混合设计的方差分析就是既有组内变量又有组间变量的方差分析。想要进行这样的方差分析，如果还是用python.statsmodels就不太方便了，因此用到了Python的另一个还比较年轻的统计包pyvttbl,它对anova的支持更全面，使用也更方便，这里我们就看看如何用pyvttbl来实现混合设计的方差分析。
引入DataFrame对象，注意此Dataframe不是pandas.DataFrame![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/f9617afb960b312155e35d17dee983aee9d76dda.jpg)
读取数据![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/04201aa355e983aebc55009e68efe078153169da.jpg)
我们看一下pyvttbl.DataFrame的结构，有一个变量是必须的——SUBJECT，也就是被试编号，同一个被试有相同的编号，这是我们必须提供的，否则在后面的分析中会出错。![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/82eff6d7592ae3efb7fa4d8554b6326c566664da.jpg)
我们用anova方法进行混合设计的方差分析，需要制定因变量score，组间变量group，组内变量test![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/e2aefe781431dfb668ee0ed212cf02532e6363da.jpg)
打印出来的结果有很多，首先看组间效应的检验，group的F和sig值![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/332d496699cf025371e17a316b36e29146e85fda.jpg)
与此相对应，我们输出spss中的结果![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/22c4fe36e29147e8506260c6b603bbea3f8658da.jpg)
接着是组间效应的检验，包括交互效应![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/32a127723d03bbea590469fcea43d7d4493154da.jpg)
以下是spss中的输出结果![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/31097f43d7d448316869af13d40f822b75ee51da.jpg)
最后是边际均值![Python统计分析：[7]混合设计的方差分析](https://exp-picture.cdn.bcebos.com/f7e6410f822b74ee6db012acda2c8cf1d9a74ada.jpg)
