spss统计学软件实验报告Word格式.docx

spss统计学软件实验报告Word格式.docx

《spss统计学软件实验报告Word格式.docx》由会员分享，可在线阅读，更多相关《spss统计学软件实验报告Word格式.docx（29页珍藏版）》请在冰豆网上搜索。

68.00

产品7

79.00

55.00

产品8

73.00

产品9

74.00

产品10

80.00

75.00

产品11

67.00

产品12

产品13

产品14

56.00

76.00

产品15

81.00

产品16

89.00

91.00

★实现步骤

『步骤1』在“Analyze”菜单“Correlate”中选择Bivariate命令，如图3-1所示。

图3-1选择BivariateCorrelate菜单

『步骤2』在弹出的如图3-2所示BivariateCorrelate对话框中，从对话框左侧的变量列表中分别选择“标准1”和“标准2”变量，单击

按钮使这两个变量进入Variables框。

在CorrelationCoefficients框中选择相关系数，本例选用Pearson项。

在Testofsignificance框中选择相关系数的双侧（Two-tailed）检验，检验两个变量之间的相关取向，也就是从结果中来得到是正相关还是负相关。

图3-2BivariateCorrelate对话框

选中Flagsignificationscorrelations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示。

一个星号表示当用户指定的显著性水平为0.05时，统计检验的相伴概率值小于等于0.05，即总体无显著性相关的可能性小于等于0.05；

两个星号表示当用户指定的显著性水平为0.01时，统计检验的相伴概率值小于等于0.01，即总体无显著线形相关的可能性小于等于0.01。

显然，在这两个星号比一个星号的检验更加精确。

『步骤3』单击Options按钮，出现BivariateCorrelate：

Options对话框，如图3-3所示。

图3-3Options对话框

Statistics框中的Meansandstandarddeviations表示在输出相关系数的同时计算输出各变量的平均值和标准差；

选中Cross-productdeviationsandcovariances项表示输出叉积离差和协方差。

叉积离差即为Pearson简单相关系数公式的分子部分，协方差为：

叉积离差/（–1）,也反映变量间的相关程度。

MissingValues框中为对缺失值进行处理，Excludecasespairwise项表示如果正参与计算的两个变量中有缺失值，则暂时提出那些在这两个变量上去缺失值的个案；

Excludecaseslistwise项为剔除所有具有缺失值的个案后再计算。

本例中选择Meansandstandarddeviations和Excludecasespairwise项，单击Continue按钮，返回BivariateCorrelate对话框，单击OK按钮，则可得到SPSS相关分析的结果。

结果和讨论：

SPSS的运行结果如下：

Correlations

从以上结果可以得出第一个表格：

（n=16）的标准1的平均值（74.5000）、标准1的标准差（13.19596）、标准2的平均值（70.8750）和标准2的标准差（13.61311）。

第二个表格则是所要求的相关系数，它以一个矩阵的形式表示。

从中可以看出，标准1和标准2的相关系数为0.278。

在这个数据的旁边有没有星号，说明变量之间的相关程度极弱，可视为不相关。

实验2.绘制相关散点图

如果对变量之间的相关程度不需要那么精确，则可以通过绘制变量的散点图来直接判断。

仍以上例作为说明。

『步骤1』在“Graphs”菜单中选择Scatter命令，如图3-4所示。

图3-4选择Scatter命令

『步骤2』本例只需绘制出数学成绩和化学成绩两者的散布情况，因此选择“Simple”图，如图3-5所示。

图3-5Scatterplot对话框

『步骤3』单击Define按钮，打开SimpleScatterplot对话框，如图3-6所示。

在此对话框中，把左侧的“数学”、“化学”这个两个变量分别通过单击

按钮使之添加到右侧的XAxis和YAxis框中，表示散点图将分别把数学成绩和化学成绩绘制在X轴和Y轴上。

其他悬想不变，然后单击OK，开始绘图。

图3-6SimpleScatterplot对话框

结果和讨论

绘出的散点图如图3-7所示，从中明显看出这两个变量线形不相关。

图3-7散点图

实验3．二元定序变量的相关分析

★研究问题

某专家先后对一个工程的多个项目加以评分，两次评分分别记为变量“分值1”和“分值2”，如下表所示。

问两次评分的等级相关有多大，是否达到显著水平？

工程项目两次的得分情况

项目名

分值1

分值2

项目1

项目2

77.00

83.00

项目3

项目4

87.00

8300

项目5

92.00

项目6

项目7

96.00

93.00

项目8

项目9

项目10

项目11

85.00

项目12

项目13

95.00

项目14

项目15

『步骤1』在“Analyze”菜单“Correlate”中选择Bivariate命令，如3-8所示。

图3-8选择BivariateCorrelate菜单

『步骤2』在弹出如图3-9所示的BivariateCorrelate对话框中，从对话框左侧的变量列表中分别选择“分值1”和“分值2”变量，单击

按钮使这两个变量添加到Variables框。

在CorrelationCoefficients框中选择Spearman和Kendall’stua-b等级相关系数；

在Testofsignificance框中选择相关系数的双侧（Two-tailed）检验，选中Flagsignificationscorrelations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示。

如图3-9。

图3-9BivariateCorrelate对话框

『步骤3』单击OK按钮，SPSS开始计算Spearman和Kendall’stua-b等级相关系数。

⑶结果和讨论

NonparametricCorrelations

从结果中可以看出，两次评分的Spearman和Kendall’stua-b等级相关系数分别为0.663和0.822。

在这个数据的旁边有两个星号，表示用户指定的显著性水平为0.01时，统计检验的相伴概率小于等于0.01，即两次评分显著相关，且为正相关。

实验4．偏相关分析

某农业实验场通过试验取得小麦产量与单位虫害值和平均温度的数据，如下表所示。

现求单位虫害值对产量的偏相关。

小麦产量与单位虫害值和温度之间的关系

产量

单位虫害值

温度

170.00

15.00

7.00

200.00

23.00

9.00

230.00

35.00

11.00

350.00

38.00

13.00

400.00

41.00

17.00

480.00

44.00

19.00

530.00

47.00

20.00

590.00

670.00

28.00

710.00

59.00

31.00

『步骤1』在“Analyze”菜单“Correlate”中选择Partial命令，如图3-10所示。

图3-10选择BivariatePartial菜单

『步骤2』在弹出的如图2所示BivariatePartial对话框中，从对话框左侧的变量列表中分别选择“产量”和“单位虫害”变量，单击

按钮使这两个变量进入Variables框中，在选择“温度”变量，单击

按钮使这个变量添加到ControllingFor框中，表示现在所求的是剔除“温度”变量影响后“产量”和“单位虫害”变量之间偏相关系数。

图3-11PartialCorrelations对话框

在Testofsignificance框中选择相关系数的双侧（Two-tailed）检验。

本例选中Flagsignificationscorrelations选项，则相关分析结果中将不显示统计检验的相伴概率，而以星号（*）显示，星号的意义与计算简单相关系数中的相同。

『步骤3』单击Options按钮，出现PartialCorrelations对话框，如图3-12所示。

图3-12PartialCorrelations对话框

在Statistics框中选择Zero-ordercorrelations项，在输出偏相关系数的同时还输出变量间的简单相关系数。

在MissingValues框中选择Excludecaseslistwise项，剔除所有具有缺失值的个案后再计算。

『步骤4』单击Continue按钮，返回PartialCorrelations对话框，单击OK按钮，即可得到SPSS相关分析的结果。

SPSS的运行结果如下。

PartialCorr

从结果中可以看到，上半部分是变量两两之间的Partial简单相关系数，以“产量”和“单位虫害”为例，它们之间的Partial简单相关系数为0.954。

下半部分是偏相关分析的输出结果，其中，对每个变量都有三行输出结果：

第一行为偏相关系数，第二行为检验统计量的相伴概率、第三行为统计检验的自由度。

从中可知，在剔除“温度”变量的影响条件下，“产量”与“单位虫害”二变量的影响条件下，“产量”与“降雨量”二变量的偏相关系数为0.304，自由度为7，相伴概率为0.427。

可见，简单相关系数和偏相关系数相比，前者有夸大的成分，后者更符合实际。

实验5．距离相关分析

★研究问题1----变量之间的相似性预测分析

对6个人进行3次体能测试，测得结果如下表所示。

问测试结果是否一致。

3次测试情况

1

2

3

4

5

6

第一次

85

87

81

88

89

84

第二次

91

92

90

第三次

『步骤1』激活数据管理窗口，定义变量名：

第一次测量值为r1，第二次测量值为r2，第三次测量值为r3，输入相应数值。

在“Analyze”菜单“Correlate”中选择Distances命令，如图3-13所示。

图3-13选择DistancesCorrelate菜单

『步骤2』在弹出的如图3-14所示Distances对话框中，在对话框左侧的变量列表中选择变量“r1”、“r2”、“r3”，单击

按钮使之添加到Variables框中。

对3个变量进行距离相关分析。

图3-14Distances对话框

因为在本例中3次平行测量结果分别置于3个变量中，因此在ComputeDistances框中选择Betweenvariables作变量之间的距离相关分析；

又因本例研究的是一致性，所以在Measure栏中选择Similarties相似性测距。

『步骤3』单击Measures按钮，弹出Distance：

SimilarityMeasure对话框，如图3-15所示。

图3-15距离相关中相似性测量对话框

本例中选择Measures框中的Interval，并选择Pearsoncorrelation项，以Pearson相关系数为度量，不对变量进行标准化处理。

『步骤3』单击Continue按钮返回Distances对话框，再单击OK按钮，即可得到SPSS相关分析的结果。

结果与讨论：

研究问题1的SPSS运行结果如下：

Proximities

第一个表格是个案概述，表明6个个案数据全部都有效。

第二个表格列出了变量之间的相似性分析结果。

从表格中可以看出，第一次测量和第三次测量的结果较为一致，并且一致较明显；

第一次测量和第二次测量的结果不如前者不一致；

但第二次测量和第三次测量的结果也不太一致。

★研究问题2----个案之间的相似性测量分析

对3个集装箱进行测量，分别对3个集装箱的高、宽、长、最大总重进行测量，试就这几个测量而言，分析3个集装箱的相似性，数据如下表所示。

3个集装箱情况

高/mm

宽/mm

长/mm

最大总重/kg

第一个

2438

2430

12191

30480

第二个

2433

12195

30477

第三个

2434

2439

12188

30485

『步骤1』在SPSS的数据管理窗口中，定义4个变量，分别为“长”、“体重”、“四肢总长”、“头重”，输入3个幼子的相应数值。

在“Analyze”菜单“Correlate”中选择Distance命令，如图3-18所示。

图3-18选择菜单

『步骤2』在弹出的如图Distance对话框中左侧的变量列表中选变量，在对话框左侧的变量列表中选择变量“高”、“宽”、“长”、“最大重量”，单击

图3-19Distance对话框

在ComputeDistances框中选择Betweencases项，表示作个案之间的距离相关分析。

在Measure栏中选择Similarities项，作相似性测距。

SimilarityMeasures对话框，如图3-20所示。

图3-20距离相关分析中相似性测量对话框

因为4个变量都是连续性变量，所以Interval中Pearsoncorrelation项，不对变量进行标准化处理。

『步骤4』单击Continue按钮返回Distance对话框，再单击OK按钮，即得到SPSS相关分析的结果。

研究问题3的SPSS运行结果如下：

研究问题2中的第一个表格是个案概述，表明3个个案数据全部都有效。

第二个表格列出了3个个案之间的相似性分析结果。

从表格中可以看出，3个个案的相似性非常高，全是1。

三个箱子都很相近。

实验6．一元线性回归

合金钢的强度y与钢材中碳的含量x有密切关系，为了冶炼出符合要求强度的钢，常常通过控制钢水中的碳含量来达到目的，因此需要了解y与x之间的关系，下面是10组不同的碳含量x（％）对应的强度y（kg/m

）数据。

x

0.03

0.04

0.05

0.07

0.09

0.1

0.12

0.15

0.17

0.2

y

40.5

39.5

41

41.5

43

42

45

47.5

53

56

★实验步骤：

『步骤1』在菜单中选择Regression==>

liner，系统弹出线性回归对话框如下：

图4－1LinearRegression对话框

『步骤2』单击Statistics按钮将打开LinearRegression:

Statistics对话框，用来选择输出那些统计量。

如图4－2所示。

图4－2LinearRegression:

Statistics对话框

『步骤3』单击所示LinearRegression对话框中的Plot按钮，将打开如图4－3所示LinearRegression：

Plot对话框。

该对话框用来设置对残差序列作图形分析，从而检验残差序列的正态性、随机性和是否存在异方差现象。

图4－3LinearRegression:

Plot对话框

『步骤4』单击如图所示4－4所示LinearRegression对话框中的Save按钮，将打开如图4－4所示LinearRegression：

Save对话框。

该对话框用来设置将回归分析的结果保存到spss数据编辑窗口的变量中，还是某个spss的数据文件中。

图4－4LinearRegression:

Save对话框

『步骤5』单击如图4－5所示LinearRegression对话框中的options命令，如图4－5所示对话框。

在该对话框中可以对多元线性回归分析中与自变量的筛选有关的参数进行设定，同时也可设置缺省值采用不同的处理方法。

图4－5LinearRegression:

Options对话框

（1）输出结果文件中的第一个表格。

该表格输出的是被引入或从回归方程中被踢除的各变量。

该部分结果说明对编号为1的模型进行线性回归分析时所采用的方法是全部引入法：

Enter

（2）输出结果文件中的第二个表格。

该表格输出的是常用统计量。

从这部分结果看出相关系数R=0.950,判定系数R2=0.903，调整的判定系数=

=0.891

回归估计的标准误差W=1.8537。

说明样本回归方程的代表性J较强。

（3）输出结果文件中的第三个表格

第三个表格是方差分析表。

从这部分结果看出：

统计量F＝74.333；

伴随概率P<

0.001。

说明自变量x与因变量y之间确有线性回归关系。

类外，SumofSquares一栏中分别代表回归平方和（255.412）、残差平方和（27.488）以及总平方和（282.900），Df为自由度。

（4）输出的结果文件中第四个表格如下：

Co

第四个表格是回归系数分析。

其中，UnstandardizedCoefficients为非标准化系数，StandardizedCoefficients为标准化系数，I为回归系数检验统计量，Sig为伴随概率值。

结论：

从表格中可以看出估计值及其检验结果，常数项

，回归系数

，回归系数统计量t＝8.622，相伴概率值p<

说明回归系数与0有显著差别，该回归方程有意义：

实验7．多元线性回归分析

某种水泥在凝固时放出的热量（单位：

卡/克）Y与水泥中下列4中化学成分的百分比有关：

X1：

X2：

X3：

X4：

现测得13组数据，如下图所示，要求建立热量与水泥化学成分之间的经验回归关系式。

xi1

xi2

xi3

xi4

yi

7

26

60

78.5

29

15

52

74.3

11

8

20

104.3

31

47

87.6

33

95.9

55

9

22

109.2

71

17

102.7

44

72.5

54

18

93.1

21

115.9

40

23

34

83.8

66

12

113.3

10

68

109.4

『步骤1』在spss的数据编辑窗口中输入上表所示的数据。

员工满意度设为因变量MY，8个心理变量为自变量Z.在“Analyze”菜单“Regression”中选择Linear命令

『步骤2』在弹出的菜单中所示的LinearRegression对话框中，从对话框左侧的变量列表中选择满意度变量my，将其他变量添加到Dependent框中，表示该变量是因变量。

单击statistics按钮将打开linearregression：

statistics对话框，用来选择输出那些统计量

图4-6Linearregression对话框

『步骤3』单击OK按钮，即可得到spss多元线性回归分析的结果。

（1）输出结果的第一个表格：

该表格中输入了4个自变量和1因变量的一般统计结果，包括平均值、方差和个案数N为36。

（2）输出的结果文件中的第二个表格如下：

该表格列出了各个变量之间的相关性，从该表格可以看出自变量x1,x2和因变量y之间的相关性很大，为正相关；

x3,x4与y相关性也大，成负相关。

（3）输出文件的第三个表格如下：

模型进行分析时所采用的方法是全部引入法Enter。

因变量为y。

（4）输出的结果文件第四个表格如下：

该表格是常用的统计量。

（5）输出的结果文件中第五个表格如下：

该表格是方差分析表。

（6）输出的结果文件中第六个表格是回归系数分析。

其中，UnstandardizedCoefficients为非标准化系数，S谈大阮的泽地Coefficients为标准化系数，t为回归系数检验统计量，Sig为伴随概率值。

从表格中可以看出该多元回归方程为：

（7）输出的结果文件中第七个表格如下：

这个表格是残差统计结果表。

实习总结：

经过一周的spss13软件学习，每天坚持从早上8点到下午1点，基本上对软件的操作和运用有了深入的了解，学会了基本的统计描述包括均值、方差、中位数、众数、峰度、偏度，均值比较和T检验，相关分析，回归分析。

发现了数据在一定程度上可以说明一切，好还是坏，数据分析后，自然就很明了。

以前做市场调查后对问卷的分析只停留在一道题，有多少人选，做个饼图或表格就完事了，现在学了spss，今后就能把调查结果做出详细的分析。

不过，在学习的过程中也遇到了困难，一个是数据录入耗时，另一个是全英文操作理解起来有点费力，再则专业名称费解。

总之，这一周的spss软件学习收获不少，至少掌握了一门数据分析工具，对以后的学习或工作有一定的帮助。

西邮营销策划