你遇到的问题
你的设计里有两个自变量（比如「教学方式」和「性别」），跑出来一堆 F 值，却不知道该先看谁、交互项显著意味着什么，更不知道怎么把两个主效应加一个交互效应完整写进论文。很多人只报了主效应就草草结束，漏掉了最关键的交互解释。
适用场景
双因素方差分析适用于一个连续因变量、两个分类自变量的组间设计，用于同时检验两个主效应及其交互作用。前提假设包括各组因变量近似正态、方差齐性（Levene 检验）以及观测独立。若交互效应显著，主效应的解释需格外谨慎。
正确做法
先看交互效应是否显著。若交互不显著，直接解释两个主效应；若交互显著，则不宜单独下主效应结论，应进一步做简单效应分析，即固定一个因素的水平，检验另一个因素的差异。每个效应都要报告 F(df1, df2)、p 值和效应量 partial η²（偏 eta 平方）。
报告示例：以焦虑得分为因变量的 2（教学方式：传统／翻转）×2（性别：男／女）方差分析结果显示，教学方式主效应显著，F(1, 116) = 8.47, p = .004, partial η² = .068；性别主效应不显著，F(1, 116) = 1.02, p = .314。二者交互效应显著，F(1, 116) = 5.31, p = .023, partial η² = .044。简单效应分析表明，翻转课堂仅在男生中显著降低焦虑（p = .006），女生中差异不显著（p = .421）。
常见错误
错误一：交互效应已显著却仍旧笼统解释主效应，忽略了不同水平下效应方向可能相反，导致结论失真。错误二：只报 F 值和 p 值，不报自由度和效应量 partial η²，读者无法判断效应大小，也无法复核统计量是否合理。
需要更进一步？
如果你分不清该看主效应还是简单效应，或不确定交互图怎么解读，可以把 SPSS 的方差分析输出粘贴进统计结果解读器，它会标出显著的效应并提示是否需要做简单效应分析；遇到三因素设计或交互模式复杂难以定论的情况，建议预约辅导逐步拆解。