spss实验过程文档格式.docx
- 文档编号:20024467
- 上传时间:2023-01-16
- 格式:DOCX
- 页数:25
- 大小:552.22KB
spss实验过程文档格式.docx
《spss实验过程文档格式.docx》由会员分享,可在线阅读,更多相关《spss实验过程文档格式.docx(25页珍藏版)》请在冰豆网上搜索。
0.05所以拒绝原假设,即浙江省人口自然增长率的均值与全国的平均人口自然增长率存在差异,又因为浙江省人口自然增长率均值为0.02224<
0.0492,所以浙江省人口自然增长率低于全国平均水平,即专家的观点是正确的。
3、为了研究厄尔尼诺气象是否会显著农作物的价格;
相关分析
问题分析:
用ONI指数来代表厄尔尼诺气象,值越高,厄尔尼诺气象越强。
采用相关分析,分析厄尔尼诺气象是否会显著农作物的价格。
厄尔尼诺气象指数与农作物的价格的相关系数为0.
操作方法:
Analyze—Correlate—BivariateCorrelations
表一:
相關
ONI指数
农作物价格(元/公斤)
皮爾森(Pearson)相關
1
.374**
.007
50
**.相關性在0.01層上顯著(雙尾)。
可以看出ONI指数与农作物价格相关系数为0.374,原假设为ONI指数与农作物价格相关系数为0,sig值=0.007<
0.05,拒绝原假设,(H0:
厄尔尼诺气象不会影响农作物价格。
)即相关。
证明厄尔尼诺气象会显著农作物的价格。
4、各地区电子商务竞争力的指标包括:
网络零售额、网络交易额、每百人网商数量、每百人网络消费者数量、网络零售额与社零占比等,由于指标过于复杂导致统计工作难以展开,请从中选出最具有代表性的核心指标。
因子分析
Analyze-DataReduction-Factor
各组数据构成单位矩阵。
输出分析
相關性矩陣
网络零售额指数
网络交易额指数
每百人网商数量指数
每百人网络消费者数量指数
网络零售额与社零占比指数
1.000
.137
.015
.458
-.095
.311
.290
-.390
.019
.013
-.350
顯著性(單尾)
.148
.455
.235
.008
.012
.001
.444
.459
.003
相关性很不好,0.148、0.455、0.235均不显著
全变量的相关性矩阵
选择Descriptives(描述)选择Coefficients和KMOandBartlett’stestofsphericity(KMO与Bartlett的球形度检验,KMO值越接近1,越适合做因子分析(kmo>0.6))
KMO與Bartlett檢定
Kaiser-Meyer-Olkin測量取樣適當性。
.553
Bartlett的球形檢定
大約卡方
39.389
10
顯著性
KMO值为0.553,小于0.6(数据不够好),Bartlett球型检验的相伴概率0.000,小于显著性水平0.05,拒绝原假设,达到显著的水平。
(检验结果是否做因子分子需要看kmo与p值两个因素)
选择Extraction勾选Screeplot(碎石图)和Eigenvaluesover1(特征值大于1)(做主成分分析,确定因子个数(特征值大于1))
說明的變異數總計
元件
起始特徵值
擷取平方和載入
循環平方和載入
總計
變異的%
累加%
1.906
38.128
1.710
34.207
2
1.172
23.433
61.562
1.368
27.354
3
.954
19.083
80.644
4
.506
10.117
90.761
5
.462
9.239
100.000
擷取方法:
主體元件分析。
可以直观的看到,前两个因子就可以有61.562%的含义。
由碎石图可以看出第1个因子后图像趋于平缓,即因子1能解释大部分。
选择Rotation勾选Varimax(最大方差法);
选择scores勾选显示因子得分系数矩阵
Communalities
起始
擷取
.555
.716
.659
.718
.431
表示1个因子变量1共解释掉原来的变量多少。
如第一行中0.555表示1个因子变量1共解释掉网络零售额方差的55.5%。
由于数据选取不是很恰当,失真较大。
元件矩陣a
.568
-.482
.703
.471
.256
.770
.771
-.352
-.656
-.025
a.擷取2個元件。
根据因子分析初始解计算出的变量共变度。
利用主成分分析方法得到5个特征值,他们是因子分析的初始解,可利用这5个初始解和对应的特征向量计算出因子载荷矩阵。
由于每个原始变量的所有方差都能被因子变量解释掉,因此每个原始变量的共同度都为1.第三列是根据因子分析最终解计算出的变量共变度。
根据最终提取的1个特征值和对应的特征向量计算出因子载荷矩阵。
因子分析后因子提取和因子旋转的结果。
5、公司的行政人员认为自己与市场部的人员和研发部的人员差异太大;
公司总经理则认为行政人员的综合技能、教育背景与市场部人员和研发部人员也存在明显差异,行政人员如何通过统计方法证实自己的结论?
单因素方差分析
设定类别变量:
0=“行政人员”,1=“市场部人员”,2=“研发部人员”。
综合技能用以一百分考核,教育背景以1-7教育程度衡量,1=“从未上过小学”,2=“小学”,3=“初中”,4=“高中”,5=“专科”,6=“本科”,7=“研究生”。
以此构造数据,做One-WayANOVA。
操作:
Analyze-CompareMeans-One-WayANOVA
行政人员与市场部人员和研发部人员无显著差异。
选择LSD和Tamhane’sT2,再选择Option里的方差齐性检验。
方差齐性检验
變異數同質性測試
Levene統計資料
df1
df2
学历背景
1.096
57
.341
综合技能指数
4.104
.022
从表看出:
方差齐性检验,原假设:
各部门的方差相等。
学历背景一行。
Sig值=0.341>
0.05,即支持原假设,即各部门综合技能的方差相等,同理,看综合技能这行可知,各部门综合技能的方差不相等。
(数据选取问题)
表二:
方差分析
變異數分析
平方和
平均值平方
F
群組之間
4.009
2.004
1.252
.294
在群組內
91.241
1.601
95.250
5.616
2.808
.829
.442
192.968
3.385
198.583
综合技能:
方差检验sig值=0.442>0.05(数据问题)
学历背景:
方差检验的sig值=0.294>0.05,接受原假设,(数据问题)
表三:
多重分析
多重比較
因變數
(I)类别
(J)类别
平均差異(I-J)
標準錯誤
95%信賴區間
LSD
.517
.345
.140
-.17
1.21
.575
-1.15
1.15
-.517
-1.21
.17
.567
.366
-1.65
.62
-.62
1.65
Tamhane
.347
.370
-.34
1.37
.510
-1.52
1.52
-1.37
.34
.511
.712
-2.04
1.00
-1.00
2.04
-.499
.502
.324
-1.50
.51
.380
.836
.651
-1.29
2.05
.499
-.51
1.50
.879
.825
.291
-.77
2.53
-.380
-2.05
1.29
-.879
-2.53
.77
.507
.699
-1.76
.76
.944
.973
-2.49
3.25
-.76
1.76
.894
.740
-2.01
3.77
-3.25
2.49
-3.77
2.01
方差齐性看LSD法多重比较的结果,从结果可看出,行政人员和市场部人,研发部人员的综合技能不存在显著差异。
方差齐性看LSD法多重比较的结果,从结果可看出行政人员和市场部人员、研发部人员的教育背景不存在显著差异。
(数据问题)
6、有专家提出,黄色人种相对于白色人种,更不易被晒伤;
用1=“黄色人种”,用2=“白色人种”,晒伤用按1-5的程度衡量,1=“没晒伤”,2=“有点晒伤但不严重”,3=“晒伤有点严重”,4=“晒伤严重”,5=“晒伤非常严重”。
以此构造数据,进行独立样本t检验。
操作步骤:
Analyze—CompareMeans—Independent-SamplesTTest
黄色人种和白色人种的晒伤难易无显著差异。
显示基本的数据,统计描述量。
群組統計資料
人种
晒伤程度
37
2.00
.782
.129
23
2.83
1.337
.279
标准误:
样本在多大程度上反映总体样本。
(数值越小越好,要求N越大越好)表中的数值都是比较好的。
獨立樣本檢定
Levene的變異數相等測試
針對平均值是否相等的t測試
標準誤差
採用相等變異數
14.180
-3.026
58
.004
-.826
.273
-1.373
-.280
不採用相等變異數
-2.692
31.481
.011
.307
-1.452
-.201
先进行F检验,在进行总体均值T检验。
F检验原假设:
白色人种和黄色人种的晒伤程度方差是相等,F检验的Sig=0.000小于0.05,即拒绝原假设,方差不相等。
因而看第二行,T检验的原假设是黄色人种和白色人种的晒伤程度均值差为0,T检验的Sig=0.011<
0.05,拒绝原假设,即不为0。
又因为,t值为负,95%的置信区间都小于0,在0的左侧,即黄色人种和和白色人种的晒伤程度均值差小于0,即黄色人种比白色人种不易晒伤。
7、请统计分析全国各个省市的进出口额,与各地区消费品零售总额、地区工业总产值的函数关系,请构造数据,设法论证各变量之间的函数关系。
回归分析
先做散点图,主观判断,选择Graphs—LegacyDialogs—Scatter/Dot—SimpleScatter,在做相关分析,看是否相关,在做回归分析,得出具体函数。
相关性分析:
线性回归:
方法选逐步。
Statistics:
分析结果解读:
图中可以很直观的看到进出口额与消费品零售总额和地区工业总产值的情况。
相关性分析结果:
消费品零售总额
地区工业总产值
进出口额
.404**
.764**
.313*
.027
*.相關性在0.05層上顯著(雙尾)。
由上表得出:
进出口额和消费品零售总额的相关系数为0.764,双尾检验的显著性概率值为0.000,双星号标记表明0.764的相关系数在0.01的水平上达到显著。
这说明进出口额与消费品零售总额相关性很强。
同理,进出口额与地区工业总产值也是相关性很强。
變數已輸入/已移除a
模型
變數已輸入
變數已移除
方法
.
逐步(準則:
F-to-enter的機率<
=.050,F-to-remove的機率>
=.100)。
a.應變數:
进出口额
上表给出了进入模型和被删除的变量的信息。
在本案例中,只有一个自变量。
因此,在已输入的变量中只有“消费品零售总额”,没有删除的变量,使用的方法是“输入”。
模型摘要
R
R平方
調整後R平方
標準偏斜度錯誤
.764a
.584
.576
2.119
a.預測值:
(常數),消费品零售总额
上表是回归模型的摘要表,该表列出了模型数量、模型的R(自变量和因变量之间的相关系数)、R方(拟合线性回归的判定系数)、调整后的R方和标准估算的错误值。
R方值越大,表示模型与数据的拟合优度越高。
可以看出,自变量“消费品零售总额”和因变量“进出口额”之间的相关系数R为0.764,判定系数R方为0.584,表示该线性模型可以解释因变量58.4%的变异量,调整后的R方为0.576,标准估算的错误值为2.119.
變異數分析a
迴歸
302.791
67.434
.000b
殘差
215.529
48
4.490
518.320
49
b.預測值:
上表是该案例的方差分析表,是回归方程显著性检验结果。
该表列出了回归平方和302.791,残差平方和215.529,其自由度分别为1和48,回归和残差的均方分别为302.791和4.490,变异量显著性检验的F值为67.434,显著性水平为0.000,表示回归模型整体解释变异量达到显著水平,也就是说所建立的回归方程有效,自变量和因变量呈线性关系。
係數a
非標準化係數
標準化係數
B
Beta
(常數)
4.011
.726
5.527
1.587
.193
.764
8.212
a.應變數\:
上表为案例分析的回归系数的T检验结果。
该表列出了非标准化回归系数、标准化回归系数、回归系数的显著性检验t值和限制性水平。
可以看出,该模型的非标准化回归系数B的估计值1.587,标准错误为0.193;
标准化回归系数为0.764,回归系数的显著性检验T统计量的值为8.212,对应的显著性水平P值为0.000,表明被解释变量和解释变量之间存在显著线性关系。
标准化回归系数贝塔取值范围为-1~1,它的绝对值越大,表示自变量对因变量的影响越大,其解释因变量的变异性也越大。
对回归方程的显著性检验和对回归系数的显著性检验都表明该案例的回归方程显著。
从表中可知,β0(常量)=4.011,β1=1.587,由一元线性回归方程y=β0+β1X可以得出本案例的回归方程为y=4.011+1.587x
即进出口额=4.011+1.587*消费品零售总额
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- spss 实验 过程
![提示](https://static.bdocx.com/images/bang_tan.gif)