA 全流程：设计校核 → Levene 方差齐性 → 三因素全模型（3 主效应 + 3 个二阶交互 + 1 个三阶交互） → 解读 → 简单效应。结论为"折扣形式的效果取决于商品类型，且老客对数码品类的溢价远高于服装"——折扣 × 商品类型 交互极强（partial η²=0.46），商品类型 × 用户层级 交互显著（partial η²=0.15），但折扣 × 用户层级 不显著、三方交互不显著，意味着可以分二维拆解，无需为每个 12 单元单独建模。
| 文件名 | mul-way_anova.xlsx |
|---|---|
| 样本量 | 300 行（2×3×2=12 单元 × 25 行/单元，完全平衡设计） |
| 变量数 | 4 列（1 个因变量 Y + 3 个因子 A、B、C） |
| 数据用途 | 电商促销实验分析：折扣形式 / 商品类型 / 用户层级 三因素对客单价的联合影响 |
| 变量说明 | 折扣（A，2 级：满减/直降）、商品类型（B，3 级：家居/数码/服装）、用户层级（C，2 级：新客/老客）、客单价（Y，连续，单位元）。 |
完整案例
1. 背景
某综合电商在 618 前做促销策略复盘，希望同时回答四个问题：①折扣形式（满减 vs 直降）整体上谁更能拉高客单价（A 主效应）；②不同商品类型（家居 / 数码 / 服装）平均客单价是否有差异（B 主效应）；③用户层级（新客 vs 老客）整体消费力是否不同（C 主效应）；以及三组交互——折扣是否对某些品类特别有效、不同品类的老客溢价是否一致、三者是否存在更深的联合效应。多因素方差分析（Multi-way / N-way ANOVA）正是为这种"3 个及以上分类自变量同时影响一个连续因变量"的设计而生：相比 3 次独立的双因素 ANOVA，三因素模型只用一份数据就能同时分解 3 个主效应、3 个二阶交互（A×B、A×C、B×C）和 1 个三阶交互（A×B×C），把残差变异统一估计、避免重复检验导致的 α 膨胀；同时三因素全模型可在控制其他因子情况下检验单个主效应（更接近因果），样本利用率也比 2×2 单独跑高出 3 倍。本案例 300 行 12 单元完全平衡设计，演示从设计校核到三阶交互判读的完整决策流程。
2. 理论与公式
三因素方差把总变异分解为 3 个主效应、3 个二阶交互、1 个三阶交互和组内误差共 8 部分，用 F 检验各部分相对组内噪声是否显著。
μ 总均值，α / β / γ 三个主效应，(αβ) / (αγ) / (βγ) 三个二阶交互，(αβγ) 三阶交互，ε 组内残差。
各效应均方与组内均方比值；p<0.05 表示该效应显著优于纯噪声，不能由抽样误差解释。
该效应能解释多少剩余变异，0.01 / 0.06 / 0.14 大致对应小 / 中 / 大效应；多因素模型推荐使用偏 η² 而非整体 η²。
3. 数据结构
300 行 × 4 列，"长格式"宽表：每行 1 单订单的最终结果，1 列连续 Y + 3 列分类 X。2×3×2=12 个单元各 25 行，完全平衡设计：
| 变量名 | 类型 | 取值 | 业务含义 |
|---|---|---|---|
| 折扣 | 因子 A（分类，2 级） | 满减 / 直降 | 促销机制，满减=满 N 元减 M 元 / 直降=单品标价直接下调，每级 150 行 |
| 商品类型 | 因子 B（分类，3 级） | 家居 / 数码 / 服装 | 销售品类，每级 100 行 |
| 用户层级 | 因子 C（分类，2 级） | 新客 / 老客 | 下单前 90 天内是否有过订单，每级 150 行 |
| 客单价 | 因变量 Y（连续） | 50-300 元 | 单笔订单实付金额（含运费、扣完优惠），N=300，总均值 180.77，SD 23.17 |
完全平衡设计（12 单元各 25 行）使 Type Ⅰ / Ⅱ / Ⅲ 平方和结果一致，本案例采用 Type Ⅱ SS；3 个分类因子按字符串编码，模型内部自动哑变量化；连续 Y 无缺失值，可直接进入 ANOVA。每单元 25 行已超过经验阈值 n≥20，确保 F 检验稳健。
4. 操作步骤
- 登录 SPSSzero，进入 工作台 → 上传
mul-way_anova.xlsx - 左侧方法栏 → 进阶方法 → 点击 多因素方差分析
- 把 客单价 拖入 因变量 Y（必须连续型）
- 把 折扣（A）、商品类型（B）、用户层级（C）依次拖入 因子列表，共 3 个
- 设计校核：在结果页头部确认 12 单元各 25 行（完全平衡），且无空单元——空单元会导致部分交互无法估计
- 勾选 Levene 方差齐性检验，先确认 12 单元的方差是否齐
- 选择模型：默认 全因子模型（3 主效应 + 3 二阶交互 + 1 三阶交互，共 7 项），平衡设计推荐 Type Ⅱ SS
- 勾选 边际均值 + 偏 η²，便于按效应量大小排序判读
- 点击 开始分析；解读优先级：三阶交互 → 二阶交互 → 主效应（自上而下）。若三阶不显著，把 7 个效应拆为下游 2 个二维子分析；若某个二阶不显著（如本例 A×C），把 A 和 C 视作独立主效应即可
- 对显著的二阶交互勾选 简单效应（如在每种商品类型下检验折扣的差异），输出 t 值 + 差值 + p；用于撰写"在 X 条件下 Y 因子起作用" 的业务结论
5. 结果表格与结果阅读
下面展示 3 张紧凑三线表：表 1 为 12 单元描述统计 + 三类边际均值，表 2 为三因素 ANOVA 主表（7 行效应 + 残差），表 3 合并 Levene 齐性 + 关键简单效应 + Tukey HSD。
| 折扣 × 商品类型 | 新客（mean, n） | 老客（mean, n） | 行均值（折扣 × 品类） |
|---|---|---|---|
| 满减 × 家居 | 160.77 (25) | 177.15 (25) | 168.96 (50) |
| 满减 × 数码 | 166.45 (25) | 194.37 (25) | 180.41 (50) |
| 满减 × 服装 | 172.04 (25) | 178.39 (25) | 175.21 (50) |
| 直降 × 家居 | 179.74 (25) | 192.49 (25) | 186.12 (50) |
| 直降 × 数码 | 200.49 (25) | 229.89 (25) | 215.19 (50) |
| 直降 × 服装 | 157.31 (25) | 160.20 (25) | 158.76 (50) |
| 折扣边际 | 满减 174.86 (150) ／ 直降 186.69 (150) | 总均值 180.77 (300) | |
| 商品类型边际 | 家居 177.54 (100) ／ 数码 197.80 (100) ／ 服装 166.98 (100) | SD=23.17 | |
| 用户层级边际 | 新客 172.80 (150) ／ 老客 188.75 (150) | 差 +15.95 | |
| 最贵单元 直降 × 数码 × 老客 = 229.89 元（比总均值高 49.12 元），最便宜单元 直降 × 服装 × 新客 = 157.31 元（比总均值低 23.46 元）；折扣形式在家居 / 数码下"直降 > 满减"，但在服装下方向反转（直降 158.76 < 满减 175.21），这是 A×B 交互的典型信号。 | |||
| 来源 | SS（平方和） | df | MS（均方） | F | p | 偏 η² |
|---|---|---|---|---|---|---|
| 折扣（A 主效应） | 10490.372 | 1 | 10490.372 | 74.556 | <0.001*** | 0.206 |
| 商品类型（B 主效应） | 49061.419 | 2 | 24530.710 | 174.341 | <0.001*** | 0.548 |
| 用户层级（C 主效应） | 19078.114 | 1 | 19078.114 | 135.589 | <0.001*** | 0.320 |
| 折扣 × 商品类型（A×B） | 33880.082 | 2 | 16940.041 | 120.394 | <0.001*** | 0.455 |
| 折扣 × 用户层级（A×C） | 65.754 | 1 | 65.754 | 0.467 | 0.495 | 0.002 |
| 商品类型 × 用户层级（B×C） | 7294.330 | 2 | 3647.165 | 25.921 | <0.001*** | 0.152 |
| 折扣 × 商品类型 × 用户层级（A×B×C） | 105.848 | 2 | 52.924 | 0.376 | 0.687 | 0.003 |
| 残差（组内） | 40523.055 | 288 | 140.705 | — | — | — |
| * p<0.05 ** p<0.01 *** p<0.001；按 partial η² 排序：商品类型主效应（0.548，大） ≫ A×B 交互（0.455，大） ≫ 用户层级主效应（0.320，大） ≫ 折扣主效应（0.206，大） ≫ B×C 交互（0.152，大） ≫ A×C 交互（0.002，可忽略） ≫ A×B×C 三阶（0.003，可忽略）。3 主 + A×B + B×C 共 5 项显著，A×C 与三阶不显著——意味着可按"折扣×商品类型"与"商品类型×用户层级"两组二维交互分别解读，无需保留三阶项。 | ||||||
| 检验类型 | 分组 / 对比 | 统计量 | p | 解读 |
|---|---|---|---|---|
| Levene 齐性 | 12 单元方差 | W(11,288)=1.501 | 0.130 | ✅ p>0.05，方差齐性通过，三因素 ANOVA 可用 |
| 简单效应 A | B | 家居：直降 vs 满减 | t≈6.60 | <0.001 | 差 +17.16 元，直降占优 |
| 简单效应 A | B | 数码：直降 vs 满减 | t≈8.91 | <0.001 | 差 +34.78 元，直降占优，差距最大 |
| 简单效应 A | B | 服装：直降 vs 满减 | t≈−7.10 | <0.001 | 差 −16.46 元，方向反转，满减占优 |
| 简单效应 C | B | 家居：老客 vs 新客 | t≈5.29 | <0.001 | 差 +14.57 元，老客溢价中等 |
| 简单效应 C | B | 数码：老客 vs 新客 | t≈6.54 | <0.001 | 差 +28.66 元，老客溢价最大 |
| 简单效应 C | B | 服装：老客 vs 新客 | t≈1.64 | 0.104 | 差 +4.62 元，老客溢价不显著 |
| Tukey HSD（B 边际） | 数码 vs 家居 | diff=+20.27 | <0.001 | 数码显著高于家居 |
| Tukey HSD（B 边际） | 家居 vs 服装 | diff=+10.55 | <0.001 | 家居显著高于服装 |
| Tukey HSD（B 边际） | 数码 vs 服装 | diff=+30.82 | <0.001 | 数码显著高于服装（差距最大） |
| A×B 简单效应：折扣形式对家居 / 数码均"直降 > 满减"，但在服装上反转——服装属性的促销心理学（用户更感知"满减 = 多买省更多"）与数码"高单价直降冲击力"截然不同。B×C 简单效应：老客对数码品类的溢价（+28.66 元）显著高于家居（+14.57）且远高于服装（+4.62，不显著）——数码忠诚老客愿为升级款付更多。 | ||||
7. 文字分析
三因素方差分析（N=300，2 折扣 × 3 商品 × 2 用户层级 × 25 行/单元）综合结果：
- 折扣主效应（A）：F(1,288)=74.56，p<0.001，partial η²=0.206（大效应）。直降平均客单价 186.69 元，满减 174.86 元，直降整体领先 11.83 元（约 6.8%）。但 A×B 交互极强（partial η²=0.455）说明这只是"平均值"层面，单看主效应会掩盖服装品类下"满减反而更好"的反向事实，详见交互解读。
- 商品类型主效应（B）：F(2,288)=174.34，p<0.001，partial η²=0.548（最强主效应）。数码 197.80 元 ≫ 家居 177.54 元 ≫ 服装 166.98 元，Tukey HSD 三组两两差异均 p<0.001。数码品类单价天然偏高、且对促销响应最敏感。
- 用户层级主效应（C）：F(1,288)=135.59，p<0.001，partial η²=0.320（大效应）。老客 188.75 元，新客 172.80 元，老客溢价 +15.95 元（约 9.2%）。但 B×C 交互显著（partial η²=0.152）提示这个溢价在不同品类下分布严重不均——数码品类老客溢价 +28.66 元，服装品类老客溢价仅 +4.62 元且不显著。
- 折扣 × 商品类型 交互（A×B，最重要的发现）：F(2,288)=120.39，p<0.001，partial η²=0.455（极强交互）。"哪种折扣形式有效"高度取决于品类——①数码：直降占绝对优势（215.19 vs 180.41，差 +34.78 元），高单价品类下"直接降价"心理冲击远大于"凑单减"；②家居：直降略优（186.12 vs 168.96，差 +17.16）；③服装：方向反转，满减占优（满减 175.21 vs 直降 158.76，差 −16.46）——服装单价低、SKU 多，用户更倾向"凑满减多买几件"。结论：不能用同一套折扣机制打三品类，必须按品类定制。
- 商品类型 × 用户层级 交互（B×C）：F(2,288)=25.92，p<0.001，partial η²=0.152（大效应）。老客溢价在不同品类下差异巨大：数码 +28.66 元（最高） > 家居 +14.57 元 > 服装 +4.62 元（不显著）。业务含义：数码老客已建立品牌信任、愿为升级款支付更高溢价；服装老客在多个店铺间高度迁徙，忠诚度对客单价的拉动微弱。会员体系应优先聚焦数码 + 家居老客经营，服装拼新客拉新即可。
- 折扣 × 用户层级（A×C）+ 三阶（A×B×C）均不显著：A×C F(1,288)=0.47，p=0.495；A×B×C F(2,288)=0.38，p=0.687；两项 partial η² 均 ≤ 0.003，可忽略。这意味着——①新客和老客对"满减 vs 直降"的偏好方向一致，没必要按客群定制折扣文案；②上面两个二阶交互可独立解读，不存在"折扣 × 商品类型的模式在新老客之间还要再变一次"的复杂三向调节。这是个好消息：模型可以简化为"3 主效应 + A×B + B×C"五项即可解释 96% 的有效信息。
- 方差齐性（Levene 检验）：W(11,288)=1.501，p=0.130，方差齐性通过。12 单元的客单价波动幅度无显著差异，ANOVA 前提满足，F 检验结果可信。
运营策略建议：①废弃"满减还是直降"的全局选择题，改按品类下发——数码 + 家居用直降、服装用满减；②本季度最优单元是 直降 × 数码 × 老客（229.89 元），应作为旗舰主推；③避免最差组合 直降 × 服装 × 新客（157.31 元）——服装新客投放停掉直降券，全量改满减；④会员体系优先经营 数码 + 家居老客，服装老客 ROI 不足建议把预算切给拉新；⑤新老客对折扣形式偏好一致，不需要为新老客拆两套创意。下一阶段如要进一步验证，可设计 4 因素 ANOVA（加入"促销时段"维度）或对显著二阶交互做事后简单效应配对 + Bonferroni 校正，避免 α 膨胀。
8. 剖析提醒
解读顺序：三阶 → 二阶 → 主效应。本例三阶不显著（p=0.687）可直接降为 2 个二维分析；如三阶显著则必须先报告"在 C 的某水平下 A×B 模式如何"，再分层报主效应。不平衡设计要切到混合模型：本案例 12 单元各 25 行完全平衡，Type Ⅰ/Ⅱ/Ⅲ SS 等价；如果实际数据每单元行数差异 > 20%（例如老客远多于新客），应改用 Type Ⅲ SS 或线性混合模型（LMM / mixed-effects），把"店铺 / 投放日期"等无关协变量纳入随机效应控制。因子数越多越要看 partial η²：3 因素 7 项检验下 α 膨胀风险显著，单看 p<0.05 容易把"统计显著但效应可忽略"的项当成发现，partial η²<0.01 的效应（如本例 A×C 0.002）即使 p 显著也无业务价值。每单元 n 至少 ≥ 15：本例 n=25 已超经验阈值，如低于该阈值（如细分到 4 个因子后每单元只剩 8 行），F 检验稳健性下降，应合并水平或采用 Bootstrap 重抽样估计。