spss实验三.docx
- 文档编号:28008714
- 上传时间:2023-07-07
- 格式:DOCX
- 页数:11
- 大小:30.40KB
spss实验三.docx
《spss实验三.docx》由会员分享,可在线阅读,更多相关《spss实验三.docx(11页珍藏版)》请在冰豆网上搜索。
spss实验三
“习题10.5xls”
在spss中打开【文件】→【打开】→【数据】,选择习题10.5xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将A、B、C三个企业的数据合并成一列命名为【使用寿命】,增加一列命名为【企业】,将V1改名为【实验号】。
在变量视图中将数据类型都改为【数值型】,度量标准都改为【度量】,用1、2、3值分别表示A、B、C三个企业。
点击菜单【分析】→【比较均值】→【单因素】,将【使用寿命】加入到【因变量列表】,【企业】加入到【因子】框中。
再点击【选项】,选取【描述性】、【均值图】,【继续】,【确定】,得到以下结果:
描述
使用寿命
N
均值
标准差
标准误
均值的95%置信区间
极小值
极大值
下限
上限
A
5
44.40
5.320
2.379
37.79
51.01
39
50
B
5
30.00
3.162
1.414
26.07
33.93
26
34
C
5
42.60
3.975
1.778
37.66
47.54
38
48
总数
15
39.00
7.709
1.990
34.73
43.27
26
50
ANOVA
使用寿命
平方和
df
均方
F
显著性
组间
615.600
2
307.800
17.068
.000
组内
216.400
12
18.033
总数
832.000
14
由以上数据分析得,观测变量电池使用寿命的离差平方总和为832.000,不同企业可解释的变差为615.600,抽样误差引起的变差为216.400,它们的变差分别为307.800和18.033,相除所得的F统计量的观测值为17.068,对应的概率P值近似为0,显著性水平α为0.05,由于概率P值小于显著性水平α,则应拒绝原假设,认为不同企业对电池的平均寿命有显著影响。
点击菜单【分析】→【比较均值】→【单因素】,将【使用寿命】加入到【因变量列表】,【企业】加入到【因子】框中。
再点击【两两比较】,选取【LSD】,【继续】,【确定】,得到以下结果:
多重比较
使用寿命
LSD
(I)企业
(J)企业
均值差(I-J)
标准误
显著性
95%置信区间
下限
上限
A
B
14.400*
2.686
.000
8.55
20.25
C
1.800
2.686
.515
-4.05
7.65
B
A
-14.400*
2.686
.000
-20.25
-8.55
C
-12.600*
2.686
.001
-18.45
-6.75
C
A
-1.800
2.686
.515
-7.65
4.05
B
12.600*
2.686
.001
6.75
18.45
*.均值差的显著性水平为0.05。
由以上数据看出,A企业和B企业、B企业和C企业有显著性差异(因为P值分别为0和0.001),A企业和C企业没有显著差异(P值为0.515)。
“习题10.6xls”:
在spss中打开【文件】→【打开】→【数据】,选择习题10.6xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将A、B、C三种培训方式的数据合并成一列命名为【产品组装时间】,增加一列命名为【培训方式】。
在变量视图中将数据类型都改为【数值型】,度量标准都改为【度量】,用1、2、3值分别表示A、B、C三种培训方法。
点击菜单【分析】→【比较均值】→【单因素】,将【产品组装时间】加入到【因变量列表】,【培训方式】加入到【因子】框中,【确定】得到以下结果:
ANOVA
产品组装时间
平方和
df
均方
F
显著性
组间
4.911
2
2.456
10.133
.001
组内
5.089
21
.242
总数
10.000
23
由以上数据分析得,观测变量产品组装时间的离差平方总和为10.000,不同培训方式的变差为4.911,抽样误差引起的变差为5.089,它们的变差分别为2.456和0.242,相除所得的F统计量的观测值为10.133,对应的概率P值近似为0.001,显著性水平α为0.05,由于概率P值小于显著性水平α,则应拒绝原假设,认为不同培训方式对产品的组装时间有显著影响。
习题10.8xls
在spss中打开【文件】→【打开】→【数据】,选择习题10.8xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将三列磨损程度的数据合并成一列命名为【磨损程度】,增加一列命名为【车速】,将V1改名为【供应商】。
在变量视图中将数据类型都改为【数值型】,度量标准都改为【度量】,用1、2、3值分别表示低速、中速、高速。
(1)点击菜单【分析】→【比较均值】→【单因素】,将【磨损程度】加入到【因变量列表】,【车速】加入到【因子】框中,【确定】得到以下结果:
ANOVA
磨损程度
平方和
df
均方
F
显著性
组间
3.484
2
1.742
12.355
.001
组内
1.692
12
.141
总数
5.176
14
由以上数据分析得,观测变量磨损程度的离差平方总和为5.176,不同车速的变差为3.484,抽样误差引起的变差为1.692,它们的变差分别为1.742和0.141,相除所得的F统计量的观测值为12.355,对应的概率P值近似为0.001,显著性水平α为0.01,由于概率P值小于显著性水平α,则应拒绝原假设,认为不同车速对磨损程度有显著影响。
(2)点击菜单【分析】→【比较均值】→【单因素】,将【磨损程度】加入到【因变量列表】,【供应商】加入到【因子】框中,【确定】得到以下结果:
ANOVA
磨损程度
平方和
df
均方
F
显著性
组间
1.549
4
.387
1.068
.422
组内
3.627
10
.363
总数
5.176
14
由以上数据分析得,观测变量磨损程度的离差平方总和为5.176,不同车速的变差为1.549,抽样误差引起的变差为3.627,它们的变差分别为0.387和0.363,相除所得的F统计量的观测值为1.068,对应的概率P值近似为0.422,显著性水平α为0.01,由于概率P值大于显著性水平α,则不能拒绝原假设,不能认为不同生产商对磨损程度有影响。
“习题10.9xls”:
在spss中打开【文件】→【打开】→【数据】,选择习题10.8xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将四列收获量的数据合并成一列命名为【收获量】,增加一列命名为【施肥方案】,将V1改名为【品种】。
在变量视图中将数据类型都改为【数值型】,【品种】【施肥方案】度量标准都改为【名义】,【收获量】为【度量】。
1、点击菜单【分析】→【比较均值】→【单因素】,将【收获量】加入到【因变量列表】,【品种】加入到【因子】框中,【确定】得到以下结果:
ANOVA
收获量
平方和
df
均方
F
显著性
组间
17.078
4
4.270
2.530
.084
组内
25.310
15
1.687
总数
42.388
19
由以上数据分析得,观测变量收获量的离差平方总和为42.388,不同品种种子可解释的变差为17.078,抽样误差引起的变差为25.310,它们的变差分别为4.270和1.687,相除所得的F统计量的观测值为2.530,对应的概率P值近似为0.084,显著性水平α为0.05,由于概率P值大于显著性水平α,则不能拒绝原假设,不能认为不同品种对收获量有显著影响。
2、点击菜单【分析】→【比较均值】→【单因素】,将【收获量】加入到【因变量列表】,【施肥方案】加入到【因子】框中,【确定】得到以下结果:
ANOVA
收获量
平方和
df
均方
F
显著性
组间
18.472
3
6.157
4.119
.024
组内
23.916
16
1.495
总数
42.388
19
由以上数据分析得,观测变量收获量的离差平方总和为42.388,不同施肥方案可解释的变差为18.472,抽样误差引起的变差为23.916,它们的变差分别为6.157和1.495,相除所得的F统计量的观测值为4.119,对应的概率P值近似为0.024,显著性水平α为0.05,由于概率P值小于显著性水平α,则拒绝原假设,认为不同施肥方案对收获量有显著影响。
“习题10.11.xls”:
在spss中打开【文件】→【打开】→【数据】,选择习题10.11xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将四列月销售额的数据合并成一列命名为【销售额】,增加一列命名为【竞争者数量】,将V1改名为【超市】。
在变量视图中将数据类型都改为【数值型】,【超市位置】度量标准改为【名义】,【销售额】、【竞争者数量】度量标准为【度量】。
(1)点击菜单【分析】→【比较均值】→【单因素】,将【销售额】加入到【因变量列表】,【竞争者数量】加入到【因子】框中,【确定】得到以下结果:
ANOVA
销售额
平方和
df
均方
F
显著性
组间
1078.333
3
359.444
4.040
.015
组内
2846.889
32
88.965
总数
3925.222
35
由以上数据分析得,观测变量销售额的离差平方总和为3925.222,不同竞争者数量可解释的变差为1078.333,抽样误差引起的变差为2846.889,它们的变差分别为359.444和88.965,相除所得的F统计量的观测值为4.040,对应的概率P值近似为0.015,显著性水平α为0.05,由于概率P值小于显著性水平α,则拒绝原假设,认为竞争者数量对销售额有显著影响。
(2)点击菜单【分析】→【比较均值】→【单因素】,将【销售额】加入到【因变量列表】,【超市位置】加入到【因子】框中,【确定】得到以下结果:
ANOVA
销售额
平方和
df
均方
F
显著性
组间
1736.222
2
868.111
13.087
.000
组内
2189.000
33
66.333
总数
3925.222
35
由以上数据分析得,观测变量销售额的离差平方总和为3925.222,超市位置可解释的变差为1736.222,抽样误差引起的变差为2189.000,它们的变差分别为868.111和66.333,相除所得的F统计量的观测值为13.087,对应的概率P值近似为0,显著性水平α为0.05,由于概率P值小于显著性水平α,则拒绝原假设,认为超市位置对销售额有显著影响。
(3)点击菜单【分析】→【一般线性模型】→【单变量】,将【销售额】加入因变量中,【超市位置】、【竞争者数量】加入到【固定因子】框中,确定得到以下结果:
主体间效应的检验
因变量:
销售额
源
III型平方和
df
均方
F
Sig.
校正模型
3317.889a
11
301.626
11.919
.000
截距
44802.778
1
44802.778
1770.472
.000
超市位置
1736.222
2
868.111
34.305
.000
竞争者数量
1078.333
3
359.444
14.204
.000
超市位置*竞争者数量
503.333
6
83.889
3.315
.016
误差
607.333
24
25.306
总计
48728.000
36
校正的总计
3925.222
35
a.R方=.845(调整R方=.774)
因为显著性水平为0.01,由以上表格得到超市位置、竞争者数量的P值小于显著性水平,所以拒绝原假设,即单因素方差分析中的超市位置和竞争者数量分别对总体销售额有影响。
同时,由于超市位置*竞争者数量的概率P值为0.016大于显著性水平,因此不应拒绝原假设,可以认为不同超市位置和竞争者数量没有对销售额产生显著的交互作用,不同超市位置有多少的竞争者对销售额都不产生显著的影响。
习题10.12.xls
在spss中打开【文件】→【打开】→【数据】,选择习题10.12xls打开,【从第一行数据选取变量】不选取,确定打开得到数据。
整理数据:
删除数据第一、二行,将两列产品销售量的数据合并成一列命名为【产品销量】,增加一列命名为【广告媒体】,将V1改名为【广告方案】。
在变量视图中将数据类型都改为【数值型】,用1、2表示广告媒体报纸和电视,用1、2、3分别表示广告方案A、B、C,【广告媒体】、【广告方案】度量标准改为【名义】,【产品销量】度量标准为【度量】。
点击菜单【分析】→【一般线性模型】→【单变量】,将【产品销量】加入因变量中,【广告方案】、【广告媒体】加入到【固定因子】框中,确定得到以下结果:
主体间效应的检验
因变量:
产品销量
源
III型平方和
df
均方
F
Sig.
校正模型
448.000a
5
89.600
5.600
.029
截距
3072.000
1
3072.000
192.000
.000
广告方案
344.000
2
172.000
10.750
.010
广告媒体
48.000
1
48.000
3.000
.134
广告方案*广告媒体
56.000
2
28.000
1.750
.252
误差
96.000
6
16.000
总计
3616.000
12
校正的总计
544.000
11
a.R方=.824(调整R方=.676)
因为显著性水平为0.05,由以上表格得到广告方案的P值小于显著性水平,所以拒绝原假设,即单因素方差分析中广告方案对产品销售有显著影响,但广告媒体的P值为0.134大于显著性水平,所以不能拒绝原假设,即广告媒体对产品销量没有显著影响。
同时,由于广告方案*广告媒体的概率P值为0.252大于显著性水平,因此不应拒绝原假设,可以认为不同广告方案和广告媒体没有对产品销售额产生显著的交互作用,不同广告方案下采用不同广告媒体对销售额都将不产生显著的影响。
- 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