1. 交互作用显著性检验
假设检验
是指预先对总体参数的取值做出假定，然后用样本数据来验证，从而做出是接受还是拒绝的结论。基本思路是：问题是什么？证据是什么？判断依据是什么？做出结论。
基本步骤：1、提出原假设和备择假设
2、确定适当的检验统计量
3、规定显著水平@，查出临界值，确定拒绝域和接受域
4、计算检验统计量的值，做出统计决策。
其中假设检验的种类包括：t检验，Z检验，卡方检验，F检验，ANOVA （方差分析）等等。
方差分析
又称“ 变异数分析”，是R.A.Fisher发明的，要求比较的资料服从正态分布，用于两个及两个以上 样本均数差别的显著性检验。方差分析可以用于两样本及以上样本之间的比较。方差分析主要用途：①均数差别的显著性检验，②分离各有关因素并估计其对总变异的作用，③分析因素间的交互作用，④方差齐性检验。T检验
主要用于样本含量较小（例如n<30），要求比较的资料服从正态分布， 总体标准差σ未知的 正态分布资料。t检验只能用于两样本均数及样本均数与总体均数之间的比较。t检验可用于比较男女身高是否存在差别。Z检验
是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。它是用标准正态分布的理论来判断差异发生的概率，从而比较两个平均数>平均数的差异是否显著。F检验
又叫方差齐性检验。在两样本t检验中要用到F检验。从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t'检验或变量变换或秩和检验等方法。其中要判断两总体方差是否相等，就可以用F检验。简单的说就是 检验两个样本的 方差是否有显著性差异 这是选择何种T检验（等方差双样本检验，异方差双样本检验）的前提条件。T检验与 F检验的差异：T检验用来检测数据的准确度--系统误差；F检验用来检测数据的精密度 偶然误差。
卡方检验
就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越小；反之，二者偏差越大，若两个值完全相等时，卡方值就为0，表明理论值完全符合。其中卡方检验针对分类变量。卡方检验就是检验两个变量之间有没有关系。以运营为例:卡方检验可以检验男性或者女性对线上买生鲜食品有没有区别；不同城市级别的消费者对买SUV车有没有什么区别；如果有显著区别的话，我们会考虑把这些变量放到模型或者分析里去。
以下是一个假设检验的应用实例：
例如：某公司想从国外引进一种自动加工装置。这种装置的工作温度X服从
正态分布
(μ,52),厂方说它的平均工作温度是80度。从该装置试运转中随机测试16次，得到的平均工作温度是83度。该公司考虑，样本结果与厂方所说的是否有显著差异？厂方的说法是否可以接受？类似这种根据样本观测值来判断一个有关总体的假设是否成立的问题，就是假设检验的问题。我们把任一关于单体分布的假设，统称为统计假设，简称假设。上例中，可以提出两个假设：一个称为原假设或
零假设
，记为H0：μ=80（度）；另一个称为备择假设或对立假设，记为H1 ：μ≠80（度）这样，上述假设检验问题可以表示为：H0：μ=80 H1：μ≠80
原假设与备择假设相互对立，两者有且只有一个正确，备择假设的含义是，一旦否定原假设H0，备择假设H1备你选择。所谓假设检验问题就是要判断原假设H0是否正确，决定接受还是拒绝原假设，若拒绝原假设，就接受备择假设。
应该如何作出判断呢？如果样本测定的结果是100度甚至更高（或很低），我们从直观上能感到原假设可疑而否定它，因为原假设是真实时，在一次试验中出现了与80度相距甚远的小概率事件几乎是不可能的，而现在竟然出现了，当然要拒绝原假设H0。现在的问题是样本平均工作温度为83度，结果虽然与厂方说的80度有差异，但样本具有随机性，80度与83度之间的差异很可能是样本的随机性造成的。在这种情况下，要对原假设作出接受还是拒绝的抉择，就必须根据研究的问题和决策条件，对
样本值
与原假设的差异进行分析。若有充分理由认为这种差异并非是由偶然的随机因素造成的，也即认为差异是显著的，才能拒绝原假设，否则就不能拒绝原假设。假设检验实质上是对原假设是否正确进行检验，因此，检验过程中要使原假设得到维护，使之不轻易被否定,否定原假设必须有充分的理由；同时，当原假设被接受时，也只能认为否定它的根据不充分，而不是认为它绝对正确。2. 交互项显著性
1.在spss中，打开线性回归的菜单，如图所示。
2.我们先将因变量【职业探索】、自变量【自我概念】、调节变量【社会支持】放入各自的框框。
3.点击下一层，设置第二个方程。
4.这第二层比第一层增加了一个交互项。
5.点击statistic，设置输出什么参数。
6.一定要选择R方改变量，点击continue，然后点击ok。
7.我们可以看r方的该变量，第二个方程，sig F change值小于0.05，证明调节效应存在。
8.我们看输出的结果，第一个红框是系数，也就是前面介绍的abcc'，sig值是他们的显著性水平，交互项系数的sig值小于0.05，说明存在调节效应。
3. 怎么看交互作用是否显著
可以通过因子间的交互作用示意图来来查看。在控制其他因素（C、D...）水平不变的情况下，假如因素A和因素B不存在交互作用，因素A与因素B的不同水平间的交互作用曲线（折线）应该是趋于平行的；若因素A和因素B存在交互作用，那么因素A与因素B的不同水平间的交互作用曲线（折线）应该是明显相交或者严重不平衡的。
当然也可以通过检验的方式来查看。H0：因素A和B的交互作用显著。计算交互作用的方差，计算误差的方差，然后两者相除就构造了一个F检验，通过F检验的结果判断是否存在交互作用。这个F检验的原理与判断因素效应是否显著是一个道理。
4. 用交互项做机制检验
最初交互设计由 IDEO 的创始人比尔·莫格里奇在 1984 年提出，初期叫 Softface，后来改名为“Interaction Design（交互设计）”，对产品与用户之间的交互机制进行设计，让用户能够更加简单和轻松去使用、体验产品，最终感受其价值。
在国内，第一个交互设计的专业组织的成立是在 2010 年 12 月“第五届广东省工业设计活动周”开幕之后，由广东省工业设计协会属下的“广东省交互设计专业委员会”主办。
5. 显著的交互作用
通过3D图，观察曲面的倾斜度确定两者对响应值的影响程度，倾斜度越高，即坡度越陡，说明两者交互作用越显著。 另外，从3D图的颜色可以做一个初步判定，随着变化趋势的剧烈增加，其颜色也呈加深趋势。个人觉得3D图的化身即等高线图更好分析。
6. 交互作用显著性检验是什么
方差分析的优点是：不受比较组数的限制，比较组的平均数多的要素的作用、可分析要素之间的相互作用、方差分析的应用条件、独立性。
方差分析的缺点是：要涉及全部数据，并且计算复杂。
方差分析主要用途：
1、均数差别的显著性检验。
2、分离各有关因素并估计其对总变异的作用。
3、分析因素间的交互作用。
方差分析用来检验两组以上的数据，假如有三组数据为什么不能用T检验做三次两两之间检验是否能达到目的，结果是不能的，三次T检验每一次都会犯I类错误（推断错误导致概率过大），所以超过两组数据就要用方差分析（方差分析又叫做F检验）。
从输出结果查看方差分析，是否达到显著水平：是（一般是小于0.05），接受结论一（有差异）；否（一般是大于0.05）， 接受结论二 （无差异），如果符合方差齐性，则选择看符合方差齐性的事后检验，如果不符合方差齐性，则看方差非齐性的事后检验。
4、方差齐性检验。。
7. 交互效应检验
如果两条线平行，表示没有交互效应。
如果两条线交叉，表示有交互效应。
8. 如何检验交互作用是否显著
年级和性别的交互作用显著，之后不是做事后检验，而是做简单效应分析：
manova
x BY a(1,2) b(1,3)
/DESIGN
/error =withincell
/DESIGN = a within b(1),a within b(2),a within b(3)
/DESIGN = b within a(1),b within a(2).
9. 交互显著,简单效应检验不显著
主效应：单一变量的作用
交互效应：两个以上变量的作用
简单效应：交互效应中单一变量的作用。一般交互效应显著时，需要进一步进行简单效应分析。（∵交互效应显著时，你不知道在何种条件下那个实验组得分更高，因此需要控制一个变量的一个水平，比较另一个变量的各水平差异。）
10. 如何检验因素及交互作用的显著性
交互作用（interaction）是指一个因素各个水平之间反应量的差异随其他因素的不同水平而发生变化的现象。它的存在说明同时研究的若干因素的效应非独立。交互作用的效应可度量一个因素不同水平的效应变化依赖于另一个或几个因素的水平
概念
交互作用（interaction），在心理学中的解释为，当实验研究中存在两个或两个以上自变量时，其中一个自变量的效果在另一个自变量每一水平上表现不一致的现象。某一因素的真实效应随着另一因素的改变而改变。
注意事项
当交互作用存在时，单纯研究某个因素的作用没有意义，必须分别探讨另一个因素不同水平上该因素的作用模式。若所有实验设计的单元格内都只有一个影响因素时，则无法衡量自变量之间的交互作用。
研究方法
当存在交互作用时，单纯研究某个因素的作用是没有意义的，必须分另一个因素的不同水平研究该因素的作用大小。
如果所有单元格内都至多有一个元素，则交互作用无法测量，只能不予考虑，最典型的例子就是配伍设计的方差分析。
实验设计方法中交互作用表示当两种或几种因素水平同时作用时的效果较单一水平因素作用的效果加强或者减弱的作用。
交互作用是研究中必须考虑的因素。正交试验设计中，有专门的列指标表达交互作用。
表示方法：A×B、A×B×C等
计算方法：分手动计算和计算机软件计算，如SPSS。
结果显示：
对照组试验前后收缩压的变化，p=0.522，无显著差异，说明时间因素并不是造成收缩压变化的因素；
嗜盐变化导致的收缩压变异与试验前后（时间因素）导致的血压变异，p=0.254，说明嗜盐变化不是导致试验前后血压变异的因素，或者说，试验前后出现的收缩压变异不是导致嗜盐变化的因素。具体如何解释以研究所关注的指标为准，本例是考察试验前后收缩压变异，故以前一种解释为准。
考察试验前后嗜盐变化，p>0.05,及试验前后嗜盐情况无显著性变化，说明嗜盐情况，在试验前后，未发生改变，没有影响到收缩压的变化。
