分析分类因子对响应影响的一项重要技术是执行方差分析。方差分析分解了不同因子之间响应变量的变异性。根据分析的类型，确定：（a） 哪些因素对响应有显著影响，和/或 （b） 响应变量中有多少变异性可归因于每个因素，这一点可能很重要。
Statgraphics Technologies 产品提供了几个执行方差分析的过程：
| 程序 | Statgraphics Centurion 18/19 | Statgraphics Sigma express | Statgraphics stratus | Statgraphics Web 服务 | StatBeans |
|---|---|---|---|---|---|
| 单因素方差分析 |  | | | | |
| 多因素方差分析 | | | | | |
| 方差分量分析 | | ||||
| 一般线性模型 | | ||||
| 重复测量方差分析 | |
单因素方差分析
当仅根据一个因子将数据分成几组时，使用单因素方差分析。感兴趣的问题通常是：（a）各组之间是否存在显著差异？（b）如果有，哪些组与其他组有显著差异？提供统计检验来比较组均值、组中位数和组标准差。在比较均值时，使用多个范围测试，其中最受欢迎的是 Tukey 的 HSD 程序。对于大小相等的样本，可以通过检查均值图并确定不重叠的区间来确定显著的组差异。
更多： 单因素方差分析.pdf
多因素方差分析
当存在多个因子并且这些因子交叉时，多因子方差分析是合适的。主效应和因素之间的相互作用都可以作为该方差分析检验的一部分进行估计。输出包括一个交互作用图，该图显示了 2 个因子的每个组合的估计平均响应。请注意左边图中体脂和吸烟之间的强烈相互作用。
更多：多因子方差分析.pdf
方差分量分析
差异分量分析最常用于确定在产品中引入可变性的水平。典型的实验可能会选择几个批次，每个批次中有几个样品，然后对每个样品运行重复测试。目标是确定在每个级别引入的整体过程可变性的相对百分比。
更多： 方差分量分析.pdf
一般线性模型
当上述过程不合适时，将使用一般线性模型过程进行方差分析。它可用于同时具有交叉因子和嵌套因子的模型、一个或多个变量是随机的而不是固定的模型，以及定量因子与分类因子相结合的模型。可以使用 GLM 程序分析的设计包括部分嵌套设计、重复测量实验、分割图等。例如，道格拉斯·蒙哥马利（Douglas Montgomery）（Wiley，536）所著的《实验设计与分析》（第六版）一书的第540-2005页包含了一个具有交叉因子和嵌套因子的实验设计示例。对于该数据，GLM 过程会生成几个重要表，包括随机因子方差分量的估计值。
更多：一般线性模型.pdf
重复测量方差分析
重复测量方差分析分析实验设计，其中对同一受试者进行了多次测量，并且一个或多个因素区分了受试者。在许多情况下，测量是按顺序进行的，以检查受试者间因素的影响如何随时间变化。
