方差分析是在20世纪年代发展起来的一种统计方法，它是由英国统计学家费希尔在进行试验设计时为解释试验数据而首先引入的，根据所分析的自变量多少，方差分析一般包括单因素方差分析、双因素方差分析以及多因素方差分析。当方差分析中只涉及一个定类变量时，称为单因素方差分析，本篇案例采用单因素方差进行分析。
用4种饲料喂猪，共19头猪分为4组，每组用1种饲料。一段时间后称重，比较4种饲料对猪体重增加的作用有无不同。部分数据如下：
方差分析结果如下：
分析X与Y之间是否呈现出显著性(p值小于0.05或0.01)；如果呈现出显著性；通过具体对比平均值大小，描述具体差异所在。从上表可以看出p值小于0.05，所以不同饲料样本对于体重全部均呈现出显著性差异。及具体对比差异可知， 有着较为明显差异的组别平均值得分对比结果为“B>A;C>A;D>A;C>B;D>B;D>C；D> C> B>A”。也就是说研究中D饲料的成效最好。
从折线图中可以看出四种不同饲料直接的体重是具体差异性的，而且饲料D效果最好。接下来对方差结果的中间过程值进行描述。
这张图里的方差分析F检验结果不显著。看显著性检验结果有两种方法。
1、根据F值判断。
SPSS输出的表格中“F”即样本的计算结果。之后考虑显著性检验的临界值α和F统计量的自由度，在F检验表中查找F的临界值（下表是α=0.1的F临界值表，如果α设定为0.05或0.01则应查找对应的F检验表）。最后，将SPSS计算出的F值与F临界值比较，若大于临界值则可以说在α的意义下结果显著，否则不显著。
2、根据Sig.判断。
SPSS输出的Sig.结果即将计算出的F值根据自由度转换为了P-Value，可以直接根据Sig.判断是否显著，若Sig.<α则结果显著，否则不显著，这一方法更方便。
在此基础上拓展一下，z检验、t检验、Chi-Square检验（卡方检验）等判断显著或进行假设检验的方式都是类似的，或者根据对应的检验表，或者根据P-Value。如果根据检验表判断，可分为三步：
第一步，计算统计量的观测值，例如此处的F值，这一步SPSS会直接输出；
第二步，查表，根据自由度和α找到临界值；
第三步，将SPSS输出的统计量观测值与查表所得临界值进行对比，得出结果。
相较之下，根据P-Value来判断则非常简单，SPSS已经根据样本计算并输出了P-Value，只需将P-Value和α对比即可。
此外在一些情况下，SPSS也会自动以星号（*）的数量对是否显著进行标记，例如做相关系数分析时，在0.01级别相关性显著会标注出“**”，在0.05级别相关性显著标注“*”等等。