2023年spss實(shí)驗(yàn)報(bào)告 sp法實(shí)驗(yàn)報(bào)告優(yōu)秀

姓名:

成功

學(xué)號(hào):

2０1１51６199

班級(jí):

會(huì)計(jì)二班

實(shí)驗(yàn)報(bào)告二 實(shí)驗(yàn)項(xiàng)目: : 描述性統(tǒng)計(jì)分析

實(shí)驗(yàn)?zāi)康? :

1、掌握數(shù)據(jù)集中趨勢(shì)與離中趨勢(shì)得分析方法;２、熟練掌握各個(gè)分析過(guò)程得基本步驟以及彼此之間得聯(lián)系與區(qū)別、實(shí)驗(yàn)內(nèi)容及步驟

一、數(shù)據(jù)輸入

案例:對(duì) 6 名男生與６名女生得肺活量得統(tǒng)計(jì),數(shù)據(jù)如下:

1.打開(kāi) spss 軟件,進(jìn)行數(shù)據(jù)輸入:通過(guò)打開(kāi)數(shù)據(jù)得方式對(duì) xｌs 得數(shù)據(jù)進(jìn)行輸入

其變量視圖為:

二、探索分析

進(jìn)行探索分析得出如下輸出結(jié)果: 瀏覽

由上表可以瞧出,6 例均為有效值,沒(méi)有記錄缺失值得情況。

由上表可以瞧出,男女之間肺活量得差異,男生明顯優(yōu)于女生,范圍更廣,偏度大。

男

男 stem-and—leaｆ plｏt

frequency

stem ＆

lｅaf

２、00

1.34

2.00

1.８９2、002、02

stｅm widｔh:

1000

eaｃh lｅaｆ:

１ ｃasｅ(s)

女

女 stem—ａnd-lｅaf plot

frｅquency

stem ＆

leａf

2。00

1。

２３3、0０

1.568

1。０02、0

ｓtem ｗidth:

１０00

eacｈ leaf:

1 caｓe(s)

三、頻率分析

進(jìn)行頻率分析得出如下輸出結(jié)果:

由上圖可知,分析變量名:肺活量。可見(jiàn)樣本量 n 為６例,缺失值 0 例, 150０以下得 3３％,1500-２０00 男生３3%女生５０％,2000 以上女生 1６。7％,男生３3%。

四、描述分析

進(jìn)行描述分析得出如下輸出結(jié)果: 由上圖可知,分析變量名:工資,可見(jiàn)樣本量ｎ為6例,極小值為男13４2女121３,極大值為男2200女2０77,說(shuō)明1２人中肺活量最少得為女生就是12１３,最多得為男生有2200,均值為1８1０。50/1６２1、33,。標(biāo)準(zhǔn)差為３27.7３5/325。４08,離散程度不算大。

五、交叉分析

實(shí)驗(yàn)報(bào)告三 實(shí)驗(yàn)項(xiàng)目: : 均值比較

實(shí)驗(yàn)?zāi)康? :。學(xué)習(xí)利用 sｐss 進(jìn)行單樣本、兩獨(dú)立樣本以及成對(duì)樣本得均值檢驗(yàn)。

實(shí)驗(yàn)內(nèi)容及步驟

（一）描述統(tǒng)計(jì)

案例:某醫(yī)療機(jī)構(gòu)為研究某種減肥藥得療效,對(duì) 1５位肥胖者進(jìn)行為期半年得觀察測(cè)試,測(cè)試指標(biāo)為使用該藥之前與之后得體重、編號(hào) 1 ２ 3 4 5 服藥前 198 237 ２3３ 179 ２１9 服藥后 １92 2２５ 226 17２ 214 編號(hào) 6 7 8 9 10 服藥前 １6９ 222 167 １９９ ２33 服藥后 161 210 161 1９3 2２6 編號(hào) １1 12 13 1４ 15 服藥前 １79

７ 服藥后 173 １5４ 143 20６ 2４９ 輸入 spss 建立數(shù)據(jù)、由上圖可知,結(jié)果輸出均值、樣本量與標(biāo)準(zhǔn)差、因?yàn)檫x擇了分組變量,所以三項(xiàng)指標(biāo)均給出分組及合計(jì)值,可見(jiàn)以這種方式列出統(tǒng)計(jì)量可以非常直觀得進(jìn)行各組間得比較、由上表可知,在顯著性水平為 0.05 時(shí),服藥前后得概率 p 值為小于 0.05,拒絕零假設(shè),說(shuō)明服藥前后得體重有顯著性變化（二）

單樣本 t t 檢驗(yàn)

進(jìn)行單樣本 t 檢驗(yàn)分析得出如下輸出結(jié)果:

由上表可以知,單個(gè)樣本統(tǒng)計(jì)量分析表,得基本情況描述,有樣本量、均值、標(biāo)準(zhǔn)差與標(biāo)準(zhǔn)誤,單樣本 t 檢驗(yàn)表,第一行注明了用于比較得已知總體均值為 14,從左到右依次為 t 值(t)、自由度(dｆ)、p 值(sig、2—tａｉleｄ)、兩均值得差值(meａn diffeｒenｃe)、差值得 95％可信區(qū)間、由上表可知:t＝34.215,p=０。０0０〈0、05。因此可以認(rèn)為肺氣腫得總體均值不等于 0、（三）

雙樣本 t t 檢驗(yàn)

案例:研究某安慰劑對(duì)肥胖病人治療作用,用 2０名患者分組配對(duì),測(cè)得體重

如下表,要求測(cè)定該安慰劑對(duì)人得體重作用就是否比藥物好。

進(jìn)行雙樣本 t 檢驗(yàn)得出如下輸出結(jié)果: t 檢驗(yàn)

成對(duì)樣本統(tǒng)計(jì)量

均值 n 標(biāo)準(zhǔn)差 均值得標(biāo)準(zhǔn)誤 對(duì) 1 安 慰 劑組 121.8０ １０ 11、419 3、6１1 藥物組 11１.８0 10 １0.185 3。221 由上圖可知,對(duì)變量各自得統(tǒng)計(jì)描述,此處只有 1 對(duì),故只有對(duì)１。

成對(duì)樣本相關(guān)系數(shù)

n 相關(guān)系數(shù) ｓig、對(duì) 1 安慰劑組 & 藥物組 １0、８02、0０5 此處進(jìn)行配對(duì)變量間得相關(guān)性分析

成對(duì)樣本檢驗(yàn)

成對(duì)差分 t df sig、(雙側(cè))均值 標(biāo)準(zhǔn)差 均值得標(biāo)準(zhǔn)誤 差分 9５％ 置信區(qū)間 下限 上限 對(duì) １ 安慰劑組—藥物組 10、000 6.８96 ２、18１ 5、067 14、9３３ 4、586 9.001 配對(duì) t 檢驗(yàn)表,給出最終得檢驗(yàn)結(jié)果,由上表可見(jiàn) p＝0。001,故可認(rèn)為安慰劑組與藥物組對(duì)肥胖病人得體重有差別影響

實(shí)驗(yàn)報(bào)告四 實(shí)驗(yàn)項(xiàng)目: : 相關(guān)分析

實(shí)驗(yàn)?zāi)康? :

1.學(xué)習(xí)利用 spsｓ進(jìn)行相關(guān)分析、偏相關(guān)分析、距離分析、線性回歸分析與曲線回歸、實(shí)驗(yàn)內(nèi)容及步驟

（一）兩變量得相關(guān)分析

案例:某醫(yī)療機(jī)構(gòu)為研究某種減肥藥得療效,對(duì) 1５位肥胖者進(jìn)行為期半年得觀察測(cè)試,測(cè)試指標(biāo)為使用該藥之前與之后得體重。

編號(hào) 1 2 ３ 4 5 服藥前 19８ 237 ２３3 １79 219 服藥后 192 225 22６ 172 2１4 編號(hào) 6 7 8 ９ 10 服藥前 169 2２2 16７ 19９ ２33 服藥后 16１ 210 １６1 193 2２６ 編號(hào) 11 1２ 13 14 １5 服藥前 １７９

7 服藥后 １7３ １54 1４3 ２06 ２49 進(jìn)行相關(guān)雙變量分析得出如下輸出結(jié)果: 相關(guān)性

相關(guān)系數(shù)系數(shù)表。變量間兩兩得相關(guān)系數(shù)就是用方陣得形式給出得、每一行與每一列得兩個(gè)變量對(duì)應(yīng)得格子中就就是這兩個(gè)變量相關(guān)分析結(jié)果結(jié)果,共分為三列,分別就是相關(guān)系數(shù)、p 值與樣本數(shù)。由于這里只分析了兩個(gè)變量,因此給出得就是２＊2 得方陣。由上表可見(jiàn),服藥前與服藥后自身得相關(guān)系數(shù)均為 1(of cｏurse),而治療前與治療后得相關(guān)系數(shù)為 0、91１ ,p〈0。01（二）

偏相關(guān)分析

偏相關(guān) 已知有某河流得一年月平均流量觀測(cè)數(shù)據(jù)與該河流所在地區(qū)當(dāng)年得月平均雨量與月平均溫度觀測(cè)數(shù)據(jù),如表所示、試分析溫度與河水流量之間得相關(guān)關(guān)系。

觀測(cè)數(shù)據(jù)表 月份 月平均流量 月平均雨量 月平均氣溫 1 ０、50 0.１0—８。8０ 2 0、30 0。10-11.00 ３ 0.40 0。40 －2、４0 4 1、4０ 0.４0 6.90 5 ３。30 2、７0 10、60 6 4.70 2、４0 1３、9０ 7 5。９0 2、50 15。4０ 8 4、7０ 3、０0 13、50 9 0、90 １.3０ 10、00 1０ 0。６0 1.80 2、70 11 0、50 0、６0-４。8０

12 0、30 0、2０-6、00

由上表可見(jiàn)控制月平均雨量之后,“月平均流量”與“月平均氣溫”得相關(guān)系數(shù)為 0。36５,p=0、27,p>０.05,因此“月平均流量”與“月平均氣溫"不存在顯著相關(guān)性。

（三）距離分析

案例:植物在不同得溫度下得生長(zhǎng)狀況不同,下列就是三個(gè)溫度下得植物生長(zhǎng) 編號(hào) 1０度 2０度 ３0 度 1 12、36 １2、4 12、18 2 12、14 12.２ 12、2２ 3 12.３1 12、28 12。３5 4 12。3２ 1２。25 12、21 ５ １2、12 12。22 12.１ 6 12.28 12、３4 12。２5 ７ １2。24 １２、3１ 12。2 ８ 12、41 1２。3 １2。4６近似值

（四）線性回歸分析

已知有某河流得一年月平均流量觀測(cè)數(shù)據(jù)與該河流所在地區(qū)當(dāng)年得月平均雨量與月平均溫度觀測(cè)數(shù)據(jù),如表所示。試分析關(guān)系。

觀測(cè)數(shù)據(jù)表 月份 月平均流量 月平均雨量 月平均氣溫 1 0。50 ０。１0—8、８０ 2 ０。３０ 0、１0—11。00 3 0、4０ ０。４0-2、40 4 １、４０ 0。４0 6。9０ ５ 3。３0 ２、7０ 10、60 6 ４、70 2.４０ １3.9０ ７ 5.90 2。５0 15.40 8 4。70 3、00 13。５0 9 0、90 １。30 10。00 10 0.60 １。80 ２。７0 11 ０、50 0。60-4、8０ 12 ０。30 0。２０—6.00 進(jìn)行線性回歸分析得出如下輸出結(jié)果: 回歸

輸入/移去得變量ｂ

模型 輸入得變量 移去得變量 方法

1 月平均流量 a、輸入 a、已輸入所有請(qǐng)求得變量、b、因變量: 月平均雨量

由表可知,就是第一個(gè)問(wèn)題得分析結(jié)果。這里得表格就是擬合過(guò)程中變量進(jìn)入／退出模型得情況記錄,由于只引入了一個(gè)自變量,所以只出現(xiàn)了一個(gè)模型 1(在多元回歸中就會(huì)依次出現(xiàn)多個(gè)回歸模型),該模型中身高為進(jìn)入得變量,沒(méi)有移出得變量, 這里得表格就是擬合過(guò)程中變量進(jìn)入／退出模型得情況記錄,由于只引入了一個(gè)自變量,所以只出現(xiàn)了一個(gè)模型(在多元回歸中就會(huì)依次出現(xiàn)多個(gè)回歸模型),該模型中身高為進(jìn)入得變量,沒(méi)有移出得變量。

模型匯總 模型 r ｒ 方 調(diào)整 r 方 標(biāo)準(zhǔn) 估計(jì)得誤差 1。85５ａ、７32.705、6117 a.預(yù)測(cè)變量:(常量), 月平均流量。

擬合模型得情況簡(jiǎn)報(bào),顯示在模型中相關(guān)系數(shù)r為0.855,而決定系數(shù)ｒ2為０.732,校正得決定系數(shù)為 0.７0５,說(shuō)明模型得擬合度較高。

aｎｏvab 模型平方與 df 均方 f ｓiｇ。

１ 回歸 1０.２08 １ 1０。20８ ２7、２83.0０0ａ 殘差 ３。7４1 10。374

總計(jì) １３.９49 11

a。

預(yù)測(cè)變量:(常量), 月平均流量。

b.因變量: 月平均雨量

這就是所用模型得檢驗(yàn)結(jié)果,可以瞧到這就就是一個(gè)標(biāo)準(zhǔn)得方差分析表！從上表可見(jiàn)所用得回歸模型f值為２7。283,p值為．０0ａ,因此用得這個(gè)回歸模型就是有統(tǒng)計(jì)學(xué)意義得,可以繼續(xù)瞧下面系數(shù)分別檢驗(yàn)得結(jié)果。由于這里所用得回歸模型只有一個(gè)自變量,因此模型得檢驗(yàn)就等價(jià)與系數(shù)得檢驗(yàn),在多元回歸中這兩者就是不同得。

系數(shù) a 模型 非標(biāo)準(zhǔn)化系數(shù) 標(biāo)準(zhǔn)系數(shù) t ｓig.b 標(biāo)準(zhǔn) 誤差 試用版 1(常量).３87。24７

１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０

系數(shù) a 模型 非標(biāo)準(zhǔn)化系數(shù) 標(biāo)準(zhǔn)系數(shù) t ｓig.b 標(biāo)準(zhǔn) 誤差 試用版 1(常量).３87。24７

１、5６４.14９ 月平均流量.462。08８.855 ５。２2３.00０ ａ.因變量: 月平均雨量

包括常數(shù)項(xiàng)在內(nèi)得所有系數(shù)得檢驗(yàn)結(jié)果。用得就是 t 檢驗(yàn),同時(shí)還會(huì)給出標(biāo)化/未標(biāo)化系數(shù)、可見(jiàn)常數(shù)項(xiàng)與身高都就是有統(tǒng)計(jì)學(xué)意義得 殘差統(tǒng)計(jì)量 a

極小值 極大值 均值 標(biāo)準(zhǔn) 偏差 n 預(yù)測(cè)值。526 3。１13 １。２９2。9633 12 殘差—.6３３7 1。1358。0000.583２ １2 標(biāo)準(zhǔn) 預(yù)測(cè)值—、795 １。8９０、０0０ 1、000 １2 標(biāo)準(zhǔn) 殘差—１.０3６ 1.8５7.000.953 １2 a。

因變量: 月平均雨量

圖表

（五）曲線回歸分析

某地 196３年調(diào)查得兒童年齡(歲)與體重得資料試擬合對(duì)數(shù)曲線。

年齡(歲)體重 １ 2 ３ ４ ５ 6 7 ６8 65 6７ ５0 70 7６ 77 進(jìn)行曲線回歸分析得出如下輸出結(jié)果:

實(shí)驗(yàn)報(bào)告五 實(shí)驗(yàn)項(xiàng)目: : 聚類(lèi)分析與判別分析

實(shí)驗(yàn)?zāi)康? :

１、學(xué)習(xí)利用 spss 進(jìn)行聚類(lèi)分析與判別分析。

實(shí)驗(yàn)內(nèi)容及步驟

（一）系統(tǒng)聚類(lèi)法

為確定老年婦女進(jìn)行體育鍛煉還就是增加營(yíng)養(yǎng)會(huì)減緩骨骼損傷,一名研究者用光子吸收法測(cè)量了骨骼中無(wú)機(jī)物含量,對(duì)三根骨頭主側(cè)與非主側(cè)記錄了測(cè)量值,結(jié)果見(jiàn)教材表。

: 受試者編號(hào) 主側(cè)橈骨 橈骨 主側(cè)肱骨 肱骨 主側(cè)尺骨 尺骨 1 1、1０3 1、０5２ ２、13９ 2.２38 ０.87３ 0、8７２ 2 0.842 ０.８59 １。873 １、74１ 0.590 0。7４4 3 0.9２5 0。8７3 1。8８7 1.8０9 0、７67 0。713 4 0、８57 ０.７4４ 1。７39 1.５４7 ０.706 ０.６7４ ５ 0.7９5 0、80９ 1。7３4 1。７15 0。5４9 0。６５4 6 0、７87 ０。779 １。509 1、47４ ０、７８2 0、５7１ ７ 0。933 0、880 1。69５ １。65６ 0、737 0。803 8 0.799 0、85１ 1。740 1。777 ０、6１８ 0。682 ９ ０、９45 ０.8７6 １。81１ 1、759 0。８53 0、７77 10 0、９２1 ０、906 1。954 2。009 0.８2３ 0.７６5 輸入 spss 建立數(shù)據(jù)。

進(jìn)行系統(tǒng)聚類(lèi)分析得出如下輸出結(jié)果:

聚類(lèi)

快捷聚類(lèi)

研究?jī)和L(zhǎng)發(fā)育得分期,調(diào)查名 1 月至 7 歲兒童得身高(ｃｍ)、體重(kg)、胸圍(cm)與資料。求出月平均增長(zhǎng)率(％)，判別分析

對(duì)某企業(yè),搜集整理了１０名員工2009年第1季度得數(shù)據(jù)資料。構(gòu)建1個(gè)１０×6維得矩陣 職工代號(hào) 工作產(chǎn)量 工作質(zhì)量 工作出勤 工砟損耗 工作態(tài)度 工作能力 1 9.６8 9。6２ 8、37 8。63 9、86 9。74 2 8、０9 8、８3 ９、38 9。7９ 9、９８ 9。7３ ３ 7。46 ８。73 6、７４ 5。５9 8.83 8、４6 4 6.0８ 8、25 ５、０4 5、92 ８.33 8。29 ５ 6。６1 8、36 ６.６7 7。４６ 8、38 8。14 6 7、69 ８.８5 6.4４ 7。45 8。19 8.1 ７ ７.46 8、93 ５、７ 7、06 8。58 ８。３6 8 ７、6 ９。28 6。75 8。03 8、6８ 8、22 9 7、6 8.2６ 7、5 7。63 ８。79 7.6３ 10 7。16 8、62 5、7２ 7。1１ ８。１9 ８。18 1、“分析——分類(lèi)——判別分析",把“分類(lèi)”選入“分組變量”,定義范圍:最小值(1),最大值(４),把 x1、x2、x３、x４、x5 與 x6 輸入“自變量框",選擇“使用逐步式方法”;２、“統(tǒng)計(jì)量”中選擇“均值”、“單變量 anova”、“fisher”、“未標(biāo)準(zhǔn)化”、“組內(nèi)相關(guān)";3、“方法”默認(rèn)設(shè)置;４、“分類(lèi)”中選擇“根據(jù)組大小計(jì)算"、“摘要表”、“不考慮該個(gè)案時(shí)得分類(lèi)”、“在組內(nèi)"、“合并圖、分組、區(qū)域圖”;５、“保存”中選擇“預(yù)測(cè)組成員"、“判別得分”;6、點(diǎn)擊確定、得到以下各表與圖。

特征值 函數(shù) 特征值 方差得 % 累積 % 正則相關(guān)性 1 1．0０２a １00.0 １0０。0、707 a、分析中使用了前 １ 個(gè)典型判別式函數(shù)。

wiｌks 得 lambdａ 函數(shù)檢驗(yàn) wiｌks 得 lamｂda 卡方 df siｇ、1.499 3、471 6。748

函數(shù) 1 工作質(zhì)量。270 工作產(chǎn)量—。831

工作出勤—。4０6 工砟損耗 1。415 工作態(tài)度 1.879 工作能力—２。０61 結(jié)構(gòu)矩陣

函數(shù) 1 工砟損耗、541 工作出勤。３55 工作態(tài)度、175 工作產(chǎn)量、0６３ 工作能力—、0５6 工作質(zhì)量-.05０ 判別變量與標(biāo)準(zhǔn)化典型判別式函數(shù)之間得匯聚組間相關(guān)性

按函數(shù)內(nèi)相關(guān)性得絕對(duì)大小排序得變量。

典型判別式函數(shù)系數(shù)

函數(shù) 1 工作質(zhì)量.5８1 工作產(chǎn)量-。8３0 工作出勤—。312 工砟損耗 1.２48 工作態(tài)度 2。798 工作能力-2.8０３(常量)-６。８17 非標(biāo)準(zhǔn)化系數(shù) 組質(zhì)心處得函數(shù) 職工代號(hào) 函數(shù) 1 １-、7３1 2 1。097 在組均值處評(píng)估得非標(biāo)準(zhǔn)化典型判別式函數(shù) 分類(lèi)統(tǒng)計(jì)量 分類(lèi)處理摘要 已處理得 1０ 已排除得 缺失或越界組代碼 0 至少一個(gè)缺失判別變量 ０ 用于輸出中 1０

組得先驗(yàn)概率 職工代號(hào) 先驗(yàn) 用于分析得案例 未加權(quán)得 已加權(quán)得 1.600 6 6、000 2、400 ４ 4、000 合計(jì) 1.00０ 1０ 10、000 分類(lèi)函數(shù)系數(shù)

職工代號(hào) 1 2 工作質(zhì)量 １21、2９9 １２２.360 工作產(chǎn)量—58、８9４ －60。41１ 工作出勤 －１4、8０3-1５。373 工砟損耗 ３、73９ 6、02０ 工作態(tài)度 123、97９ １29、094 工作能力—63。2８4-68。407(常量)—５4７.493—５60。6９1 fiｓｈer 得線性判別式函數(shù) 單獨(dú)組圖表

分類(lèi)結(jié)果 b,c

職工代號(hào) 預(yù)測(cè)組成員 合計(jì)

1 2 初始 計(jì)數(shù) 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉驗(yàn)證ａ 計(jì)數(shù) 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０

分類(lèi)結(jié)果 b,c

職工代號(hào) 預(yù)測(cè)組成員 合計(jì)

1 2 初始 計(jì)數(shù) 1 5 １ 6 2 1 3 4 ％ 1 83、3 1６、7 100、0 ２ 25.0 7５、０ 100、0 交叉驗(yàn)證ａ 計(jì)數(shù) 1 2 4 ６ 2 4 0 4 % １ ３3.3 66、７ 100。0 2 １00。0、０ 100.０ a、僅對(duì)分析中得案例進(jìn)行交叉驗(yàn)證。

在交叉驗(yàn)證中,每個(gè)案例都就是按照從該案例以外得所有其她案例派生得函數(shù)來(lái)分類(lèi)得。

b.已對(duì)初始分組案例中得 80。0％ 個(gè)進(jìn)行了正確分類(lèi)。

c、已對(duì)交叉驗(yàn)證分組案例中得 20.0% 個(gè)進(jìn)行了正確分類(lèi)。

實(shí)驗(yàn)報(bào)告六 實(shí)驗(yàn)項(xiàng)目: : 因子分析與主成分分析

實(shí)驗(yàn)?zāi)康? :

1、學(xué)習(xí)利用 sｐｓs 進(jìn)行因子分析與主成分分析。

實(shí)驗(yàn)內(nèi)容及步驟

（一）因子分析

下表資料為 1５名健康人得 7 項(xiàng)生化檢驗(yàn)結(jié)果,6 項(xiàng)生化檢驗(yàn)指標(biāo)依次命名為ｘ1 至 x6,請(qǐng)對(duì)該資料進(jìn)行因子分析。

因子分析 １、打開(kāi)導(dǎo)入 exclｅ數(shù)據(jù) 2、選擇菜單“分析→降維→因子分析” ,彈出“因子分析”對(duì)話框。在對(duì)話框左側(cè)得變量列表中選除地區(qū)外得變量,進(jìn)入“變量”框，３、單擊“描述"按鈕,彈出“因子 分析: 描述”對(duì)話框,在“統(tǒng)計(jì)量”中選“單變量 描述”項(xiàng),輸出各變量得均數(shù)與標(biāo)準(zhǔn)差,“相關(guān)矩陣”欄內(nèi)選“系數(shù)",計(jì)算相關(guān)系數(shù)矩陣,并選“ｋmｏ 與 baｒtｌｅtｔ’s 球形度檢驗(yàn)”項(xiàng),對(duì)相關(guān)系數(shù)矩陣進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)，對(duì)以上資料進(jìn)行因子分析:分析--降維——因子分析,確定操作得出 描述統(tǒng)計(jì)量

均值 標(biāo)準(zhǔn)差 分析 n x1 6.02１3 1、２３848 1５ ｘ2 7、98８0。５7340 15 x3 3。99６0 1、01195 1５ x4 5、5７00 1.3８69９ １5 x5 ８。３７２7.77780 1５ x6 8.０247、68９55 15

相關(guān)矩陣

x１ ｘ2 x３ x4 x5 x6 相關(guān) x1 1。000。９66.78２.０55。104、019 x２。96６ 1.0０0.７47.02８.233、1５８ x3.782.747 1。０00.12５.214—。0２4 ｘ4.0５5、0２8、１25 1.000—。１５０、2３3 x5、１０4.２3３、214 －.１50 １、00０。7５3 ｘ６。０19.1５８-、024。233。75３ 1.0０0 ｓig。(單側(cè))x1

.０00、00０。423.356。473 ｘ2、000

。001。4６１.2０2、287 ｘ3。00０。001

.32９、２22.４67 ｘ４、42３、4６1。3２９

.297。202 x5。３56。20２、２２２.29７、0０1 x6.473.２87。4６7。２0２.0０１

kmo 與

bart ｌe e ｔ t 得檢驗(yàn) 取樣足夠度得 ｋaiseｒ—meyｅr-olkin 度量。

。４6０ baｒtlett 得球形度檢驗(yàn)近似卡方 64.0３5 df 15 sig、。000 公因子方差

初始 提取 ｘ1 1。000。950 x2 1、000。930 x3 1、000。801 x４ １。0０0。989 x5 1、00０。9２8 x6 1。000。93６ 提取方法:主成份分析。

解釋得總方差 成份 初始特征值 提取平方與載入 旋轉(zhuǎn)平方與載入 合計(jì) 方差得 ％ 累積 % 合計(jì) 方差得 % 累積 ％ 合計(jì) 方差得 ％ 累積 % １ 2.768 46。127 4６、１2７ 2。7６８ 46、１27 46。127 2。67８ 44.６34 44。634 2 １.683 28、050 ７4.177 １.68３ 28。050 74。１77 1.766 ２9、４32 74、066 3 1、084 1８.074 92。251 1。084 18。074 92。251 1、091 18、1８6 92。2514、３60 5。9９5 98.24６

５.0８４ 1、401 9９.6476、021.353 1０0。０00

提取方法:主成份分析、成份矩陣a a

成份 １ 2 3 x１.9３5—、2７7-.02１ x2。954—、131-、０57 x3.868 －.218、030 ｘ4、1０7.059.987 ｘ5.389。８39-、272 x６.263、91４、１78 提取方法 :主成份。

a。

已提取了 3 個(gè)成份。

旋轉(zhuǎn)成份矩陣a a

成份 1 2 3 x1。975—、00１.０16 x２。９53、１46-。012 x３.89２.032、０66 x4.04９。０2１、993 x5.145、93０—.２05 x6-、013.937、241 提取方法 :主成份、旋轉(zhuǎn)法 :具有 kaiser 標(biāo)準(zhǔn)化得正交旋轉(zhuǎn)法、a.旋轉(zhuǎn)在 4 次迭代后收斂、成份轉(zhuǎn)換矩陣 成份 1 2 3 1。９５8、2８1、0５4 2-。28４。９57、0５3 3—、03７ －.066.997 提取方法 :主成份。

旋轉(zhuǎn)法 :具有 kaiser 標(biāo)準(zhǔn)化得正交旋轉(zhuǎn)法。

實(shí) 驗(yàn) 報(bào) 告

課程名稱(chēng)

數(shù)據(jù)分析

實(shí)驗(yàn)名稱(chēng)

均值比較與方差分析

系別 電子信息科學(xué)學(xué)院 專(zhuān)業(yè)班級(jí) 信息管理15級(jí)專(zhuān)升本

指導(dǎo)教師

學(xué)號(hào)

姓名

實(shí)驗(yàn)日期 2015年11月18日實(shí)驗(yàn)成績(jī)

一、實(shí)驗(yàn)?zāi)康?． 掌握均值比較和方差分析的原理、過(guò)程和應(yīng)用

2． 掌握兩獨(dú)立樣本和兩配對(duì)樣本的t檢驗(yàn)的過(guò)程和結(jié)果解釋 3． 掌握單因素方差分析的分析過(guò)程和結(jié)果解釋 4． 掌握多因素方差分析的分析過(guò)程和結(jié)果解釋

二、實(shí)驗(yàn)環(huán)境

1． 硬件環(huán)境：微機(jī)

2． 軟件環(huán)境：

windows，spss statistics 22

三、實(shí)驗(yàn)內(nèi)容

1．中記錄了男性或女性每周上網(wǎng)瀏覽網(wǎng)頁(yè)的時(shí)間（變量wwwhr，單位小時(shí)）。用兩獨(dú)立樣本t檢驗(yàn)方法分析男性和女性在上網(wǎng)時(shí)間上是否不同。

（1）原假設(shè)

男性和女性的上網(wǎng)時(shí)間沒(méi)有顯著差異。

（2）參數(shù)設(shè)置

檢驗(yàn)變量：www hours per week 分組變量：gender（3）操作步驟及計(jì)算結(jié)果 操作步驟：

① 選擇菜單：【分析a】→【比較均值（m）】→【獨(dú)立樣本t檢驗(yàn)（t）】；

如圖1-1

圖1-1

② 選擇檢驗(yàn)變量“www hours per week”到【檢驗(yàn)變量（t）】框中。

③ 選擇總體標(biāo)識(shí)變量“gender”到【分組變量（g）】框中。

④點(diǎn)擊按鈕定義兩總體的標(biāo)示值，如圖1-2。其中，【使用指定值（u）】表示分別輸入對(duì)應(yīng)兩

個(gè)不同總體的標(biāo)記值。

圖1-2

計(jì)算結(jié)果：

（4）結(jié)果及其解釋

結(jié)果：男性和女性的上網(wǎng)時(shí)間存在顯著差異。

解釋?zhuān)簭莫?dú)立樣本鑒定的表中可以看出f檢驗(yàn)值為15.182，對(duì)應(yīng)的概率p值為0.00＜0.05，所以拒絕原假設(shè)。由于兩總體方差有顯著差異所以要看到“不采用相等變異數(shù)”這一列，其中t統(tǒng)計(jì)量的值為4.866，對(duì)應(yīng)的概率p值為0.00。如果顯著性水平α為0.05，由于概率p值小于0.05，所以認(rèn)為量總體的均值有顯著差異。并且95%置信區(qū)間不夸零，也說(shuō)明了有顯著差異。

2．中記錄了受訪者父親和母親的受教育情況。試用兩配對(duì)樣本t檢驗(yàn)方法比較父親的受教育情況（變量paeduc）和母親的受教育情況（變量maeduc）是否不同。

（1）原假設(shè)

父親的受教育情況和母親的受教育情況沒(méi)有顯著差異。

（2）參數(shù)設(shè)置

成對(duì)變量：paeduc，maeduc（3）操作步驟及計(jì)算結(jié)果 ①選擇菜單：

【分析（a）】→【比較均值（m）】→【配對(duì)樣本t檢驗(yàn)（p）】，如圖2-1

圖2-1 ②選擇paduc和maduc到【成對(duì)變量（v）】框中。

結(jié)果：

圖2-2

圖2-3

圖2-4（4）結(jié)果及其解釋

結(jié)果：父親的受教育情況和母親的受教育與情況沒(méi)有顯著差異。

解釋?zhuān)簭膱D2-2的平均值可以看出沒(méi)有較大的差異。圖2-3中對(duì)應(yīng)的概率p值為.000，如果顯著性水平α為0.05，則表明父親和母親的受教育情況有明顯的線性變化，父親和母親的受教育情況相關(guān)性程度較強(qiáng)。從圖2-4中可以看出，父親與母親的受教育情況的平均差異，僅只有0.49；

95%置信區(qū)間的上下限一正一負(fù)，則表示兩者接近無(wú)顯著差異；

最后相對(duì)應(yīng)的概率p值0.494，如果顯著性水平α為0.05，則接受原假設(shè)，所以父親的受教育情況和母親的受教育與情況無(wú)顯著差異。

3．一家關(guān)于mba報(bào)考、學(xué)習(xí)、就業(yè)指導(dǎo)的網(wǎng)站希望了解國(guó)內(nèi)mba畢業(yè)生的起薪是否與各自所學(xué)的專(zhuān)業(yè)相關(guān)。為此，他們?cè)谝呀?jīng)從國(guó)內(nèi)商學(xué)院畢業(yè)并且獲得學(xué)位的mba學(xué)生中按照各專(zhuān)業(yè)分別隨機(jī)抽取了10人，調(diào)查了這些學(xué)生的起薪情況，。根據(jù)這些調(diào)查他們能否得出專(zhuān)業(yè)對(duì)mba起薪有影響的結(jié)論。

（1）原假設(shè)

國(guó)內(nèi)mba畢業(yè)生各自所學(xué)專(zhuān)業(yè)與起薪情況沒(méi)有顯著關(guān)系。

（2）參數(shù)設(shè)置 觀測(cè)變量：起薪 控制變量：專(zhuān)業(yè)

（3）操作步驟及計(jì)算結(jié)果 操作步驟：

①選擇菜單：

【分析（a）】→【比較均值（m）】→【單因素anova】；

②選擇觀測(cè)變量“起薪”到【因變量列表（e）】框中，如圖3-1；

④ 選擇控制變量“專(zhuān)業(yè)”到【因子（f）】框中，如圖3-2；

圖3-1 計(jì)算結(jié)果：

圖3-2（4）結(jié)果及其解釋

結(jié)果：國(guó)內(nèi)mba畢業(yè)生各自所學(xué)專(zhuān)業(yè)與起薪情況沒(méi)有顯著關(guān)系；

解釋?zhuān)簭膱D3-2可以看出，f統(tǒng)計(jì)量的觀測(cè)值為2.459，對(duì)應(yīng)的概率p值為0.079。如果顯著性水平α為0.05，由于概率p值大于顯著性水平α，所以接受原假設(shè)，認(rèn)為國(guó)內(nèi)mba畢業(yè)生各自所學(xué)專(zhuān)業(yè)與起薪情況沒(méi)有顯著關(guān)系。

4．一家連鎖零售店試圖對(duì)顧客的購(gòu)買(mǎi)習(xí)慣進(jìn)行調(diào)查。記錄了顧客性別、購(gòu)物方式、消費(fèi)額等信息。使用多因素方差分析方法分析顧客性別和購(gòu)物方式對(duì)消費(fèi)額有何影響。

（1）原假設(shè)

不同顧客性別沒(méi)有對(duì)消費(fèi)額產(chǎn)生顯著差異；

不同購(gòu)物方式對(duì)消費(fèi)額沒(méi)有顯著差異；

顧客性別和購(gòu)物方式對(duì)消費(fèi)額沒(méi)有產(chǎn)生顯著的交互影響。

（2）參數(shù)設(shè)置 觀測(cè)變量：消費(fèi)額

控制變量：顧客性別，購(gòu)物方式（3）操作步驟及計(jì)算結(jié)果 操作步驟：

①選擇菜單：

【分析（a）】→【一般線性模型】→【單變量（u）】；

②指定觀測(cè)變量“消費(fèi)額”到【因變量（d）】框中；

③指定固定效應(yīng)的控制變量“顧客性別”和“購(gòu)物方式”到【固定因子(f)】框中，如圖4-1。

計(jì)算結(jié)果：

圖4-2

圖4-2

（4）結(jié)果及其解釋

結(jié)果：不同顧客性別對(duì)消費(fèi)額有顯著差異；

不同購(gòu)物方式對(duì)消費(fèi)額沒(méi)有顯著差異；

顧客性別和購(gòu)物方式對(duì)消費(fèi)額有顯著的交互影響。

解釋?zhuān)簭膱D中可以看出fgender，fstyle，fgender*style的概率p值分別為0.000，0.140和0.017.如果顯著性水平α為0.05，由于fgender，fgender*style概率p值小于顯著性水平α，所以應(yīng)該拒絕原假設(shè)，可以認(rèn)為不同顧客性別對(duì)消費(fèi)額有顯著差異，顧客性別和購(gòu)物方式對(duì)消費(fèi)額有顯著的交互影響，而fstyle概率p值小于顯著性水平α，則接收原假設(shè)認(rèn)為不同購(gòu)物方式對(duì)消費(fèi)額沒(méi)有顯著差異。

四、實(shí)驗(yàn)小結(jié)（心得體會(huì)、遇到問(wèn)題及其解決方法）

房地產(chǎn)sp活動(dòng)方案

完整實(shí)驗(yàn)報(bào)告

實(shí)驗(yàn)報(bào)告模版

實(shí)驗(yàn)報(bào)告(范文)

合集實(shí)驗(yàn)報(bào)告,（）(范文)