Example: 

ONE WAY ANALYSIS OF VARIANCE + POST HOC 
TESTS 
This example uses material from the STARS project (www.stars.ac.uk). 

This example uses data from a telephone survey of fast food consumers. The objective 
of the analysis is to compare the number of times per month people in different age 
groups buy fast food. The dependent variable is the number of times per month the 
respondent buys fast food. The interviewees are divided into 5 age groups: 15­17, 18­ 
24, 25­ 35, 36­54, 55­70. 

The analysis involves comparing data between 5 age groups. The dependent variable is 
number of purchases per month and the independent variable, whose influence on the 
dependent variable we want to study, is age group. 

Null hypothesis (H0): Mean number of purchases of fast food per month is the same for 
all age groups 

Alternative hypothesis (H1): Mean number of purchases of fast food per month is not the 
same for all age groups 

One­way analysis of variance is the first choice of technique because: 

(1)  5 independent samples are being compared 
(2)  the dependent variable is quantitative 

Using SPSS to carry out a one­way analysis of variance, produces the following 
ANOVA table: 
ANOVA 

Purchases 
Sum of 
Squares  df  Mean Square  F  Sig. 
Between Groups  147.000  4  36.750  8.013  .000 
Within Groups  1751.935  382  4.586 
Total  1898.935  386 

The test statistic (F), degrees of freedom (the first two values in the column labelled df) 
and the P­value (which SPSS labels ‘Sig.’) are circled. 

The P­value is used to decide the conclusion of the test: SPSS displays the P­value to 3 
decimal places, so that very small P­values appear as 0.000, which we report as ‘ 
P<0.001 ‘. As the P­value is below 0.05, we reject the null hypothesis. 

The hypothesis test allows you to say: 
‘The data provides statistically significant evidence that mean purchases per month of 
fast food are not the same for all age groups (One­way ANOVA, F = 8.013, df = 4,382, 
P <0.001).’
Having found statistically significant evidence that the mean number of purchases per 
month is not the same for all age groups, the next step is to explore where the 
differences between age groups are found. There are several possibilities, for example, 
four age groups might be similar, with just one group having a different mean, or there 
could be differences between all five groups. If the ANOVA produces a statistically 
significant test, we can carry out post hoc tests to see where differences between 
groups occur. SPSS provides a number of post hoc tests, here the Student­Neumann­ 
Keuls test has been used with results shown below: 

Purchases 
a,b 
Student­Newman­Keuls 
Subset for alpha = .05 
Age  N  1  2  3 
55­70  43  1.4186 
36­54  164  2.3476 
25­35  99  2.6162 
18­24  50  3.4800 
15­17  31  3.7097 
Sig.  1.000  .513  .576 
Means for groups in homogeneous subsets are displayed. 
a.  Uses Harmonic Mean Sample Size = 54.518. 
b.  The group sizes are unequal. The harmonic mean 
of the group sizes is used. Type I error levels are 
not guaranteed. 

The footnotes give details related to the calculations that SPSS has used in carrying out 
the tests, these do not need to be interpreted. 

What do the post hoc tests show? 
The post hoc tests compare the age groups two at a time. The results are shown in a 
table, with age groups listed in order according to their mean value for the dependent 
variable. Here, the 55­70 age group are shown first as this group has the lowest mean 
purchases and the 15­17 year age group is shown last as they have the highest mean 
purchases. The columns or subsets show the mean purchases made by each group 
listed in different columns. The arrangement of the mean values in columns or subsets 
show which age groups differ / do not differ significantly in terms of their mean 
purchases of fast food. 

If the means for two groups are shown in different columns, this indicates that there is 
statistically significant evidence of a difference between their mean values. For 
example, the mean for purchasers aged 55­70 is shown in a column by itself and does 
not appear in any other columns. This shows that the mean number of purchases made 
by consumers aged 55­70 is significantly different to the mean number of purchases in 
all the other age groups.
If the means for two groups are shown in the same column, this indicates that there is 
no statistically significant evidence that their mean values differ. For example, the mean 
for purchasers aged 18­24 and the mean for purchasers aged 15­17 are shown together 
in column/ subset 3. This shows that the mean number of purchases made by 
consumers in these two age groups do not differ significantly. 

Assumptions underlying the test(s) 

One­way ANOVA is a parametric method that assumes: 

(1)  The dependent variable is Normally distributed within each category being 
compared. 

(2)  The dependent variable has the same variance in each of the categories being 
compared. 

The method is reasonably robust to small departures from these assumptions but is 
sensitive to outliers. 

The output below provides some information related to the assumptions. The box plot 
shows that in each age group, the distribution of the number of purchases of fast food 
has a slight skew, with one or two individuals who are shown as outliers. These features 
are incompatible with Normally distributed data. Note that the spread or variation in 
purchases seems to be greater in age groups with higher median purchases. 

10.00 

8.00 

6.00 
Purchases

4.00 

2.00 

0.00 

15­17  18­24  25­35  36­54  55­70 

Purchases 
Age  Mean  N  Std. Deviation 
15­17  3.7097  31  2.61015 
18­24  3.4800  50  2.14989 
25­35  2.6162  99  2.09814 
36­54  2.3476  164  2.17514 
55­70  1.4186  43  1.67946 
Total  2.5685  387  2.21800 

Overall the data does not seem to conform to the assumptions required for the 
analyses. This means that the P­value may not be accurate. In this situation, some 
steps need to be taken to ensure that the conclusions produced are ‘safe’. Potential 
strategies would be to switch to a nonparametric method (Kruskal­Wallis analysis of 
ranks) or to look for a transformation that allows the assumptions underlying the one­ 
way ANOVA to be met.