在双因素方差分析中，受试者被分配到两因子的交叉类别组中。以基础安装中的Tooth-Growth数据集为例，随机分配60只豚鼠，分别采用两种喂食方法（橙汁或维生素C），各喂食方法中抗坏血酸含量有三种水平（0.5mg、1mg或2mg），每种处理方式组合都被分配10只豚鼠。牙齿长度为因变量。双因素方差分析代码如下：
> attach(ToothGrowth)
> table(supp,dose)
dose
supp 0.5 1 2
OJ 10 10 10
VC 10 10 10
> aggregate(len,by=list(supp,dose),FUN=mean)
Group.1 Group.2 x
1 OJ 0.5 13.23
2 VC 0.5 7.98
3 OJ 1.0 22.70
4 VC 1.0 16.77
5 OJ 2.0 26.06
6 VC 2.0 26.14
> aggregate(len,by=list(supp,dose),FUN=sd)
Group.1 Group.2 x
1 OJ 0.5 4.459709
2 VC 0.5 2.746634
3 OJ 1.0 3.910953
4 VC 1.0 2.515309
5 OJ 2.0 2.655058
6 VC 2.0 4.797731
> fit<-aov(len~supp*dose)
> summary(fit)
Df Sum Sq Mean Sq F value Pr(>F)
supp 1 205.4 205.4 12.317 0.000894 ***
dose 1 2224.3 2224.3 133.415 < 2e-16 ***
supp:dose 1 88.9 88.9 5.333 0.024631 *
Residuals 56 933.6 16.7
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
table语句的预处理表明该设计是均衡设计，aggregate()函数可获得各单元的均值和标准差，用summary()函数得到方差分析表，可以看到主效应和交互效应都非常显著。
结果可视化
有多种方式对结果进行可视化处理。比如、可用interaction.plot()函数来展示双因素方差分析的交互效应，代码如下：
> interaction.plot(dose,supp,len,type = "b",col = c("red","blue"),pch = c(16,18),main="Interaction between Dose and Supplement Type")
也可以用gplots包中的plotmeans()函数展示交互效应，代码如下：
> library(gplots)
>plotmeans(len~interaction(supp,dose,sep=""),connect=list(c(1,3,5),c(2,4,6)),col=c("red","darkgreen"),main="Interaction Plot with 95% CIs", xlab = "Treatment and Dose Combination")
图形展示了均值、误差棒（95%的置信区间）和样本大小。
最后，还可以用HH包中的interaction2wt()函数来进行结果可视化，代码如下：
>library(HH)
>interaction2wt(len~supp*dose)
从以上三种可视化结果都能看出：随着橙汁和维生素C中的抗坏血酸剂量的增加，牙齿长度变长。对于0.5mg和1mg剂量，橙汁比维生素C更能促进牙齿生长；对于2mg剂量的抗坏血酸，两种喂食方法下牙齿长度增长相同。
三种绘图方法中，其中以interaction2wt()函数绘制的图形最为详细，它能展示任意复杂度设计（双因素方差分析、三因素方差分析等）的主效应（箱线图）和交互效应。
