SPSS实验报告.docx
- 文档编号:23968736
- 上传时间:2023-05-23
- 格式:DOCX
- 页数:44
- 大小:1.11MB
SPSS实验报告.docx
《SPSS实验报告.docx》由会员分享,可在线阅读,更多相关《SPSS实验报告.docx(44页珍藏版)》请在冰豆网上搜索。
SPSS实验报告
《SPSS统计软件应用》
实验报告册
2012-2013学年第1学期
班级:
学号:
姓名:
授课教师:
实验教师:
实验学时:
实验组号:
1.实验一SPSS的数据管理
2.实验二描述性统计分析
3.实验三均值检验
4.实验四相关分析
5.实验五因子分析
6.实验六聚类分析
7.实验七回归分析
8.实验八判别分析
实验一SPSS的数据管理
一、实验目的
1.熟悉SPSS的菜单和窗口界面,熟悉SPSS各种参数的设置;
2.掌握SPSS的数据管理功能。
二、实验内容及步骤:
1、实验内容:
定义spss数据结构。
下表是某大学的一个问卷调查,要求将问卷调查结果表示成spss可识别的数据文件,利用spss软件进行分析和处理。
练习:
创建数据文件的结构,即数据文件的变量和定义变量的属性。
表1大学教师基本情况调查表
问题
备选答案
1姓名
2性别
3年龄
4学历
5工作年月
6职称
7本年度教学工作量(课时)
4
(1)专科
(2)本科(3)硕士(4)博士(5)博士后
6
(1)助教
(2)讲师(3)副教授(4)教授
7
(1)0~120
(2)120~240(3)240~320(4)320~480(5)480以上
8本年度公开发表论文数
9本年度您的科研经费总额(万元)
10.您认为学校对科研人员每年的科研成果要求是否合理
(1)合理
(2)不合理(3)无所谓
11您最常用的全文期刊数据库的名称(多选,限选2个)
(1)cnki
(2)万方(3)SpringerLink(4)EBSCO
12您对学校科研管理部门的工作是否满意
(1)非常满意
(2)满意(3)一般(4)不满意
实验步骤:
1.打开spss13.0forwindows,选择typeindate.
2先选择左下角的VaribleView,将数据的属性输入,如“姓名”的类型为“字符串”,性别的类型为“数值型”。
在“学历”的值中,点击values,输入value:
1.0,valuelabol:
专科,点击add,进行添加。
按照此方法逐一添加。
实验结果:
2、实验内容:
高校提前录取名单的确定
某高校今年对部分考生采取单独出题、提前录取的招生模式。
现有20名来自国内不同省市的考生报考该校,7个录取名额。
见数据文件compute.sav.该校制定了如下录取原则:
(1)文化课成绩由数学、语文、英语和综合四门成绩组成。
文化课成绩制定最低录取分数线:
400分。
(2)个人档案中若有“不良记录”,不予录取。
(3)对西部考生和少数民族考生,给予加分优惠。
少数民族考生加20分,西部考生加10分。
(4)对参加过省以上竞赛并取得三等奖以上名次的考生,每项加10分。
(5)文化课成绩和加分总和构成综合分,录取综合排名为前7名的学生。
练习:
利用spss软件,综合利用所学,给出成绩排名的操作步骤。
实验步骤:
1.选择Date中的selectcases,点击右边的IFconditionissatisfied,然后点击IF键。
2.选中左栏框中的“whk>=400”,之后选择“continue”
3.点击OK键。
4.继续步骤一的操作,选中左栏中的“不良记录=0”点击“continue”键,点击“deleted”键,选择OK键。
5.选择Date中的sortcases,点击左栏框中的jf1.jf2.jf3,选中descending,选择OK键
6.选择Date中的sortcases,点击左栏框中的zf,选中descending,选择OK键.
实验结果:
三、实验小结:
实验中遇到的问题及解决办法、心得体会等等...
今天是课设第一天,主要是对spss软件进行熟悉。
操作内容为录入数据和对数据进行排序等。
在录入数据时,因要根据实验题目进行设置,如第一题是对大学教师情况的调查,涉及的变量有很多,输入过程中不能对已存在变量重复输入。
对变量属性的定义,要根据数据的性质来选择。
在第二题的时候,尝试了各种分析的办法,根据指导书的介绍,选择“Data→SortCases”命令,弹出“SortCases”对话框,把“成绩”变量选入“Sortby”中,并在SortOrder中选择“Ascending(降序)”选项,将学生成绩按升序排列。
后三问基本上都是根据“Ifconditionissatisfied:
表示按指定条件选择,点击If...钮,弹出SelectCases:
If对话框,先选择变量,然后定义条件”这种方式加总做出来的,由于对变量不了解,写定义的时候总是出错,把需要留下的删除了,总是在不停地导入。
多次尝试以后,才可以顺利的写出来。
最主要的是根据变量写关系。
实验二描述性统计分析
一、实验目的
利用SPSS进行描述性统计分析。
要求掌握频数分析(Frequencies过程)、描述性分析(Descriptives过程)、交叉列联表分析(Crosstabs过程)。
二、实验内容及步骤
1、实验内容:
打开数据文件descriptives.sav,是从某校选取的3个班级共16名学生的体检列表,要求以班级为单位列表计算年龄,体重和身高的统计量,包括极差,最小最大值,均值,标准差和方差。
给出操作步骤和分析结果。
实验步骤:
1)输入分析数据
在数据编辑器窗口打开“descriptives.sav”数据文件。
2)调用分析过程
在主菜单栏单击“Analyze”,在出现的下拉菜单里移动鼠标至“DescriptiveStatistics”项上,在出现的次菜单里单击“Descriptives”项
3)设置分析变量
从左则的源变量框里选择一个和多个变量进入“Variable(s):
”框里。
在这里我们选“年龄”,“体重”和“身高”变量进入“Variable(s):
”框。
4)设置输出的统计量
单击“options”按钮,打开图1所示的对话框,该对话框用于选择统计量:
图1
选择变异程度的统计量“Dispersion”:
(离散趋势)
Std.deviation标准差
Minimum最小值
Variance方差
Maximum最大值
Range 极差
S.E.mean均值标准误
选择表示数据中心位置的统计量“CentralTendency”:
(集中趋势)
Mean均值
Median中位数
Mode众数
Sum算术和
5)提交执行得如图2结
实验结果:
图2
实验分析:
上表表明:
从年龄角度来说,三班的平均年龄最大,其次是二班,最小的是一班(17.33>16.40>14.20)。
一班总体年龄差距最大,其次是三班,年龄差距最小的是二班.三班年龄具有最大值18,一班年龄具有最小值13。
从体重角度来说,三班的体重平均最大,其次是二班,年龄最小的是一班(62.83>58>44.6)。
一班总体体重差距最小,其次是二班,体重差距最大的是三班.三班体重具有最大值70,一班体重具有最小值38
从身高角度来说,三班的身高平均最大,其次是二班,身高最小的是一班(169>167>154)。
一班总体身高差距最小,其次是二班,身高差距最大的是三班.三班体重具有最大值180,一班体重具有最小值149.
综上所述:
年龄,体重和身高两两具有显著关系。
年龄的大小同时会影响体重和身高的变化,一般情况下,年龄越大,体重越重,身高越高。
同理,年龄越小,体重越轻,身高越低。
2、实验内容:
某医生用国产呋喃硝胺治疗十二指肠溃疡,以甲氰咪胍作对照组,问两种方法治疗效果有无差别
处理
愈合
未愈合
合计
呋喃硝胺
54
8
62
甲氰咪胍
44
20
64
合计
98
28
126
(提示:
由于此处给出的直接是频数表,因此在建立数据集时可以直接输入三个变量――行变量、列变量和指示每个格子中频数的变量,然后用WeightCases对话框指定频数变量,最后调用Crosstabs过程进行X2检验。
假设三个变量分别名为R、C和W,则数据集结构和命令如下):
R
C
W
1.00
1.00
54.00
1.00
2.00
44.00
2.00
1.00
8.00
2.00
2.00
20.00
实验步骤:
实验结果:
实验分析:
1.从交叉表(Crosstab)对角线中看出,只有“两种方法治疗效果”对角线上出现的频数小于期望值(8<13.8,44<49.8)。
2.从卡方检验表得知,也只有“两种方法治疗效果”不能通过线性间的联合检验(Linear-by-LinearAssociation),因为双尾检验p>0.014。
3.因此,两种方法治疗效果没有显著关系,即两种治疗方法效果没有差别。
三、实验小结:
实验中遇到的问题及解决办法、心得体会等等...
本次试验中我主要学习了频数分布分析,Descriptive过程分析,交叉列联表分析(Crosstabs过程)。
频数分布分析主要通过频数分布表、条形图和直方图,以及集中趋势和离散趋势的各种统计量来描述数据的分布特征。
Descriptive过程可对变量进行描述性统计分析,计算并列出一系列相应的统计指标,其功能和频数分析过程类似,主要以计算数值型单变量的统计量为主,但没有图形功能。
该过程还有个特殊功能就是可将原始数据转换成标准正态评分值并以变量的形式存入数据文件中,供以后分析。
列联表是指两个或多个分类变量各水平的频数分布表,又称频数交叉表。
SPSS的Crosstabs过程,为二维或高维列联表分析提供了22种检验和相关性度量方法。
其中卡方检验是分析列联表资料常用的假设检验方法。
这些方法的使用可以使我们通过表面接触到事件之间具体的联系。
在本次实验中,基本上没有碰到什么问题。
通过这次描述性综合实验,我发现统计的分析方法有效而明显地反映出了各种数据所拥有的特性和其分布的状况,图形则能形象地表现出数据的集中与均匀。
让我体会到了学统计学的重要性。
实验三均值检验
一、实验目的
学习利用SPSS进行单样本、两独立样本以及成对样本的均值检验。
二、实验内容及步骤:
1、实验内容:
一个生产高性能汽车的公司生产直径为322mm的圆盘制动闸。
公司的质量控制部门随机抽取不同机器生产的制动闸进行检验。
共4台机器,每台机器抽取16支产品。
见数据文件ttest1.sav,要求检验每个机器生产的产品均值和322在90%的置信水平下是否有显著差异。
实验步骤:
打开数据文件ttest1.sav,1选择菜单“分析→比较均值→单样本T检验”。
弹出“单样本T检验”对话框.在对话框左侧的变量列表中选择变量“制动闸直径”进入“检验变量”框;在“检验值”编辑框中输入过去的平均制动闸直径值322,单击“选项”按钮,选择90%的置信水平。
单击“确定”按钮。
实验结果:
实验分析:
H0:
μ=322
H1:
μ≠322
∵P=0.295>0.1
∴不拒绝H0
∴每个机器生产的产品均值和322在90%的置信水平下无显著差异。
2、实验内容:
在体育课上记录14名学生乒乓球得分的数据,男女各7名。
数据如下:
男:
82.0080.0085.0085.0078.0087.0082.00
女:
75.0076.0080.0077.0080.0077.0073.00
比较在置信度为95%的情况下男女生得分是否有显著差别。
实验步骤:
选择菜单“Analyze→CompareMeans→Independent-samplesTTest”项,弹出“Independent-samplesTTest”对话框。
从对话框左侧的变量列表中选“得分”,进入“TestVariable(s)”框,选择变量“性别”,进入“GroupingVariable”框,点击“DefineGroups”钮弹出“DefineGroups”定义框,在Group1中输入1,在Group2中输入2。
单击“OK”按钮,得到输出结果
实验结果:
实验分析:
总体方差是否相等进行检验
H0:
σ1=σ2
H1:
σ1≠σ2
∵P=0.002<0.05
∴拒绝H0
∴方差不相等
H0:
μ1-μ2=0
H1:
μ1-μ2≠0
∵P=0.003<0.05
∴拒绝H0
∴在置信度为95%的情况下男女生得分有显著差别。
3、实验内容:
某医疗结构针对具有家族心脏病史的病人研发了一种新药。
为了检验这种新药的疗效是否显著,对16位病人进行为期半年的观察测试,测试指标为使用该药之前和之后的体重以及甘油三酯的水平的变化。
见数据文件ptest.sav.
实验步骤:
选择菜单“Analyze→CompareMeans→Paired-samplesTTest”项,弹出“Paired-samplesTTest”对话框。
从对话框左侧的变量列表中选择变量“服药前甘油三脂水平、服药后甘油三脂水平”、“服药前体重、服药后体重”进入Variables框。
单击“OK”按钮
实验结果:
实验分析:
甘油三酯水平
H0:
μ1-μ2=0
H1:
μ1-μ2≠0
∵P=0.249>0.05
∴不拒绝H0
∴在置信度为95%的情况下服药前后甘油三酯水平无显著差别。
体重水平
H0:
μ1-μ2=0
H1:
μ1-μ2≠0
∵P=0.00<0.05
∴拒绝H0
∴在置信度为95%的情况下服药前后体重水平有显著差别。
三、实验小结:
实验中遇到的问题及解决办法、心得体会等等...
均值分析是相对来说比较简单的分析,根据题目要求,选择不同的均值检验方法。
如果已知总体均数,进行样本均数与总体均数之间的差异显著性检验属于单一样本的T检验。
对于相互独立的两个来自正态总体的样本,利用独立样本的T检验来检验这两个样本的均值和方差是否来源于同一总体。
对一组数据,实验前测定一次,实验后测定一次,然后每个重复的实验前和试验后的值就配成一对,多个重复用来检测实验前后的差异显著性则为成对样本T检验。
通过置信区间的假设,检验方差是否等于检验,与我们所学习的统计学有较大的相似性,这次实习检验了我们学习课本理论知识的有效性,对于我们学习的分析建模有很大帮助,对今后的毕业论文的写作也会有很大的帮助。
实验四相关分析
一、实验目的
学习利用SPSS进行相关分析、偏相关分析、距离分析。
二、实验内容及实验步骤
实验内容:
对汽车价格和汽车的燃油效率之间是否存在线性关系进行相关分析。
实验步骤:
1打开数据文件correlate1.sav。
2.选择菜单“Analyze→Correlate→Bivariate”,弹出“BivariateCorrelation”对话框。
在对话框左侧的变量列表中选Priceinthousands,Fuelefficiency,使之进入“Variables”框;再在“CorrelationCoefficients”框中选择Pearson相关系数(r);在“TestofSignificance”框中选相关系数的“Two-tailed”(双侧)检验。
选中复选框“Flagsignificantcorrelations”设置是否突出显示显著相关。
3.单击“Options”按钮,弹出“BivariateCorrelation:
Options”对话框,选择“Meansandstandarddeviations”和“Cross-productdeviationsandcovariances”项,输出X、Y的均数与标准差以及XY交叉乘积的标准差与协方差。
4.单击“OK”按钮,得到输出结果。
实验结果:
实验分析:
汽车价格和汽车的燃油效率之间的皮尔逊相关系数为-0.492,表明汽车价格和汽车的燃油效率为负的中度线性相关关系,且相关关系之间的概率为0.000<0.001,即负的线性关系显著。
2、实验内容:
打开数据文件pcorrelation.sav,对身高、体重和肺活量进行变量距离分析。
选相似性测度。
进行结果解释。
实验步骤:
选择菜单“Analyze→Correlate→Partial”,弹出“PartialCorrelations”对话框。
在对话框左侧的变量列表中选变量“身高”、“肺活量”进入Variables框,选择要控制的变量“体重”进入“Controllingfor”框中,以在控制体重的影响下对变量身高与肺活量进行偏相关分析;在“TestofSignificance”框中选双侧检验。
单击“Options”按钮,弹出“PartialCorrelations:
Options”对话框。
在“Statistics”复选框组中选择要输出的统计量。
单击“OK”按钮
实验结果:
实验分析:
30名13岁男童身高的平均值为152.1233,样本标准方差为8.58249;肺活量的平均值为2201.6667,样本标准方差,441.68239;体重的平均值为37.4267,标准方差为5.77861。
三个量都没有被控制时,身高和肺活量之间的皮尔逊相关系数为0.581,表明身高和肺活量为低度相关;身高和体重之间的皮尔逊相关系数为0.735,表明身高和体重为中度相关关系;肺活量和体重之间的皮尔逊系数为0.611,表明肺活量和体重为中度相关关系。
在体重为控制变量的情况下,身高和肺活量间的偏相关为0.246,呈极弱的正相关。
说明身高对肺活量的影响很弱。
所以体重对身高,肺活量起来决定性作用。
当控制了体重后,身高对肺活量之间不显著。
3、实验内容:
打开数据文件distance.sav,文件是利用三种不同的仪器对飞机的10只叶片的半径分别进行了测量。
要求对10只叶片进行距离分析。
用Euclideandistance。
进行结果解释。
实验步骤:
实验结果:
实验分析:
第一个表格表明10个个案全部有效。
第二个表格列出了三次测量之间的不相似分析结果。
第一次测量和第二次测量的相似距离为0.75,第一次测量和第三次测量的相似距离为0.774,第二次测量和第三次测量的相似距离为1.209,所以,第一次测量和第二次测量结果最近。
三、实验小结:
实验中遇到的问题及解决办法、心得体会等等...
相关分析主要是利用函数,输出所求变量的均数与标准差以及他们的交叉乘积的标准差与协方差,再对结果进行分析,偏相关分析与我们所学习的统计学有较大的相似性,相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。
相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
单尾检验和双尾检验的区别在于他们拒绝H0的标准。
单尾检验允许你在差异相对较小时拒绝H0,这个差异被规定了方向。
另一方面,双尾检验需要相对较大的差异,这个差异不依赖于方向。
Pearson相关系数用来衡量两个数据集合是否在一条线上面,它用来衡量定距变量间的线性关系。
如衡量国民收入和居民储蓄存款、身高和体重、高中成绩和高考成绩等变量间的线性相关关系。
实验五:
因子分析
一、实验目的:
运用因子分析方法分析数据
二、实验内容:
为了分析某大型工厂的污染情况,现在从该厂附近的8个观察点进行空气质量的检测,每天4次,检验6种气体,每个取样点对每种气体实测16次,计算每个取样点的气体浓度,形成文件4。
要求:
采取因子分析法,抽取主成分,并说明降维的合理性。
抽取阀值大于0.6,要有成分矩阵、碎石图。
并将主成分下到原表中。
实验步骤:
选择analyze——datareduction——factor因素分析
实验结果:
表5-1
表5-2
表5-3表5-4
表5-5
图5-1
图5-2
表5-5
实验分析:
从表5-1可以看到,大部分相关系数为正,各变量存在一定的线性关系,能够从中提取公共因子,适合进行因子分析。
由表5-2可知,巴特利特球度检验的观测值为13.713,相应的概率p接近于0,如果显著性水平α值为0.05,由于概率p小于显著性水平α,应拒绝零假设,认为相关系数矩阵与单位阵有显著性差异。
同时KMO值为0.345,根据Kaiser给出KMO度量标准可知原有变量适合进行因子分析。
指定取两个特征根时的因子分析初始解,由第二列可知,此时所有变量的共同度较高,各变量的信息丢失都较少,本次因子提取的总体效果较理想。
在表5-3中,第一列是因子编号,以后三列组成一组,每组中数据项的含义依次是特征根、方差贡献率和累计方差贡献率。
表5-4显示了因子载荷矩阵,是因子分析的核心内容,根据表可以写出本案例因子分析模型:
氯=-0.975f1+0.16f2
硫化氢=0.592f1+0.654f2
二氧化碳=0.424f1-0.287f2
碳4=-0.584f1+0.631f2
环氧氯丙烷=0.674f1+0.299f2
环己烷=-0.092f1+0.891f2
6个变量在第5个因子上的载荷量变化跨度比较大,在第2个因子载荷量变化跨度一般,因此与第2个因子相关性比较密切,对解释变量作用显著。
(1)、第一组数据项(第二至第四列)描述了初始因子解的情况。
可以看到,第1个因子的特征根值为2.285,解释原有6个变量的总方差的38.084%÷(2.285÷6×100),累计方差贡献率为38.084%;第2个因子的特征根为1.793,解释原有6个变量的总方差的29.881%÷(1.793÷6×100),累计方差贡献率为67.965%÷((2.985+1.793)÷6×100)。
其余数据含义类似。
在初始解中提取了6个因子,因此原有变量的总方差均被解释掉,上表中因子分析初始解也说明了这一点。
(2)、第二组数(第五至第七列)据描述了因子解的情况。
可以看到,由于指定两个因子,两个因子共解释了原有变量变量总方差的67.965%。
从因子碎石图分析知,横坐标表示因子数目,纵坐标表示特征根。
从图中可以看出,第一个因子特征值最高,对解释原有变量的贡献最大;第3个以后的特征根值都很小,对解释原有变量的贡献很小,成为可被忽略的“高山脚下的碎石”,因此提取2个因子是合适的。
由图5-2可以直观看出,gas3,gas1比较靠近两个因子坐标轴,表明如果分别用第1个因子刻画gas3,用第2个因子刻画gas1,信息丢失较少,效果较好。
但如果用一个因子分别刻画其他变量,则效果不是很理想
三、实验小结:
实验中遇到的问题及解决办法、心得体会等等...
因子分析实验目的是运用因子分析方法分析数据。
巴特利特球度检验和KMO检验和Bartlett的检验是为了检验是否适合做因子分析,一般来说KMO的值越接近于1越好,大于0.5的话适合做因子分析,Bartlett的检验主要看Sig.越小越好,数据适合做因子分析。
因子解释原有变量总方差的情况是提取了两个个公因子来替代原来的6个原始变量,这两个因子的方差贡献率是67.965%,也就是说这两个公因子能够解释原来6个原始变量所包含信息的67.965%。
旋转因子载荷表,是为
- 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 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)