spss实验报告.docx
- 文档编号:30221240
- 上传时间:2023-08-07
- 格式:DOCX
- 页数:24
- 大小:42.02KB
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(24页珍藏版)》请在冰豆网上搜索。
spss实验报告
第六章
1、分析:
方差分析是用来推断各总体分布是否存在显著性差异即各总体均值是否存在显著性差异进行推断,检验方差差异是方差齐性检验。
2、分析:
不同方案的效果均值有显著性差异,那么意味着两两方案间的均值存在显著性差异。
3、分析:
方差分析的假定前提条件:
(1)观测变量各总体应服从正态分布;
(2)观测变量总体的方差应相等,即方差具有齐性。
主效应:
控制变量A、B独立作用的离差平方和即SSA+SSB。
交互效应:
控制变量A和B交互作用引起的离差平方和即SSAB。
4、分析:
协方差分析的基本思想:
沿承方差分析的思想,并在分析观测变量离差时,考虑协变量的影响,认为观测变量受四个方面的影响,即控制变量的独立作用、控制变量的交互作用、协变量的作用和随机因素的作用,并在剔除协变量的作用后再分析控制变量对观测变量的影响。
5、分析:
由于考虑的是一个控制变量(小麦品种)对一个观测变量(产量)的影响,而且是四的品种,不适宜用独立样本T检验,应采用单因素方差分析。
步骤:
(1)提出零假设
单因素方差分析的零假设为H0是:
各品种小麦对小麦产量均值无显著性影响。
(2)首先对小麦产量进行方差齐性检验,结果如下表
TestofHomogeneityofVariances
产量
LeveneStatistic
df1
df2
Sig.
3.593
3
12
.046
H0假设是:
方差相等。
根据上表中的数据sig=0.046<0.05所以拒绝原假设,即我们认为方差不相等。
ANOVA
产量
SumofSquares
df
MeanSquare
F
Sig.
BetweenGroups
2263.482
3
754.494
12.158
.001
WithinGroups
744.715
12
62.060
Total
3008.197
15
上表是几种试验田方差分析的结果,由于组间比较的相伴概率sig=0.001<0.05,所以拒绝原假设(四种试验田无显著效果),说明四种试验田对产量有显著性差异。
MultipleComparisons
产量
Tamhane
(I)品种
(J)品种
MeanDifference(I-J)
Std.Error
Sig.
95%ConfidenceInterval
LowerBound
UpperBound
A1
A2
31.70000*
3.29286
.002
17.2077
46.1923
A3
24.67500*
2.27555
.000
15.9119
33.4381
A4
14.87500
7.13418
.536
-25.3315
55.0815
A2
A1
-31.70000*
3.29286
.002
-46.1923
-17.2077
A3
-7.02500
3.34113
.440
-21.4169
7.3669
A4
-16.82500
7.54198
.430
-53.1183
19.4683
A3
A1
-24.67500*
2.27555
.000
-33.4381
-15.9119
A2
7.02500
3.34113
.440
-7.3669
21.4169
A4
-9.80000
7.15658
.830
-49.7009
30.1009
A4
A1
-14.87500
7.13418
.536
-55.0815
25.3315
A2
16.82500
7.54198
.430
-19.4683
53.1183
A3
9.80000
7.15658
.830
-30.1009
49.7009
*.Themeandifferenceissignificantatthe0.05level.
(3)由于上述中方差齐性检验的结果是各组内的方差不相等,所以在接下来采用Tamhane方法分析,然上表就是方差分析在95%的置信水平在的多重比较结果,分别对四种试验方法的两两比较。
带“*”表示结果有显著性差异,可以看出2和3两种试验方法没有显著性差异,试验方法四与其它的几种试验方法都没有显著性差异。
然而从产量均值的差异MeanDifference(I-J)可以看出方法1的试验效果最好,最次的是试验方法2。
MultipleComparisons
产量
Tamhane
(I)品种
(J)品种
MeanDifference(I-J)
Std.Error
Sig.
99%ConfidenceInterval
LowerBound
UpperBound
A1
A2
31.70000*
3.29286
.002
10.0490
53.3510
A3
24.67500*
2.27555
.000
12.3717
36.9783
A4
14.87500
7.13418
.536
-52.6456
82.3956
A2
A1
-31.70000*
3.29286
.002
-53.3510
-10.0490
A3
-7.02500
3.34113
.440
-28.3101
14.2601
A4
-16.82500
7.54198
.430
-73.3780
39.7280
A3
A1
-24.67500*
2.27555
.000
-36.9783
-12.3717
A2
7.02500
3.34113
.440
-14.2601
28.3101
A4
-9.80000
7.15658
.830
-76.4666
56.8666
A4
A1
-14.87500
7.13418
.536
-82.3956
52.6456
A2
16.82500
7.54198
.430
-39.7280
73.3780
A3
9.80000
7.15658
.830
-56.8666
76.4666
*.Themeandifferenceissignificantatthe0.01level.
上表是在置信水平为99%时的多重比较结果,与在95%置信水平下的分析结果无显著差异,因此与上述的分析结果一样。
6、分析
(1)提出零假设
单因素方差分析的零假设为H0是:
不同类型轮胎的寿命间不存在显著性差异。
(2)首先对行驶的里程量进行方差齐性检验,结果如下表
TestofHomogeneityofVariances
里程
LeveneStatistic
df1
df2
Sig.
3.088
3
20
.050
H0假设是:
方差相等。
根据上表中的数据sig=0.050=0.05所以接受原假设,即我们认为方差相等。
下表是几种轮胎方差分析的结果,由于组间比较的相伴概率sig=0.099>0.05,所以接受原假设(里程无显著效果),说明里程没有显著性差异。
ANOVA
里程
SumofSquares
df
MeanSquare
F
Sig.
BetweenGroups
77.500
3
25.833
2.388
.099
WithinGroups
216.333
20
10.817
Total
293.833
23
(3)由于上述中方差齐性检验的结果是各组内的方差相等,所以在接下来采用LSD方法分析,然下表就是方差分析在95%的置信水平在的多重比较结果,分别对四种轮胎的两两比较。
带“*”表示结果有显著性差异,可以看出A和B两种轮胎没有显著性差异,轮胎C与其它的几种轮胎都没有显著性差异。
然而从产量均值的差异MeanDifference(I-J)可以看出B轮胎的寿命最长,最短的是轮胎D。
MultipleComparisons
里程
LSD
(I)轮胎
(J)轮胎
MeanDifference(I-J)
Std.Error
Sig.
95%ConfidenceInterval
LowerBound
UpperBound
A
B
-.500
1.899
.795
-4.46
3.46
C
2.167
1.899
.267
-1.79
6.13
D
4.000*
1.899
.048
.04
7.96
B
A
.500
1.899
.795
-3.46
4.46
C
2.667
1.899
.176
-1.29
6.63
D
4.500*
1.899
.028
.54
8.46
C
A
-2.167
1.899
.267
-6.13
1.79
B
-2.667
1.899
.176
-6.63
1.29
D
1.833
1.899
.346
-2.13
5.79
D
A
-4.000*
1.899
.048
-7.96
-.04
B
-4.500*
1.899
.028
-8.46
-.54
C
-1.833
1.899
.346
-5.79
2.13
*.Themeandifferenceissignificantatthe0.05level.
8、分析
(1)下表表示各控制变量的分组情况:
Between-SubjectsFactors
ValueLabel
N
包装
1
A1
9
2
A2
9
3
A3
9
摆放位置
1
B1
9
2
B2
9
3
B3
9
下表是对方差齐性检验的结果,H0假设是:
方差相等。
根据上表中的数据sig=0.646>0.05所以不能拒绝原假设,即我们认为方差相等。
Levene'sTestofEqualityofErrorVariancesa
DependentVariable:
销量
F
df1
df2
Sig.
.754
8
18
.646
Teststhenullhypothesisthattheerrorvarianceofthedependentvariableisequalacrossgroups.
a.Design:
Intercept+casing+place+casing*place
(2)下表是多因素方差分析及交互检验的结果,总的离差和分为三个部分:
多个控制变量对观察值的独立作用,多个控制变量的交互作用和随机变量的影响。
从伴随概率来看包装和摆放位置分别是0.646和0.253,均大于0.05,所以不能拒绝原假设(对销量没有显著影响)即包装和摆放位置对销量没有显著影响;关于多个控制变量的交互作用,其伴随概率为0,所以拒绝原假设,即认为包装和摆放位置的搭配对销量有显著影响。
TestsofBetween-SubjectsEffects
DependentVariable:
销量
Source
TypeIIISumofSquares
df
MeanSquare
F
Sig.
CorrectedModel
65.407a
8
8.176
7.612
.000
Intercept
822.259
1
822.259
765.552
.000
casing
.963
2
.481
.448
.646
place
3.185
2
1.593
1.483
.253
casing*place
61.259
4
15.315
14.259
.000
Error
19.333
18
1.074
Total
907.000
27
CorrectedTotal
84.741
26
a.RSquared=.772(AdjustedRSquared=.670)
9、分析
(1)下表表示各控制变量的分组情况
Between-SubjectsFactors
N
氮肥量
多
9
少
9
钾肥量
0
6
12.5
6
25
6
下表是对方差齐性检验的结果,H0假设是:
方差相等。
根据上表中的数据sig=0.068>0.05所以不能拒绝原假设,即我们认为方差相等。
Levene'sTestofEqualityofErrorVariancesa
DependentVariable:
生长量
F
df1
df2
Sig.
2.776
5
12
.068
Teststhenullhypothesisthattheerrorvarianceofthedependentvariableisequalacrossgroups.
a.Design:
Intercept+N+K+N*K*height+K*height+N*height+height
(2)下表是多因素方差分析及交互检验的结果,总的离差和分为三个部分:
多个控制变量对观察值的独立作用,多个控制变量的交互作用和随机变量的影响。
从伴随概率来看氮肥量和钾肥量分别是0.918和0.110,均大于0.05,所以不能拒绝原假设(对生长量没有显著影响)即氮肥量和钾肥量对生长量没有显著影响;关于多个控制变量的交互作用,其伴随概率为0.186、0.249和0.778,均大于0.05,所以不能拒绝原假设(对生长量没有显著影响)即认为它们之间没有交互作用
TestsofBetween-SubjectsEffects
DependentVariable:
生长量
Source
TypeIIISumofSquares
df
MeanSquare
F
Sig.
CorrectedModel
.555a
9
.062
14.068
.001
Intercept
.445
1
.445
101.548
.000
N
4.984E-5
1
4.984E-5
.011
.918
K
.026
2
.013
2.940
.110
N*K*height
.018
2
.009
2.092
.186
K*height
.015
2
.007
1.665
.249
N*height
.000
1
.000
.085
.778
height
.117
1
.117
26.740
.001
Error
.035
8
.004
Total
77.801
18
CorrectedTotal
.590
17
a.RSquared=.941(AdjustedRSquared=.874)
所以满足方差齐性和控制变量之间没有交互作用这两个基本条件,因此可以用协方差分析处理。
得到的结果如下表,表中氮肥量、钾肥量和树苗初高的伴随概率sig分别为0.016、0和0,均小于0.05,所以拒绝原假设(对杨树的生长没有影响),即认为氮肥量、钾肥量和树苗初高对杨树的生长均有影响。
TestsofBetween-SubjectsEffects
DependentVariable:
生长量
Source
TypeIIISumofSquares
df
MeanSquare
F
Sig.
CorrectedModel
.517a
4
.129
23.231
.000
Intercept
1.012
1
1.012
181.740
.000
N
.043
1
.043
7.640
.016
K
.313
2
.156
28.068
.000
height
.157
1
.157
28.166
.000
Error
.072
13
.006
Total
77.801
18
CorrectedTotal
.590
17
a.RSquared=.877(AdjustedRSquared=.840)
第八章
1、分析
两变量之间的线性相关:
指通过计算变量两两相关的系数,对两个变量之间的相关程度进行分析。
两个变量间的相关系数的数值范围:
-1<=r<=1
负相关系数:
反映变量之间存在负相关关系,即两个变量之间的变动方向是相反的。
2、分析
(1)存在相关关系,相关系数为正;
(2)存在相关关系,相关系数为负;
(3)不存在相关关系,相关系数为零;
(4)存在相关关系,相关系数为正;
(5)不存在相关关系,相关系数为零;
(6)存在相关关系,相关系数为负。
3、分析
下表是对花瓣长、花枝长和花萼长的描述性分析的结果,Mean、Std.Deviation和N分别表示均值、标准差和记录数,详细数据见下表:
DescriptiveStatistics
Mean
Std.Deviation
N
花瓣长
40.44
5.973
18
花枝长
19.67
5.029
18
花萼长
16.17
3.294
18
下表示相关分析的主要结果,从表中可以看出相关系数均大于0,所以认为花瓣长、花枝长和花萼长两两之间是存在着正相关,而相伴概率值Sig.(1-tailed)也都小于0.05,因此拒绝原假设(两变量之间不具有相关关系),即说明花瓣长、花枝长和花萼长两两之间是存在着正相关关系
Correlations
花瓣长
花枝长
花萼长
花瓣长
PearsonCorrelation
1
.955**
.797**
Sig.(1-tailed)
.000
.000
SumofSquaresandCross-products
606.444
487.667
266.667
Covariance
35.673
28.686
15.686
N
18
18
18
花枝长
PearsonCorrelation
.955**
1
.678**
Sig.(1-tailed)
.000
.001
SumofSquaresandCross-products
487.667
430.000
191.000
Covariance
28.686
25.294
11.235
N
18
18
18
花萼长
PearsonCorrelation
.797**
.678**
1
Sig.(1-tailed)
.000
.001
SumofSquaresandCross-products
266.667
191.000
184.500
Covariance
15.686
11.235
10.853
N
18
18
18
**.Correlationissignificantatthe0.01level(1-tailed).
4、分析
下表是对国民收入和存款余额的描述性分析的结果,Mean、Std.Deviation和N分别表示均值、标准差和记录数,详细数据见下表:
DescriptiveStatistics
Mean
Std.Deviation
N
国民收入
1.2855E2
106.18753
27
存款余额
14.1219
23.79693
27
下表示相关分析的主要结果,从表中可以看出相关系数均大于0,所以认为国民收入和存款余额是存在着正相关,并且相关系数为0.976,所以认为两者之间高度正相关,近乎线形关系,而相伴概率值Sig.(1-tailed)也都小于0.05,因此拒绝原假设(两变量之间不具有相关关系),即说明国民收入和存款余额两两之间是存在着正相关关系。
Correlations
国民收入
存款余额
国民收入
PearsonCorrelation
1
.976**
Sig.(1-tailed)
.000
SumofSquaresandCross-products
2.932E5
6.414E4
Covariance
1.128E4
2.467E3
N
27
27
存款余额
PearsonCorrelation
.976**
1
Sig.(1-tailed)
.000
SumofSquaresandCross-products
6.414E4
1.472E4
Covariance
2.467E3
566.294
N
27
27
**.Correlationissignificantatthe0.01level(1-tailed).
5、分析
下表示相关分析的主要结果,从表中可以看出相关系数均大于0,所以认为百米名次和跳高名次是存在着正相关,并且相关系数为0.467,所以认为两者之间中度正相关,而相伴概率值Sig.(1-tailed)也都小于0.05,因此拒绝原假设(两变量之间不具有相关关系),即说明百米名次和跳高名次两两之间是存在着正相关关系。
Correlations
百米名次
跳高名次
Kendall'stau_b
百米名次
CorrelationCoefficient
1.000
.467*
Sig.(1-tailed)
.
.030
N
10
10
跳高名次
CorrelationCoefficient
.467*
1.000
Sig.(1-tailed)
.030
.
N
10
10
*.Correlationissignificantatthe0.05level(1-tailed).
6、分析
分别对价格、广告费用和日照时间进行偏相关分析分别得到如下表所示的结果
Correlations
ControlVariables
销量
价格
广告费用&日照时间
销量
Correlation
1.000
-.699
Significance(2-tailed)
.
.024
d
- 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)