MANOVA（Multivariate Analysis of Variance）是一种统计方法，用于同时检验一个或多个自变量（分类变量）对两个或更多相关因变量（连续变量）的平均值是否有显著影响。
MANOVA的核心目的
-
同时分析多个因变量：与只能分析一个因变量的ANOVA（方差分析）不同，MANOVA考虑了因变量之间的相关性，从而降低了犯第一类错误（假阳性）的风险。
-
识别整体差异：它检验不同组别（由自变量定义）在多维因变量空间中的质心（重心）是否存在显著差异。
-
控制实验误差：当研究涉及多个相关结果指标时，分别进行多次ANOVA会增加假阳性概率，而MANOVA通过一次性分析来控制整体误差率。
MANOVA的适用场景
-
医学研究：比较不同治疗方案对患者的多个健康指标（如血压、心率、血糖）的综合影响。
-
心理学：评估不同干预措施对多个心理量表得分（如焦虑、抑郁、幸福感）的联合效应。
-
生物学：分析不同基因型或环境条件下，生物体的多个形态或生理参数（如株高、叶面积、生物量）是否有显著差异。
-
市场研究：比较不同广告策略对多个消费者态度维度（如品牌认知、购买意愿、满意度）的整体影响。
MANOVA的关键假设
-
独立性：观测值之间相互独立。
-
多元正态性：因变量在各组内联合服从多元正态分布。
-
方差-协方差矩阵齐性：各组的方差-协方差矩阵相等（常用Box's M检验）。
-
线性关系：因变量之间存在一定程度的线性相关（但不宜过高，以避免多重共线性）。
常用检验统计量
MANOVA输出通常包含以下四个检验统计量，用于判断整体效果是否显著：
| 统计量 | 说明 |
|---|---|
| Pillai’s Trace | 最稳健的统计量，对违反假设不敏感，推荐使用 |
| Wilks’ Lambda | 最常用的统计量，值越小（接近0）表示组间差异越大 |
| Hotelling’s Trace | 对组间差异敏感，但要求数据满足假设 |
| Roy’s Largest Root | 最强大但最不稳健，仅在特定条件下使用 |
MANOVA与ANOVA的比较
| 特性 | ANOVA | MANOVA |
|---|---|---|
| 因变量数量 | 1个 | 2个或以上 |
| 错误率控制 | 单次分析控制 | 同时分析控制整体错误率 |
| 考虑变量相关性 | 否 | 是 |
| 统计功效 | 针对单一变量 | 可能比多次ANOVA更高（因考虑相关性） |
| 结果解释 | 简单直接 | 复杂，需要后续分析（如单独ANOVA、判别分析） |
执行MANOVA后的步骤
如果MANOVA整体检验显著，通常需要进行后续分析以确定具体差异所在：
-
单独ANOVA：对每个因变量分别进行单变量ANOVA，并采用校正（如Bonferroni）控制错误率。
-
判别分析：识别哪些因变量最能区分不同组别。
-
对比分析：比较特定组别之间的差异（如治疗组 vs. 对照组）。
注意事项与局限性
-
对异常值敏感：MANOVA结果易受极端值影响，需预先检查和处理。
-
样本量要求：通常要求每组样本量大于因变量个数，且总样本量较大以保证统计功效。
-
解释复杂性：即使整体检验显著，也可能难以确定是哪些因变量在哪些组间存在差异。
-
假设较严格：多元正态性和方差-协方差矩阵齐性等假设在现实中不易完全满足。
软件实现
MANOVA可通过多种统计软件实现，包括：
-
SPSS：Analyze → General Linear Model → Multivariate
-
R：
manova()函数（stats包） -
Python：
MANOVA类（statsmodels包） -
SAS：
PROC GLM -
GraphPad Prism：不支持直接MANOVA，需用其他软件。