南邮课程设计ISPSS.docx
- 文档编号:6107633
- 上传时间:2023-01-03
- 格式:DOCX
- 页数:17
- 大小:954.56KB
南邮课程设计ISPSS.docx
《南邮课程设计ISPSS.docx》由会员分享,可在线阅读,更多相关《南邮课程设计ISPSS.docx(17页珍藏版)》请在冰豆网上搜索。
南邮课程设计ISPSS
南邮课程设计I-SPSS
学号:
2016-2017学年第1学期第9-10周
南京邮电大学
课程设计I报告
班级:
姓名:
指导教师:
职称:
成绩:
管理学院
2015
年
11
月
1
日
总评分
指导教师
评阅意见
该生对待课程设计I的态度□认真□良好□一般□比较差。
设计的系统界面外观美工处理情况□很好□较好□一般□比较差
系统前后台功能和脚本编写情况□很好□良好□一般□比较差
文档书写符合规划与设计流程程度□很好□良好□一般□比较差
系统演示顺利情况和答辩流畅准确情况□很好□良好□一般□比较差
完成的课程设计特色之处:
成绩
指导教师签名
日期
2016.11.1
一、SPSS的安装和使用
SPSS安装过程略
SPSS主要窗口包括:
数据编辑窗口、结果输出窗口、变量编辑窗口、语法编辑窗口、脚本编写窗口、脚本编写窗口、图表编辑窗口
数据编辑窗口是用户进行数据处理与分析的主要窗口界面,用户可在此窗口进行数据输入、观察、编辑和统计分析等操作。
结果输出窗口用于输出统计分析的结果或绘制的相关图表。
变量编辑窗口可以对变量的名称、类型、宽度、小数位、变量标签、变量值标签、缺失值、列的宽度、对齐方式、度量标准以及角色进行设置。
语法编辑窗口,用户可以在语法编辑器窗口输入或修改SPSS命令,或单击任何分析对话框上的“粘贴”按钮,将使用对话框设置的各种命令或选项粘贴到语法编辑器窗口。
脚本编写窗口,用户可以在此窗口编写SPSS内嵌的SaxBasic语言以形成自动化处理数据的程序。
图表编辑窗口可以对生成的图表进行编辑。
二、数据文件的处理
定义变量:
点开变量视图设置变量名称及其属性。
录入和编辑数据
录入数据的方式有两种,一是新建数据,二是导入数据。
1、打开【文件】→【新建】→【数据】如图①
2、打开【文件】→【打开】→【数据】如图②、③
①
②
③
④
然后可在④图中的数据视图增添,删除,修改数据。
计算新变量,输入所有人语数英的平均成绩。
打开【转换】→【计算变量】
筛选变量(个案选择)
选择工资大于2000的人
打开【数据】→【选择个案】
数据文件的拆分。
打开【数据】→【拆分文件】
数据文件的合并
首先选择合并变量,打开要合并的数据后,需对两表的关键变量进行排序后才能合并。
打开【数据】→【合并文件】→【添加变量】
数据文件的存储与读取
存储:
打开【文件】→【保存】
读取:
打开【文件】→【打开】→【数据】然后选取要打开的数据即可。
三、统计图形
条形图
打开【图形】→【图表构建程序】
首先需确定数据中有名义度量(尺度度量不能放在x轴)
把左上方的变量依次拖入右边图表的x轴,y轴。
其他图表如饼图、线形图、直方图、散点图方法类似。
如下图
饼图线形图
直方图散点图
四、基本统计分析
频数统计及总体均值与总体方差的估计、总体均值的置信区间的计算
打开【分析】→【描述统计】→【频率】,把要用的变量放到右边,点击【统计量】把要输出的数据勾选。
如下图
描述性统计及总体均值与总体方差的估计、总体均值的置信区间的计算
打开【分析】→【描述统计】→【频率】,把要用的变量放到右边,点击【选项】把要输出的数据勾选。
如下图
结果如下
五、回归分析
一元线性回归分析
例题:
分析不同地区的甲状腺肿的患病率高低与本地水质的碘含量的关系。
首先,在做回归分析之前,可以先用散点图初步观察两变量有无相关趋势。
如下图
从左图可以看出,二者有一定的相关关系,接下来就可以做进一步的回归分析,找出它们二者间的关联。
打开【分析】→【回归】→【线性】
把“碘含量”拖入自变量,把“患病率”拖入因变量,统计量选择模拟拟合度和描述性。
结果如下:
①
②
③
④
从图①得出所有变量都已纳入模型中;图②得出相关系数R为0.971,所以R^2即相关系数很大,说明模型拟合效果很好;图③为对模型进行方差分析的结果,反映其具有统计学意义;
图④给出了回归方程的各项参数,a=17.484,b=4.459,即回归方程为y=17.484+4.459x,认为碘含量对患病率是存在影响的。
多元线性回归分析
例题:
采取措施的速度与保险公司的规模及其类型之间的关系分析。
散点图分析略
打开【分析】→【回归】→【线性】
把“公司类型”、“公司规模”拖入自变量,把“所需时间”拖入因变量,统计量选择模拟拟合度和描述性。
结果如下:
①
②
③
④
从图①得出所有变量都已纳入模型中;图②得出相关系数R为0.946,所以R^2即相关系数很大,说明模型拟合效果很好;图③为对模型进行方差分析的结果,反映其具有统计学意义;
图④给出了回归方程的各项参数,a=33.874,b=-0.102,c=8.055即回归方程为y=33.874-0.102x1+8.055x2,认为公司规模、公司类型对索赔的反应所需时间是存在影响的。
六、方差分析
单因素方差分析
例题:
比较三个不同的电池生产企业生产电池的寿命。
打开【分析】→【比较均值】→【单因素ANOVA】
在【两两比较】中选择“LSD”、“S-N-K”;在【选项】中选择“描述性”、“方差同质性检验”、
“均值图”。
把“电池”拖入因变量列表,把“企业”拖入因子。
结果如下:
①
②
③
④
图①所示为Levene方差齐性检验的结果,本例Levene统计量为0.390。
显著性P值一0.680>0.05,故3组数据方差无差异。
图②所示为单因素方差分析的结果,并且进行了趋势检验,结果显示不同企业间方差分析统计量F=38.771,P值=0.000<0.01,因此认为不同企业间生产电池的寿命不同。
图③为LSD法比较结果,企业2与企业1、企业3显著性P值小于0.01,其它的则大于0.01
说明企业2与企业1、企业3生产的电池寿命有差异,企业1与企业3无差异。
图④为S-N-K法比较结果,电池寿命数据被分为两组,企业2一组,企业1和企业3为一组,说明企业2与企业1、企业3生产的电池寿命有差异,企业1与企业3无差异。
与LSD法结果一致。
无重复实验的双因素方差分析
例题:
某研究机构研究了3种动物饲料对4种品系小鼠体重增加的影响。
打开【分析】→【一般线性模型】→【单变量】
在各个选项中做出对应设置如下图
结果如下:
①
②
③
④
图①所示为主效应模型检验,结果可见校正模型统计量F=6.772,P=0.000,说明模型有统计学意义。
因素a和因素b均有统计学意义,P=0.000和P=0.037,均小于0.05。
图②所示为不同饲料类型两两比较结果,从Sig值(即P值)可见,饲料B与饲料C间没有差异(P=0.117),其他均有差异,P<0.05。
图③所示为不同品系两两比较结果,从Sig值(即P值)可见,每个品系间均无差异P>0.05。
图④所示为不同品系小鼠喂养不同饲料的体重增重的均值图,可见A饲料较好,B和C饲料差异不大。
重复实验的双因素方差分析
例题:
某研究者欲了解一套新的锻炼方法的减肥效果。
该研究者在某小学随机抽取12名肥胖学生,随机分成两组,第一组每天下午按新的锻炼方法锻炼,第二组不参与新的锻炼方法锻炼,并于实验开始的第1.2.3个月分别测量学生体重减重情况。
打开【分析】→【一般线性模型】→【重复度量】
(1)打开【重复度量定义因子】,单击“被试内因子名称”中的Factor1,修改为weight。
(2)“级别数”框中输入重复测量次数“3”,单击“添加”按钮。
(3)单击左下角的“定义”按钮,将3次测量变量One,Two和Three。
按照框中测量的顺序,逐个放入右侧框中。
如若顺序出现差异单击“群体内部变量”左侧的上下箭头来调整顺序,注意顺序一定不能出错。
将因素变量group放入“因子列表”框。
结果如下:
①
②
③
④
图①所示为多变量检验结果,其中采用了4种检验方法计算了T检验值、F值、假设df值和误差df值,表中可见不同测试时间的weight有统计学差异,P=0.000,而测试时间与组别间无统计学差异,P=0.55。
然而是否以此结果为准的依据是球形性检验,若不符合球形性,才以此结果为准或者以一元方差分析中校正结果为准。
图②所示为球形性检验结果,可见MauchlyW=0.983,P=0.926,符合球形性,结果以一元方差结果为准。
如果P<0.05,则不符合球形性检验,则给出了3种校正模式,即Greenhouse-Geisser.Huynh-Feldt和下限校正,其中以Greenhouse-Geisser较为常用。
图③所示为方差分析结果。
因为本例符合球形性,因此,以第一条“采用的球形度”结果,可见不同时间测量的体重有统计学差异,F=129.068,P=0.000;并且测试时间与组别交互作用检验F=4.386,P=0.026<0.05,认为测试时间与组别间存在着交互作用。
图④显示,组别间方差分析结果无统计学差异,F=0.397,P=0.543,即两组处理因素对体重减重影响没有差异。
- 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:
- 课程设计 ISPSS
![提示](https://static.bdocx.com/images/bang_tan.gif)