3.2.3 多元方差分析（MANOVA）

本节目标

读完本节后你能：

分清 MANOVA 在 ANOVA 之上多解决了什么问题。
判断研究该用 MANOVA、ANOVA、还是 SEM。
使用 SPSS 或 Python 运行 MANOVA，并完成事后分析。

本节路线图

MANOVA 在做什么
什么时候真的有用
四种检验统计量速览
用之前要满足什么条件
一个简单例子（含 SPSS / Python 实现）
显著之后做什么
为什么应该考虑改用 SEM

一、MANOVA 在做什么

ANOVA 一次只能检验一个连续 DV。MANOVA（Multivariate ANOVA）把多个连续 DV 同时放进一个分析，问的核心问题是：

几组人在 多个 DV 组成的"向量" 上是否存在整体差异？

直觉对比：你想知道三种治疗（CBT / 心理动力学 / 对照）的效果，测了三个 DV——焦虑、抑郁、压力。

三次 ANOVA：分别看每个 DV，I 类错误率累计膨胀，且漏掉"DV 之间联动的模式"。
一次 MANOVA：先问"三组在'焦虑+抑郁+压力'这个三维向量上整体是否不同"，再决定是否逐个 DV 追查。

MANOVA 不是"几次 ANOVA 拼起来"

MANOVA 检验的是线性组合——它会找到一个"DV 的加权和"使得组间差异最大化，然后看这个最优加权和是否显著。这意味着：即使每个 DV 单独看都不显著，MANOVA 仍可能发现整体显著的多元模式。反过来也可能——单 DV 显著但 MANOVA 不显著（说明显著的 DV 之间差异方向相互抵消）。

二、什么时候真的有用

MANOVA 真正有用的场景，比教科书让你以为的少。三条判断标准：

值得用的情形：

多个 DV 理论上相关、属于同一个构念群（如焦虑/抑郁/压力都属于负性情绪谱系）。
你关心的是多元模式本身，而不是任何一个 DV。
想用一个总检验严格控制多次 ANOVA 的 I 类错误率。

不必用的情形：

多个 DV 理论上无关：分开做 ANOVA + Bonferroni 校正即可。
DV 之间相关 > .80：高度冗余，先因子分析合并成单一指标。
多个 DV 之间有理论因果结构（如焦虑 → 抑郁 → 自我效能）→ 直接 SEM。
多层数据（学生嵌套于班级）→ 多元混合模型。

一个被很多教材忽略的事实

社心方向越来越少用 MANOVA。原因：

Box's M 检验过度敏感，几乎总是显著，让"假设满足"几乎不可能成立。
MANOVA 的结论很难转化成读者能跟着走的故事。
想做的事情，SEM 几乎都能做得更直接、更灵活。

如果你的研究问题听起来像"几个 DV 一起怎么动"，先问自己能不能用 SEM 表达。MANOVA 在 21 世纪的合理位置：SEM 不可行时的简化替代品。

三、四种检验统计量速览

MANOVA 输出会同时给四个统计量。它们换汤不换药——都在衡量"组间变异在总变异中的占比"，但路径不同。

统计量	直觉	何时优先
Wilks' Λ	类似 1 - R²：误差变异占总变异的比例（值越小越显著）	经典默认，与 F 关系最直接
Pillai's Trace	组间变异占总变异的比例（值越大越显著）	方差-协方差矩阵不齐时最稳健 ⭐
Hotelling's T²	组间/组内的"广义信噪比"	两组时与 Pillai 数学等价
Roy's Largest Root	只看最强那一个判别维度	差异集中在单一维度时；否则过于乐观

一句话规则

默认报 Pillai's Trace——它在样本不平衡、协方差矩阵不齐时偏差最小。四个统计量结论一致时随便报哪个都行（一般跟 Wilks' Λ 报）；不一致时以 Pillai 为准。

四、用之前要满足什么条件

观测独立——和 ANOVA 同款。
多元正态——每组里 DV 向量服从多元正态分布。Mardia's test 或单变量正态性检查（每个 DV 单独看）作为粗筛；样本量大时偏离不致命。
方差-协方差矩阵齐性（Box's M test）——ANOVA 方差齐性假设的多元推广。Box's M 极敏感，p < .001 是常态，看到不要恐慌，转用 Pillai's Trace 即可。
DV 之间相关适度——0.3–0.7 之间最适合 MANOVA。太低 → 不如分开 ANOVA；太高 → 信息冗余，先合并。
样本量充足——每组 n > DV 数 + 20 是底线；否则协方差矩阵估计极不稳定，结果不可靠。

五、一个简单例子

研究设计

IV：治疗类型（CBT / 心理动力学 / 对照），3 水平，每组 n = 40。
DVs：焦虑（GAD-7）、抑郁（PHQ-9）、压力（PSS-10）。

三个 DV 之间预期中等正相关（~0.5），都属于负性情绪谱系。理论预期：CBT 组在三个 DV 上整体表现优于其他两组。

SPSS 实现

菜单：Analyze → General Linear Model → Multivariate

把三个 DV 都拖入 Dependent Variables；把 treatment 拖入 Fixed Factor(s)。Options 勾选 Estimates of effect size、Homogeneity tests。

语法：

text

GLM anxiety depression stress BY treatment
  /METHOD=SSTYPE(3)
  /POSTHOC=treatment(TUKEY)
  /PRINT=ETASQ DESCRIPTIVE HOMOGENEITY
  /CRITERIA=ALPHA(.05)
  /DESIGN=treatment.

Python 实现

statsmodelspingouin（辅助检查）

python

from statsmodels.multivariate.manova import MANOVA

mv = MANOVA.from_formula(
    'anxiety + depression + stress ~ C(treatment)', data=df
)
print(mv.mv_test())
# 输出会同时给 Wilks' Λ、Pillai's Trace、Hotelling-Lawley、Roy's

python

import pingouin as pg

# 多元正态性
pg.multivariate_normality(df[['anxiety', 'depression', 'stress']])

# Box's M（协方差矩阵齐性）
pg.box_m(data=df, dvs=['anxiety', 'depression', 'stress'],
         group='treatment')

Python 跑 MANOVA 的小坑

statsmodels 的 MANOVA 不直接给 partial η²，需要从输出的 F 和 df 反算： $η_{p}^{2} = \frac{F \times d f_{num}}{F \times d f_{num} + d f_{den}}$
没有原生事后比较——要么手动跑各个 DV 的 ANOVA，要么换工具（R 的 car::Manova、SPSS GLM）。

六、显著之后做什么

MANOVA 显著只告诉你"组间在某种 DV 组合上有整体差异"。它不告诉你：是哪个 DV 在驱动这个差异，差异有多大方向如何。两条事后路径：

路径 A：分别做单因素 ANOVA + 校正（最常用）

对每个 DV 做单因素 ANOVA + Tukey HSD 事后比较，并用 Bonferroni 校正控制总 I 类错误：α = .05 / DV 数量。三个 DV 时，每个单 ANOVA 的判断阈值变成 α = .017。

简单、易解释，99% 的论文都走这条路。代价是丢失了 MANOVA 想保留的"多元信息"。

路径 B：判别函数分析（DFA）

寻找最能区分组别的 DV 线性组合，把多元差异降维到 1–2 个判别函数上解释。理论上更"忠于" MANOVA 的多元精神，但解释麻烦，很少有论文使用。

七、APA 报告模板

多元方差分析显示，治疗类型对心理健康的多元综合得分有显著影响，Pillai's Trace = 0.184, F(6, 232) = 3.94, p = .001, partial η² = .092。Box's M 显著（p < .001），故采用 Pillai's Trace。
后续单因素方差分析（Bonferroni 校正后 α = .017）显示：
焦虑：F(2, 117) = 7.21, p = .001, η² = .110
抑郁：F(2, 117) = 5.43, p = .006, η² = .085
压力：F(2, 117) = 2.18, p = .118
Tukey HSD 显示，CBT 组在焦虑（M = 5.2 vs. 8.4, p < .001）和抑郁（M = 6.1 vs. 9.0, p = .003）上显著低于对照组，但与心理动力学组无显著差异（ps > .15）。压力变量三组差异不显著。

报告的几个要点：

主结果选 Pillai's Trace（最稳健）。
后续 ANOVA 阶段做 Bonferroni 校正，且要在论文里写清楚校正后的 α 是多少。
报告 partial η² 作为效应量。
解释时围绕"哪个 DV 在驱动整体差异"展开，不能笼统说"治疗有效"。

八、为什么应该考虑改用 SEM

如果你的研究问题有以下任何一条，强烈建议直接走 SEM（见 3.7），而不是 MANOVA：

你的需求	MANOVA 能做的	SEM 能做的
DV 之间有因果路径	❌ 无法建模	✅ 路径系数 + 直接/间接效应
用潜变量代替合成分	❌ 只能用合成分	✅ 含测量误差校正
多组比较 + 跨组等价性	部分能做	✅ multi-group SEM
纵向 / 时间序列	❌	✅ latent growth curve, cross-lagged
模型整体拟合度	❌	✅ CFI, RMSEA, SRMR 等

MANOVA 的现代位置

本世纪以来 MANOVA 在心理学论文中的占比逐年下降，已经不再是默认工具。

资源与工具

🐍

statsmodels MANOVA

Python 标准实现 · 同时输出四种统计量

开源 GUI · MANOVA 一键导出 APA 表

→

📐

lavaan (R)

SEM 标杆工具 · MANOVA 的现代替代方案

→

3.2 差异分析

3.4 回归分析

3.2.3 多元方差分析（MANOVA）

本节路线图

一、MANOVA 在做什么

二、什么时候真的有用

三、四种检验统计量速览

四、用之前要满足什么条件

五、一个简单例子

研究设计

SPSS 实现

Python 实现

六、显著之后做什么

路径 A：分别做单因素 ANOVA + 校正（最常用）

路径 B：判别函数分析（DFA）

七、APA 报告模板

八、为什么应该考虑改用 SEM

资源与工具

延伸阅读

3.2.3 多元方差分析（MANOVA） ​

本节路线图

一、MANOVA 在做什么 ​

二、什么时候真的有用 ​

三、四种检验统计量速览 ​

四、用之前要满足什么条件 ​

五、一个简单例子 ​

研究设计 ​

SPSS 实现 ​

Python 实现 ​

六、显著之后做什么 ​

路径 A：分别做单因素 ANOVA + 校正（最常用） ​

路径 B：判别函数分析（DFA） ​

七、APA 报告模板 ​

八、为什么应该考虑改用 SEM ​

资源与工具 ​

延伸阅读 ​

3.2.3 多元方差分析（MANOVA）

一、MANOVA 在做什么

二、什么时候真的有用

三、四种检验统计量速览

四、用之前要满足什么条件

五、一个简单例子

研究设计

SPSS 实现

Python 实现

六、显著之后做什么

路径 A：分别做单因素 ANOVA + 校正（最常用）

路径 B：判别函数分析（DFA）

七、APA 报告模板

八、为什么应该考虑改用 SEM

资源与工具

延伸阅读